Ανάπτυξη μοντέλων βαθιάς μάθησης για την εκτίμηση της επικινδυνότητας αθηρωματικών πλακών σε ασθενείς με καρωτιδική νόσο με χρήση μεθόδων ενεργητικής μάθησης

Abstract

Η αθηροσκλήρωση αποτελεί την πρωταρχική αιτία των καρδιαγγειακών νοσημάτων, οι οποίες αποτελούν την κύρια αιτία θανάτου και αναπηρίας παγκοσμίως επηρεάζοντας εκατομμύρια ανθρώπους κάθε χρόνο. Οι επιδημιολογικές μελέτες αναδεικνύουν πολλούς παράγοντες κινδύνου για την αθηροσκλήρωση, ενώ η εξασφάλιση κατάλληλης θεραπείας για τους ασθενείς κρίνεται ουσιώδης για την πρόληψη πρόωρων θανάτων και τη διαχείριση των επιπλοκών της ασθένειας. Η χρήση αλγορίθμων μηχανικής μάθησης στην ιατρική επιστήμη έχει τη δυνατότητα να βελτιώσει σημαντικά τη διαδικασία διάγνωσης επιτρέποντας την πρόβλεψη και την ανίχνευση ασθενειών σε πρώιμα στάδια. Ωστόσο, η εκπαίδευση μοντέλων μηχανικής μάθησης στον τομέα αυτό αντιμετωπίζει προκλήσεις λόγω του συχνά περιορισμένου αριθμού δεδομένων. Η παρούσα διπλωματική εργασία έχει ως στόχο την ανάπτυξη και αξιολόγηση μοντέλων βαθιάς μάθησης για την κατηγοριοποίηση ασθενών με καρωτιδική νόσο σε δύο κατηγορίες, υψηλού και χαμηλού κινδύνου, αξιοποιώντας μεθόδους μεταφοράς μάθησης και ενεργητικής μάθησης. Για το σκοπό αυτό αξιοποιούνται προσαρμοσμένα προεκπαιδευμένα μοντέλα βαθιάς μάθησης του ImageNet (ResNet50, InceptionV3, VGG16, Xception) και δύο σύνολα δεδομένων. Το πρώτο σύνολο δεδομένων προέρχεται από τη μελέτη CUBS και απαρτίζεται από 366 υψηλού και 1.012 χαμηλού κινδύνου εικόνες που χρησιμοποιούνται για την εκπαίδευση και αξιολόγηση των αρχικών προβλεπτικών μοντέλων. Το δεύτερο σύνολο δεδομένων παραχωρείται από το ΑΤΤΙΚΟΝ νοσοκομείο και περιλαμβάνει 67 υψηλού και 20 χαμηλού κινδύνου εικόνες καρωτίδων υπερηχογραφημάτων β-σάρωσης. Το σύνολο αυτό αντιμετωπίζεται ως μια δεξαμενή με άγνωστες ετικέτες, από την οποία αντλούνται δείγματα με βάση την εφαρμογή διαφορετικών προσεγγίσεων δειγματοληψίας για την επανεκπαίδευση των μοντέλων. Παρά το μικρό μέγεθος της δεξαμενής και την ελλιπή εκπροσώπηση της κλάσης χαμηλού κινδύνου, η στοχευμένη επιλογή δειγμάτων κρίνεται εξαιρετικά αποτελεσματική, καθώς διασφαλίζει τη διατήρηση της επίδοσης στο άγνωστο σύνολο δεδομένων, οδηγώντας στην επίτευξη διακριτικής ικανότητας ανάλογης με αυτή που επιτυγχάνεται μέσω της εφαρμογής επιβλεπόμενης μάθησης.