Περίληψη
Η παρούσα διατριβή εξετάζει τις εξελίξεις στον τομέα της εξατομικευμένης ιατρικής, δίνοντας έμφαση στη μετάβαση από τη γενικευμένη προσέγγιση «μία λύση για όλους» σε μια περισσότερο εξατομικευμένη στρατηγική για τη διάγνωση ασθενειών και τη διαχείριση των ασθενών. Η μετάβαση αυτή διευκολύνεται από τη χρήση βιοδεικτών, οι οποίοι διαδραματίζουν καθοριστικό ρόλο στην ανάπτυξη και εκπαίδευση προγνωστικών μοντέλων και νευρωνικών δικτύων στους τομείς της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Οι βιοδείκτες, οι οποίοι ορίζονται ως μετρήσιμα και αναπαραγώγιμα ιατρικά χαρακτηριστικά, αποτελούν αντικειμενικούς δείκτες της κατάστασης της υγείας ενός ασθενούς. Η έρευνα αναδεικνύει σημαντικά επιτεύγματα στην αξιοποίηση τεχνικών μηχανικής μάθησης για την πρόβλεψη διαφόρων δεικτών υγείας. Ενδεικτικά, αιματολογικές εξετάσεις χρησιμοποιούνται για την ταξινόμηση του δείκτη μάζας σώματος (BMI) με μέση ακρίβεια 84%, ενώ ταξινομητές διανυσμάτων υποστήριξης (SVM) σε διαδοχική διάταξη αξιοποιούνται γ ...
Η παρούσα διατριβή εξετάζει τις εξελίξεις στον τομέα της εξατομικευμένης ιατρικής, δίνοντας έμφαση στη μετάβαση από τη γενικευμένη προσέγγιση «μία λύση για όλους» σε μια περισσότερο εξατομικευμένη στρατηγική για τη διάγνωση ασθενειών και τη διαχείριση των ασθενών. Η μετάβαση αυτή διευκολύνεται από τη χρήση βιοδεικτών, οι οποίοι διαδραματίζουν καθοριστικό ρόλο στην ανάπτυξη και εκπαίδευση προγνωστικών μοντέλων και νευρωνικών δικτύων στους τομείς της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Οι βιοδείκτες, οι οποίοι ορίζονται ως μετρήσιμα και αναπαραγώγιμα ιατρικά χαρακτηριστικά, αποτελούν αντικειμενικούς δείκτες της κατάστασης της υγείας ενός ασθενούς. Η έρευνα αναδεικνύει σημαντικά επιτεύγματα στην αξιοποίηση τεχνικών μηχανικής μάθησης για την πρόβλεψη διαφόρων δεικτών υγείας. Ενδεικτικά, αιματολογικές εξετάσεις χρησιμοποιούνται για την ταξινόμηση του δείκτη μάζας σώματος (BMI) με μέση ακρίβεια 84%, ενώ ταξινομητές διανυσμάτων υποστήριξης (SVM) σε διαδοχική διάταξη αξιοποιούνται για την εκτίμηση της συστολικής αρτηριακής πίεσης με ακρίβεια 74%. Επιπλέον, προτείνεται και υλοποιείται ένα νέο σύστημα πρόβλεψης του μεταβολικού συνδρόμου με ακρίβεια 84%, το οποίο βασίζεται σε πολλαπλές αιματολογικές παραμέτρους, εξαιρώντας τους παράγοντες που αποτελούν τα καθιερωμένα διαγνωστικά κριτήριά του, προτείνοντας έτσι εναλλακτικές διαγνωστικές προσεγγίσεις. Πέρα από την ανάπτυξη εξειδικευμένων διαγνωστικών εργαλείων, το βιβλίο διερευνά ευρύτερες εφαρμογές συστημάτων υποστηριζόμενων από τεχνητή νοημοσύνη, τα οποία αξιοποιούν μοντέλα μηχανικής μάθησης στον τομέα της υγείας μέσω αρχιτεκτονικών μικροϋπηρεσιών (microservices) σε κατανεμημένα συστήματα. Οι αρχιτεκτονικές αυτές απλοποιούν τη διαχείριση και την επεκτασιμότητα των εφαρμογών, διαχωρίζοντας τις επιμέρους λειτουργίες σε ανεξάρτητες υπηρεσίες. Παράλληλα, εξετάζονται οι κανονιστικές απαιτήσεις και οι προκλήσεις επικύρωσης των συστημάτων, με στόχο τον προσδιορισμό βέλτιστων διαδικασιών ανάπτυξης και λύσεων ψηφιακής αρχιτεκτονικής, αξιοποιώντας την Ενοποιημένη Διαδικασία Ανάπτυξης Λογισμικού (Rational Unified Process) και διαισθητικές ροές εργασίας. Επιπλέον, αναδεικνύεται η αναγκαιότητα της επεξηγησιμότητας και της ερμηνευσιμότητας των συστημάτων τεχνητής νοημοσύνης για την ενίσχυση της χρηστικότητας και της εμπιστοσύνης, ιδιαίτερα στον ιατρικό τομέα. Στο πλαίσιο αυτό, παρουσιάζεται ένα νέο μεθοδολογικό πλαίσιο (PINXEL) για τον καθορισμό απαιτήσεων επεξηγησιμότητας, με βάση το Μοντέλο Αποδοχής Τεχνολογίας (Technology Acceptance Model – TAM). Στη συνέχεια, αξιολογούνται οι δυνατότητες και η αποτελεσματικότητα των μεγάλων γλωσσικών μοντέλων (Large Language Models – LLMs), και ιδιαίτερα του ChatGPT, στον ιατρικό τομέα. Η αξιολόγηση επικεντρώνεται στην ικανότητα των συστημάτων αυτών να υποστηρίζουν την ιατρική διάγνωση μέσω δομημένων διαδικασιών αξιολόγησης και εξειδικευμένων αναλύσεων παρακολούθησης ανά γνωστικό πεδίο. Ακολούθως, προτείνεται και εφαρμόζεται μια μεθοδολογία για την περαιτέρω αξιολόγηση της ορθότητας και της ακρίβειας του GPT-4V (Generative Pre-trained Transformer 4 with Vision), μέσω πολυτροπικών ερωτήσεων πολλαπλής επιλογής στον τομέα της Γενικής Παθολογίας. Επιπλέον, η προτεινόμενη μεθοδολογία επιτρέπει την εξαγωγή απαιτήσεων για στοχευμένες παρεμβάσεις και την περαιτέρω εξειδικευμένη εκπαίδευση (fine-tuning) σύγχρονων μοντέλων τεχνητής νοημοσύνης, με σκοπό τη βελτιστοποίηση της απόδοσής τους σε συγκεκριμένα επιστημονικά πεδία και εφαρμογές. Τέλος, το βιβλίο προτείνει ένα καινοτόμο σύστημα υποστηριζόμενο από τεχνητή νοημοσύνη, σχεδιασμένο να παρέχει διαγνωστική υποστήριξη σε περιβάλλοντα πρωτοβάθμιας φροντίδας υγείας, ενσωματώνοντας το σύνολο των τεχνολογιών που εξετάστηκαν στο πλαίσιο της έρευνας. Το σύστημα αυτό συνδυάζει μεγάλα γλωσσικά μοντέλα και εργαλεία μηχανικής μάθησης με μια προσέγγιση βασισμένη σε κανόνες, παρέχοντας εξατομικευμένες ιατρικές συμβουλές μέσω των διαδραστικών βοηθών τεχνητής νοημοσύνης «Med|Primary AI Assistant» και «Dermacen Analytica». Τα συστήματα αυτά αξιοποιούν τεχνικές επεξεργασίας φυσικής γλώσσας, ανάλυσης και τμηματοποίησης εικόνων, εξειδικευμένη γνώση ανά ιατρικό πεδίο και πολυτροπικά μεγάλα γλωσσικά μοντέλα, προκειμένου να δημιουργήσουν μια εξατομικευμένη εμπειρία αλληλεπίδρασης με τον χρήστη. Η αποτελεσματικότητά τους αξιολογείται μέσω ενός αυστηρού μεθοδολογικού πλαισίου που βασίζεται στην ανάλυση του περιεχομένου και της ροής του διαλόγου. Η ολιστική αυτή προσέγγιση αναδεικνύει τις δυνατότητες ενσωμάτωσης της τεχνητής νοημοσύνης στον τομέα της υγείας, με στόχο την υποστήριξη των επαγγελματιών υγείας στη διάγνωση και τη διαχείριση ασθενών, επιδιώκοντας υψηλή ακρίβεια και προσαρμοστικότητα στις εξατομικευμένες ανάγκες κάθε χρήστη.
περισσότερα
Περίληψη σε άλλη γλώσσα
This thesis examines the advancements in personalized medicine, emphasizing the transition from a generalized “one-size-fits-all” approach to a more tailored strategy in disease diagnosis and patient management. This shift is facilitated by the use of biomarkers, which are critical in developing and training prognostic models and neural networks within the fields of machine learning and artificial intelligence. Biomarkers, defined as measurable and reproducible medical signs, serve as objective indicators of a patient’s medical state. The research highlights significant achievements in using machine learning techniques to predict various health indicators. For example, blood exams are utilized to classify body mass index with an average accuracy of 84%, while cascaded SVM-based classifiers are used to determine systolic blood pressure with 74% accuracy. Furthermore, a new system has been proposed and implemented to predict metabolic syndrome with 84% accuracy, relying on multiple blood ...
This thesis examines the advancements in personalized medicine, emphasizing the transition from a generalized “one-size-fits-all” approach to a more tailored strategy in disease diagnosis and patient management. This shift is facilitated by the use of biomarkers, which are critical in developing and training prognostic models and neural networks within the fields of machine learning and artificial intelligence. Biomarkers, defined as measurable and reproducible medical signs, serve as objective indicators of a patient’s medical state. The research highlights significant achievements in using machine learning techniques to predict various health indicators. For example, blood exams are utilized to classify body mass index with an average accuracy of 84%, while cascaded SVM-based classifiers are used to determine systolic blood pressure with 74% accuracy. Furthermore, a new system has been proposed and implemented to predict metabolic syndrome with 84% accuracy, relying on multiple blood parameters excluding its defining factors, thus proposing alternative diagnostic pathways. In addition to specific diagnostic tools, this book explores broader applications of AI-empowered systems that use machine learning models in healthcare through microservices in distributed systems, which simplify management and scaling by segregating functions into distinct services. The regulatory and validation challenges are also considered and investigated to define optimum development paths and digital architecture solutions using the Rational Unified Process and intuitive workflows. It also addresses the necessity of explainability and interpretability in AI systems to enhance usability and trust, particularly in the medical domain. A novel framework (PINXEL) is introduced to define explainability requirements using the Technology Acceptance Model (TAM). Following that, the capabilities and effectiveness of large language models, particularly ChatGPT, were evaluated in the medical domain. The focus was on this novel system’s ability to aid in medical diagnosis through structured evaluations and domain-specific follow-up analysis. A methodology was then outlined and implemented to further assess the correctness and accuracy of GPT-4V (Generative Pre-trained Transformer 4 with Vision) using multimodal multiple-choice questions in the domain of General Pathology. In addition, the proposed methodology enables the extraction of requirements for targeted interventions and fine-tuning of state-of-the-art models to optimize their performance in domain-specific tasks. Finally, this book proposes a novel AI-powered system designed to provide diagnostic advice in primary care settings, employing all technologies explored during this research. This system enhances large language models and other machine learning tools with a rule-based approach, offering tailored medical advice through interactive AI assistants named “Med|Primary AI Assistant” and “Dermacen Analytica”. These systems leverage natural language processing, image analysis and segmentation, domain-specific knowledge, and multimodal LLMs to create personalized user interactions, evaluated through a rigorous context- and dialogue-based methodological framework. This holistic approach underscores the integration of AI into healthcare, aiming to assist medical professionals in patient diagnosis and management with high accuracy and user-specific adaptability.
περισσότερα