| Περίληψη: | Μία από τις πιο γοργά αναπτυσσόμενες περιοχές της επιστήμης των υπολογιστών είναι η ανάπτυξη έξυπνων συστημάτων που υποστηρίζουν τις αποφάσεις των χρηστών και παρέχουν ένα ευρύ πεδίο υπηρεσιών. Η εξυπνάδα τους βασίζεται στην παρακολούθηση και αποκωδικοποίηση των δεδομένων και των αναγκών του χρήστη και επιτυγχάνεται με την εφαρμογή τεχνικών μηχανικής μάθησης. Ειδικά η επεξεργασία εικόνας, η ανίχνευση αντικειμένων και η εξαγωγή χαρακτηριστικών/ιδιοτήτων ασθενειών από κάθε είδους δεδομένα εισόδου αποτελούν τις πιο σημαντικές εφαρμογές τεχνικών μηχανικής μάθησης στην Ιατρική.
Παλαιότερα, πριν την εποχή της Μηχανικής Μάθησης, η εξαγωγή χαρακτηριστικών ήταν περιορισμένη. Τα νευρωνικά δίκτυα διαθέτουν μεθόδους για την επίτευξη τόσο της εξαγωγής χαρακτηριστικών όσο και της αξιολόγησης χαρακτηριστικών, φτάνοντας έτσι σε αποφάσεις φιλτράροντας τις άσχετες εξαγόμενες πληροφορίες. Τα δεδομένα επεξεργάζονται και αναπαρίστανται μέσω μαθηματικών διαδικασιών και αυτή η αναπαράσταση οδηγεί στην εξαγωγή αναρίθμητων ιδιοτήτων–χαρακτηριστικών που εξάγονται από τις εικόνες εισόδου. Η μηχανική μάθηση εξειδικεύεται σε μη-γραμμικά προβλήματα, γι’ αυτό και η αξιοποίησή τους στον τομέα των ιατρικών εικόνων είναι υποσχόμενη.
Το αντικείμενο της παρούσας διατριβής είναι να διερευνήσει τα οφέλη των τεχνικών μηχανικής μάθησης στην ιατρική, όπως η κατηγοριοποίηση εικόνων, η εξαγωγή χαρακτηριστικών ασθενειών μέσω εικόνων, η τμηματοποίηση εικονιζόμενων ανθρώπινων οργάνων και η αξιολόγηση σοβαρότητας ασθενειών και βιοδεικτών. Η ερμηνεία των αποτελεσμάτων γίνεται και από τους δύο τομείς, της ιατρικής και της πληροφορικής.
Στόχος είναι η παρουσίαση μοντέλων δυναμικής αξιολόγησης της σοβαρότητας μιας ασθένειας και εξαγωγής σημαντικών χαρακτηριστικών της. Αυτή η εργασία αφορά στο καρκίνο ήπατος, στην κολίτιδα, σε αναπνευστικά προβλήματα όπως το άσθμα. Πιο συγκεκριμένα, τα μοντέλα αυτά θα μπορούσαν να αξιοποιηθούν ως διαγνωστικά εργαλεία σε πραγματικό χρόνο και ως βοηθητικά συστήματα λήψης ιατρικών αποφάσεων σε πραγματικές συνθήκες.
Εφαρμόζεται η συστημική προσέγγιση που αρχίζει με τα στοιχεία εισόδου. Τα στοιχεία αυτά αφορούν τον ασθενή: ποντικός ή άνθρωπος (χαρακτηριστικά) και τα χαρακτηριστικά ασθένειας: ηπατικό καρκίνο, κολίτιδα, αναπνευστικό πρόβλημα όπως άσθμα. Συνεχίζουμε με την ευφυή - αλγοριθμική, στατιστική κ.λπ. - επεξεργασία αυτών των στοιχείων (α) για να εκτιμήσουμε την τρέχουσα κατάσταση και σοβαρότητα της ασθένειας, τα χαρακτηριστικά του ασθενή και τις συνθήκες και (β) για να κατανοήσουμε την κατάσταση και να υποστηρίξουμε παθητικά ή ενεργά το γιατρό ή ερευνητή υγείας, με τη σχετική διάγνωση ή πρόγνωση.
Η σάρωση των ανθρώπινων οργάνων και τα αποτελέσματα αυτής σε μορφή Magnetic Resonance Imaging (MRI) ή Computed Tomography (CT) παίζει ένα σημαντικό ρόλο στη διάγνωση και στην κατηγοριοποίηση των βλαβών/ασθενειών όπως είναι οι καρκινικοί όγκοι, ή/και στην αξιολόγηση του ποσοστού σοβαρότητας κάποιας ασθένειας. Στόχος της παρούσας διατριβής είναι να προτείνει τις βέλτιστες επιλογές ανάπτυξης και υλοποίησης μοντέλων εκπαίδευσης με τεχνικές μάθησης (machine learning) για πληροφοριακά συστήματα, που αξιοποιούν τις δυνατότητες των κινητών τηλεφώνων / συσκευών και του παγκόσμιου ιστού (web app) ώστε να ανιχνεύουν ασθένειες και τα χαρακτηριστικά τους, το είδος πειραματικού δείγματος. Επίσης, η έρευνα εστιάζει στην ανίχνευση χαρακτηριστικών διάφορων ασθενειών, όπως άσθμα ή ελκώδης κολίτιδα, μέσω αλγορίθμων τεχνικής μάθησης που εφαρμόζονται σε δεδομένα εικόνων Magnetic Resonance Imaging (MRI) / Computed Tomography (CT) ή ιστολογικών εικόνων. Η ανίχνευση και ανάλυση χαρακτηριστικών ασθενειών γίνεται χωρίς απαίτηση προσωπικών στοιχείων από τον εκάστοτε χρήστη της εφαρμογής ή του συστήματος. Η έρευνα περιλαμβάνει στατιστική ανάλυση όλων των αλγορίθμων εκπαίδευσης των προτεινόμενων συστημάτων, στηριγμένη στον υπολογισμό τιμών μια ποικιλίας μετρικών. Προσφέρεται η δυνατότητα ενημέρωσης, παρακολούθησης, επαναξιολόγησης των ασθενειών όπως καρκίνος, κολίτιδα, άσθμα, κλπ., μέσω μιας απλής ως προς τη χρήση εφαρμογής κινητού τηλεφώνου ή web εφαρμογής.
Στόχος της έρευνας είναι η ανάπτυξη έξυπνων πληροφοριακών συστημάτων που μπορούν να βοηθήσουν σημαντικά στη διάγνωση και πρόγνωση, άμεσα και με ακρίβεια. Οι προτεινόμενες μέθοδοι θα μπορούσαν να χρησιμοποιηθούν σε πραγματικές συνθήκες από νοσοκομεία και χώρους έρευνας θεμάτων υγείας.
|
|---|
