Στοιχεία επιβλεπόντων καθηγητών:
Ηλίας Σ. Μανωλάκος, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Περίληψη:
Η έγκαιρη και ακριβής διάγνωση της Ήπιας Γνωσιακής Διαταραχής (ΗΓΔ) αποτελεί
σημαντικό πρόβλημα, καθώς η ΗΓΔ συχνά είναι πρόδρομο στάδιο της νόσου του Αλτσχάιμερ.
Μια μη επεμβατική διαγνωστική προσέγγιση ευρέως προσβάσιμη στο πληθυσμό θα ήταν
εξαιρετικά σημαντική, αυξάνοντας την πιθανότητα έγκαιρης ανίχνευσης και επιτρέποντας την
άμεση αντίδραση για τη διατήρηση της γνωσιακής λειτουργίας και της ποιότητας ζωής των
ατόμων με ΗΓΔ. Η ανάπτυξη μη επεμβατικών μεθόδων ψηφιακής ιατρικής χαμηλού κόστους
για την έγκαιρη διάγνωση της ΗΓΔ μπορεί να οδηγήσει σε καλύτερη διαχείριση αυτής της
πάθησης και αποτελεί σημαντικό βήμα προς την πρόληψη ή την καθυστέρηση της εμφάνισης
της νόσου του Αλτσχάιμερ και των καταστροφικών επιπτώσεών της στους πάσχοντες και τις
οικογένειές τους.
Η ακτιγραφία, η οποία περιλαμβάνει τη συνεχή παρακολούθηση των κύκλων σωματικής
δραστηριότητας και ανάπαυσης με χρήση φορητών συσκευών, μπορεί να προσφέρει
πολύτιμες πληροφορίες για την παρουσία της ΗΓΔ σε υποψήφιους ασθενείς. Η παρούσα
διπλωματική εργασία πραγματοποιήθηκε σε συνεργασία με την ομάδα της μελέτης ALBION,
του Αιγινήτειου Νοσοκομείου του Εθνικού και Καποδιστριακού Πανεπιστημίου Αθηνών. Τα
δεδομένα ακτιγραφίας (χρονοσειρές επτά (7) ημερών) από άτομα με φυσιολογική γνωσιακή
λειτουργία και άτομα με ΗΓΔ συλλέχθηκαν μέσω συσκευής ακτιγράφου πριν την επίσκεψη
στο Νοσοκομείο. Μέσω της ανάλυση συνημίτονου, υπολογίσαμε παραμετρικά
χαρακτηριστικά του σήματος, όπως η μέση δραστηριότητα, (Mesor), το Εύρος (μεγαλύτερο
μέγεθος του σήματος, Amplitude) και η Ακρόφαση (ο χρόνος της μεγαλύτερης κορυφής του
σήματος, Acrophase). Στη συνέχεια, αναπτύξαμε μια ροή εργασίας μηχανικής μάθησης που
χρησιμοποιεί αυτά τα χαρακτηριστικά του σήματος για την ταξινόμηση δειγμάτων ΗΓΔ έναντι
φυσιολογικών, προσπαθώντας να προβλέψουμε την ανεξάρτητη μεταβλητή (endpoint)
«Διάγνωση», μια δυαδική ταξινόμηση των δειγμάτων που πραγματοποιείται από ειδικούς
ιατρούς μετά από αξιολόγηση του κάθε ασθενούς στη κλινική χωρίς τη χρήση των δεδομένων
ακτιγραφίας. Η ροή εργασιών που αναπτύξαμε εκτελεί ένα ευρύ φάσμα βημάτων
προεπεξεργασίας του σήματος δραστηριότητας, εξετάζοντας μια ποικιλία ρυθμίσεων, και με
αυτόν τον τρόπο διερευνάται το πλήρες εύρος των δυνατοτήτων διαχωρισμού των δύο
κλάσεων μέσω των παραμετρικών χαρακτηριστικών. Τα επιλεγμένα καλύτερα μοντέλα
πρόβλεψης ερμηνεύονται μέσω SHAP (SHapley Additive Explanations) ανάλυσης για να
εντοπιστούν τα πιο σημαντικά χαρακτηριστικά και η επίδρασή τους στα αποτελέσματα
ταξινόμησης, παρέχοντας πολύτιμες πληροφορίες στους κλινικούς γιατρούς για κάθε δείγμα.
Συμπεράναμε ότι για το σύνολο δειγμάτων της μελέτης ALBION, στην τρέχουσα κατάστασή
του, οι χαμηλότερες τιμές Μέσορ, Ακροφάσης και Εύρους συσχετίζονται με την κλάση ΗΓΔ.
Συγκεκριμένα, οι χαμηλότερες τιμές Μέσορ, Ακροφάσης και Εύρους έχουν ισχυρή συσχέτιση
με τα δείγματα ΗΓΔ, ενώ υψηλότερη Ακροφάση σχετίζεται με την κλάση των φυσιολογικών
δειγμάτων. Τα αποτελέσματά μας συμφωνούν με τη διαθέσιμη πρόσφατη βιβλιογραφία.
Επιπλέον, παρουσιάζουμε μια συλλογή μοντέλων μηχανικής μάθησης που φτάνουν τιμές για
την αναμενόμενη ειδικότητα (specificity) 0,88 και ευαισθησία (sensitivity) 0,5 σε νέα δεδομένα
για το μοντέλο. Συγκεκριμένα, η ροή εργασίας αυτή, μας επιτρέπει να εξερευνήσουμε
πλήρως τον μεγάλο χώρο των πιθανών λύσεων που προσφέρουν τα ανεπτυγμένα μοντέλα
μηχανικής μάθησης όσον αφορά την ευαισθησία και την ειδικότητα των προβλέψεών τους.
Καθώς το ALBION είναι μια συνεχιζόμενη μελέτη, αναμένουμε ότι οι ικανότητες γενίκευσης
των ερμηνεύσιμων μοντέλων μηχανικής εκμάθησης που μπορούν να αναπτυχθούν θα
βελτιώνονται καθώς αυξάνεται το πλήθος των δειγμάτων τη μελέτης και η ισορροπία των
κλάσεων σε αυτά.
Λέξεις-κλειδιά:
Νόσος του Alzheimer, Ήπια Γνωστική Διαταραχή, ΗΓΔ , ακτιγραφία, χρονοσειρές, μηχανική μάθηση, ταξινόμηση, επιστήμη δεδομένων, ανάλυση συνημίτονου, τιμές Shapley
