Ανάπτυξη Συστημάτων Υποστήριξης Κλινικών Αποφάσεων Με Χρήση Μεθόδων Τεχνητής Νοημοσύνης

Abstract

Στα πλαίσια της παρούσας διδακτορικής διατριβής εξετάζεται η χρήση μεθόδων Τεχνητής Νοημοσύνης (ΤΝ) για την ανάπτυξη και βελτιστοποίηση συστημάτων υποστήριξης κλινικώναποφάσεων θεραπευτικής και διαγνωστικής φύσης.Στο πρώτο μέρος της διατριβής περιγράφονται δύο συστήματα που αφορούν στην υποστήριξη αποφάσεων σχετικά με τη θεραπευτική αγωγή ασθενών που πάσχουν από διαβήτη Τύπου 1 (ινσουλινο-εξαρτώμενων ασθενών). Το πρώτο σύστημα αναφέρεται στον προσδιορισμό του βέλτιστου σχήματος (συνδυασμού τύπων και χρονικού σχήματος λήψης) ινσουλίνης και της κατάλληλης δοσολογίας ινσουλίνης, έτσι ώστε η συγκέντρωση της γλυκόζης αίματος του ασθενούς να παραμένει εντός φυσιολογικών ορίων. Το σύστημα, το οποίο αποτελείται από δύο επάλληλα Νευρωνικά Δίκτυα (ΝΔ) πρόσθιας τροφοδότησης, χρησιμοποιεί πληροφορία από μια βάση δεδομένων διαβητικών ασθενών και παρέχει συμβουλή για το 24-ώρο σχήμα και τις δόσεις ινσουλίνης, που πρέπει να ληφθούν από τον ασθενή. Αποδείχτηκε ότι η απόδοση του συστήματος στον προσδιορισμό του σχήματος ινσουλίνης είναι ικανοποιητική, ενώ για τη ρύθμιση της δόσης ινσουλίνης είναι απαραίτητη η χρήση εξατομικευμένων δεδομένων. Η απαίτηση αυτή λαμβάνεται υπόψη κατά τη σχεδίαση και ανάπτυξη ενός πρωτότυπου εξατομικευμένου συστήματος υποστήριξης της αγωγής ασθενών που πάσχουν από διαβήτη Τύπου 1, το οποίο βασίζεται στο συνδυασμό διαμερισματικών μοντέλων με τεχνικές ΝΔ. Το σύστημα χρησιμοποιεί αποκλειστικά καταγραφές (μετρήσεις γλυκόζης αίματος, λαμβανόμενη ινσουλίνη, υδατάνθρακες γεύματος) του συγκεκριμένου ασθενή για τον οποίο προορίζεται και πραγματοποιεί βραχυπρόθεσμη πρόβλεψη της συγκέντρωσης της γλυκόζης αίματος. Παράλληλα παρέχει τη δυνατότηταρύθμισης της δόσης της ινσουλίνης, ώστε να εξασφαλίζεται η αποφυγή έντονων μεταβολικών καταστάσεων (υπογλυκαιμίας, υπεργλυκαιμίας).Το δεύτερο μέρος της διατριβής αναφέρεται στην υποβοήθηση της διάγνωσης εστιακών ηπατικών βλαβών από εικόνες Αξονικής Τομογραφίας (ΑΤ), με σκοπό τη μείωση τωνάσκοπων βιοψιών. Ως είσοδος στο σύστημα χρησιμοποιούνται περιοχές ενδιαφέροντος (υγιές παρέγχυμα, κύστη, αιμαγγείωμα, ηπατοκυτταρικός καρκίνος) που έχουν επιλεγεί από ειδικό ακτινολόγο σε εικόνες ΑΤ χωρίς έγχυση σκιαγραφικού. Το σύστημα αποτελείται από δύοβαθμίδες: τη βαθμίδα εξαγωγής χαρακτηριστικών και τη βαθμίδα ταξινόμησης. Κάθε μία από τις περιοχές ενδιαφέροντος εφαρμόζεται στη βαθμίδα εξαγωγής χαρακτηριστικών για τον υπολογισμό ενός συνόλου 48 χαρακτηριστικών υφής, τα οποία σε συνδυασμό με τη μέσηγκρίζα στάθμη, αποτελούν την είσοδο της βαθμίδας ταξινόμησης. Για την ανάπτυξη της βαθμίδας ταξινόμησης ελέγχθηκαν και συγκρίθηκαν διάφορες αρχιτεκτονικές ΝΔ. Ωςβέλτιστη επιλογή αποδείχτηκε η χρήση τριών ΝΔ τοποθετημένων σε σειρά. Επειδή το αρχικό πλήθος των χαρακτηριστικών είναι μεγάλο, πραγματοποιήθηκε μείωση της διάστασης του αρχικού διανύσματος των χαρακτηριστικών με διάφορες ευρετικές και στατιστικές τεχνικές. Η τελική μορφή του συστήματος υποστήριξης διάγνωσης ενσωματώθηκε στο ολοκληρωμένο λογισμικό «Διάγνωση», το οποίο στοχεύει στην αύξηση της διαχειριστικής και διαγνωστικής ικανότητας εικόνων ΑΤ.Τέλος, στα πλαίσια της παρούσας διδακτορικής διατριβής αναπτύχθηκε ένας υβριδικός αλγόριθμος εκπαίδευσης ΝΔ, ο οποίος αυτοματοποιεί τη διαδικασία βελτιστοποίησης τηςαρχιτεκτονικής του ΝΔ και των παραμέτρων εκπαίδευσής του. Ο αλγόριθμος βασίζεται στη συνδυασμένη χρήση γενετικών αλγορίθμων, για την εύρεση της περιοχής του ολικού ελαχίστου, και του αλγορίθμου της όπισθεν διάδοσης σφάλματος με συντελεστή ορμής και μεταβλητό συντελεστή εκμάθησης, για τον ακριβή προσδιορισμό του ολικού ελαχίστου. Η εφαρμογή του υβριδικού αλγορίθμου σε τρία προβλήματα υποστήριξης κλινικών αποφάσεων, όχι μόνο απλοποίησε τη διαδικασία προσδιορισμού της αρχιτεκτονικής του ΝΔ και των παραμέτρων εκπαίδευσής του, αλλά βελτίωσε και την απόδοση των συστημάτων.