Ανάπτυξη Ευφυών Μοντέλων Μηχανικής Μάθησης με Χρήση Πολυδιάστατων Δεδομένων για την Αξιολόγηση και Ταξινόμηση των Ασθενών με Χρόνιες Εμβοές

Abstract

Οι εμβοές συνίστανται στην αντίληψη ενός φανταστικού ήχου, συμπεριλαμβανομένης της αντίδρασης του ασθενούς σε αυτόν. Είναι ιδιαίτερα διαδεδομένες, με περισσότερους από 1 στους 7 ενήλικες στην Ευρωπαϊκή Ένωση (ΕΕ) να έχουν εμβοές, και προκαλούν αρνητικές επιπτώσεις στην ποιότητα ζωής πολλών ατόμων. Επί του παρόντος δεν υπάρχει θεραπεία για τις εμβοές, και η παθοφυσιολογία και η γένεσή τους είναι άγνωστες. Τα ακουστικά προκλητά δυναμικά (auditory evoked potentials, AEPs) παρέχουν ένα μη επεμβατικό μέσο με το οποίο μπορούν να καταγραφούν τα ηλεκτρικά σήματα που προκαλούνται από τον εγκέφαλο, και αποτελούν χρήσιμο δείκτη για την αξιολόγηση ακουστικών διαταραχών όπως οι εμβοές και η απώλεια ακοής. H παρούσα διατριβή έχει ως στόχο την εκτίμηση της δυνητικής συμβολής των πρώιμων και μέσων AEPs στον προσδιορισμό του προφίλ των ασθενών με χρόνιες υποκειμενικές εμβοές, ανάλογα με τη δυσφορία και το βαθμό αναπηρίας που προκαλεί το σύμπτωμα. Λαμβάνοντας υπόψη τα προαναφερθέντα στοιχεία η παρούσα διδακτορική διατριβή παρουσιάζει την ανάπτυξη μοντέλων, βασισμένων στην τεχνητή νοημοσύνη, με σκοπό την ταξινόμηση των πασχόντων από εμβοές σύμφωνα με το επίπεδο δυσφορίας τους. Όλα τα δεδομένα συλλέχθηκαν στα πλαίσια του ευρωπαϊκού ερευνητικού έργου UNITI (Unification of treatments and Interventions for Tinnitus patients), και προήλθαν από ασθενείς χρόνιων υποκειμενικών εμβοών τριών διαφορετικών κλινικών κέντρων στην ΕΕ. Τα χαρακτηριστικά των μοντέλων προέρχονταν ως επί το πλείστον από τις κυματομορφές ακουστικής ανταπόκρισης του εγκεφαλικού στελέχους (auditory brainstem response, ABR) και τις κυματομορφές ακουστικής απόκρισης μέσης λανθάνουσας περιόδου (auditory middle latency response, AMLR), και δευτερευόντως από τα υπόλοιπα επιλεγμένα κλινικά δεδομένα του έργου. Όσον αφορά στις κυματομορφές, αρχικά δύο αυτοματοποιημένα εργαλεία σχολιασμού αναπτύχθηκαν και παρουσιάστηκαν λεπτομερώς, η εφαρμογή των οποίων οδήγησε στον εντοπισμό των κυμάτων ενδιαφέροντος των κυματομορφών και κατ’ επέκταση στον άμεσο υπολογισμό των βασικών μετρικών τους. Στη συνέχεια, τα στάδια εξαγωγής κι επιλογής χαρακτηριστικών περιείχαν μεταξύ άλλων, στατιστικές αναλύσεις, προηγμένες μεθόδους μετασχηματισμών διασποράς κυματιδίων (wavelet scattering transforms, WSTs), και τη μέθοδο συρρίκνωσης LASSO (least absolute shrinkage and selection operator). Αρκετά μοντέλα αναπτύχθηκαν και δοκιμάστηκαν σε διαφορετικά σύνολα δεδομένων για την πληρέστερη ικανοποίηση των απαιτήσεων της ταξινόμησης. Επτά γνωστοί ταξινομητές χρησιμοποιήθηκαν σε όλα τα δημιουργηθέντα σύνολα δεδομένων: τυχαία δάση (random forests, RF), ακτινωτός, γραμμικός, και πολυωνυμικός ταξινομητής των μηχανών διανυσμάτων υποστήριξης (radial, linear, poly support vector machines, SVM), αφελής Bayes (naïve bayes, NB), νευρωνικά δίκτυα (neural networks, NN) και γραμμική διακριτική ανάλυση (linear discriminant analysis, LDA). Για την αξιολόγηση όλων των μοντέλων χρησιμοποιήθηκε δεκαπλή (10-fold) διασταυρούμενη επικύρωση. Τα αποτελέσματα των αναλύσεων ανέδειξαν τα χαρακτηριστικά που προήλθαν από το δίκτυο διασποράς κυματιδίων των AMLR σημάτων, ως τα πιο πληροφοριακά δεδομένα της μελετώμενης ταξινόμησης. Τα τελευταία χαρακτηριστικά, σε συνδυασμό με τα 15 επιλεγμένα από τη μέθοδο LASSO κλινικά χαρακτηριστικά και τον ακτινωτό ταξινομητή SVM, πέτυχαν τις υψηλότερες τιμές στα μέτρα απόδοσης εκτίμηση περιοχής κάτω από την καμπύλη (area under the curve, AUC) (93,08%), ευαισθησία (84,84%) και ειδικότητα (83,04%).