Εκτίμηση αβεβαιότητας για την πρόβλεψη της αθηροσκλήρωσης με χρήση υπερηχογραφημάτων καρωτίδων και τεχνικών βαθιάς μάθησης

Abstract

Η καρωτιδική αθηροσκλήρωση, δηλαδή η στένωση των καρωτιδικών αρτηριών λόγω δημιουργίας αθηρωματικών πλακών, αποτελεί μία από τις κύριες αιτίες ισχαιμικών εγκεφαλικών επεισοδίων. Η πάθηση εξελίσσεται συχνά ασυμπτωματικά έως ότου εκδηλωθεί με οξεία αγγειακά συμβάντα, γεγονός που καθιστά τη μη επεμβατική και έγκαιρη διάγνωση εξαιρετικά σημαντική. Οι εξελίξεις στην ιατρική απεικόνιση, σε συνδυασμό με υπολογιστικά εργαλεία τεχνητής νοημοσύνης, προσφέρουν νέες δυνατότητες στην πρόβλεψη της νόσου και την υποστήριξη της ιατρικής απόφασης. Η παρούσα εργασία εξετάζει την ενσωμάτωση της εκτίμησης αβεβαιότητας σε μοντέλα βαθιάς μάθησης για την πρόβλεψη της αθηροσκλήρωσης με βάση υπερηχογραφήματα καρωτίδων. Συγκεκριμένα, αναπτύσσονται και αξιολογούνται δύο προσεγγίσεις: το Monte Carlo Dropout και τα Deep Ensembles, οι οποίες προσφέρουν όχι μόνο προβλέψεις αλλά και ποσοτικά μέτρα εμπιστοσύνης, ενισχύοντας τη διαφάνεια και την ασφάλεια στη λήψη ιατρικών αποφάσεων. Για τη μελέτη αξιοποιούνται προεκπαιδευμένα συνελικτικά νευρωνικά δίκτυα με τεχνικές μεταφοράς μάθησης, εκπαιδευμένα σε υπερηχογραφικές εικόνες από τις μελέτες CUBS και ATTIKON, καθώς και σε εκτός κατανομής δεδομένα (OOD). Αξιολογείται η ακρίβεια, η ικανότητα γενίκευσης σε άγνωστα δεδομένα και η επίδοση σε δείγματα υψηλής βεβαιότητας βάσει της εκτιμώμενης αβεβαιότητας. Τα πειραματικά αποτελέσματα έδειξαν ότι το Monte Carlo Dropout υπερέχει στην ανίχνευση και διαχείριση μετατοπισμένων ή άγνωστων κατανομών, επιτυγχάνοντας υψηλό AUC (0.9589) για τον εντοπισμό εκτός κατανομής δειγμάτων. Αντίστοιχα, τα Deep Ensembles παρουσίασαν υψηλή αξιοπιστία στην απομόνωση προβλέψεων χαμηλής αβεβαιότητας, ενισχύοντας τη διαγνωστική ακρίβεια σε ελεγχόμενα σενάρια χρήσης. Οι δύο μέθοδοι αναδεικνύονται ως συμπληρωματικά εργαλεία, κατάλληλα για διαφορετικές κλινικές απαιτήσεις. Η εργασία τεκμηριώνει την αξία της εκτίμησης αβεβαιότητας στην ιατρική τεχνητή νοημοσύνη και αναδεικνύει τη δυνατότητα ανάπτυξης μοντέλων που προσφέρουν όχι μόνο ακριβείς αλλά και αξιόπιστες προβλέψεις, συμβάλλοντας στην ασφαλέστερη και διαφανέστερη υποστήριξη της ιατρικής απόφασης.