Εφαρμογές deep learning σε προβλήματα ιατρικής ακρίβειας

• Κύριος συγγραφέας: Ζόμπολα, Αναστασία
• Άλλοι συγγραφείς: Zompola, Anastasia
• Γλώσσα: Greek
• Έκδοση: 2021
• Θέματα: Συνελικτικά νευρωνικά δίκτυα; Γονίδια; Βαθιά μάθηση; Deep learning; Convolutional neural networks; Genes

Οι διαφορετικές τεχνικές Βαθιάς Μάθησης (Deep Learning) αρχίζουν να κερδίζουν ολοένα και μεγαλύτερο έδαφος στον τομέα της ιατρικής και της βιολογίας. Ενώ όμως το ενδιαφέρον της ιατρικής ακριβείας έχει στραφεί στον προσδιορισμό των βιοδεικτών και των πιθανών γονιδιακών μονοπατιών στην πρόγνωση σοβαρών ασθενειών, όπως το Ισχαιμικό Εγκεφαλικό Επεισόδιο (ΙΕΕ), κακοήθειες κλπ, υπάρχουν περιορισμένες εφαρμογές τεχνικών βαθιάς μάθησης σε αυτό τον τομέα Η σύγχρονη βιοιατρική επιστήμη κατευθύνεται προς το συνδυασμό της εξατομικευμένης ιατρικής, με νέες μεθόδους ανάλυσης ακολουθιών DNA και ωμικών δεδομένων, με την πρόσβαση σε μεγάλα σύνολα δεδομένων (Big data) και την εφαρμογή μεθόδων τεχνητής νοημοσύνης, όπως όπως οι αλγόριθμοι μηχανικής μάθησης (machine learning) ή οι τεχνικές βαθιάς μάθησης (deep learning)-νευρωνικά δίκτυα (neural networks). Η παρούσα εργασία διαπραγματεύεται μια ειδική κατηγορία Τεχνητών Νευρωνικών Δικτύων, τα Συνελικτικά Νευρωνικά Δίκτυα ΣΝΔ (Convolutional Neural Networks), και την εφαρμογή τους σε βιοïατρικά δεδομένα ,για την πρόγνωση ασθενών με ΙΕΕ. Τα δίκτυα αυτά χρησιμοποιούνται κυρίως για την ανάλυση δεδομένων εικόνων, αλλά ενδείκνυται και σε πολλές διαφορετικές εφαρμογές, προς εξαγωγή συμπερασμάτων, λόγω της ιδιότητάς τους να εκμεταλλεύονται την υψηλή συσχέτιση των δεδομένων εισόδου. Τα δεδομένα που χρησιμοποιήθηκαν προέκυψαν από πειράματα μικροσυστοιχιών σε δείγματα αίματος ασθενών με ΙΕΕ και ομάδας ελέγχου (υγιείς). Στόχος της παρούσας εργασίας ήταν ο προσδιορισμός πιθανών βιοδεικτών του ΙΕΕ και πιθανών συσχετίσεων μεταξύ των γονιδίων στην εκδήλωση του ΙΕΕ με τη χρήση των ΣΝΔ. Με την εφαρμογή διαφορετικών μεθόδων επιλογής χαρακτηριστικών επιτεύχθηκε τελικά η ταυτοποίηση των ασθενών με ΙΕΕ, εισάγοντας στο μοντέλο 15 γονίδια, με ακρίβεια 85.26%.