APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA 3

1
APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA
MEDICINA3
2
RETE NEURALE PER LA DEFINIZIONE DI QUADRI
PROGNOSTICI
3
I DATI BIOMEDICI

• I sistemi di diagnosi automatica hanno avuto
  scarso impatto in medicina.
• I dati biomedici hanno caratteristiche resistenti
  allanalisi standard
• - soggettività di segni e sintomi
• - inaccuratezza delle msiure (apparecchiature e
  medici diversi)
• - alto contenuto in rumore
• - incompletezza.

4
RETI NEURALI BIOMEDICHE

• Le reti neurali, essendo fault tolerant, sono
  ottime per il trattamento di informazione
  incompleta e rumorosa.
• Reti famose
• BP si Saito e Nakano sullemicrania
• Bounds e Lloyd sul mal di schiena
• Yoon sulla dermatologia
• Hutton e Blumenfeld sul diabete
• Calvert sulle lesioni cerebrali
• Apolloni sullepilessia
• Anderson , The Instant Physician.
• Le prestazioni di queste reti non scendono mai
  sotto l80 di successi .

5
IL PROBLEMA

• Cardiochirurgia pediatrica Ospedali Riuniti di
  Bergamo
• 589 operazioni di shunt sistemico-polmonare
• 22 variabili
• ID paziente
• Diagnosi
• Data di nascita
• Data I operazione
• Peso
• Chirurgia pregressa
• Tipo di chirurgia
• Tipo di shunt

• Diametro shunt
• Posizione shunt (sx/dx)
• Diametro arteria polmonare
• Diametro arteria succlavia
• Chirurgia associata
• Data follow-up
• Lunghezza follow-up
• Esito (vivo/morto)
• Esito (shunt chiuso/aperto)
• Circolazione extracorporea (sì/no)

6
IL PROBLEMA

• Interessa identificare le variabili
  significative nel predire lesito dello shunt e
  del paziente.
• Questa informazione è utile al medico per
  scegliere in seguito il tipo di shunt.
• E stata utilizzata una rete Counterpropagation
  (R. Hecht-Nielsen) che unisce due differenti
  strati
• uno strato di Kohonen e uno tipo instar-outstar
  di Grossberg.
• In questo secondo strato la rete propaga in
  controflusso associando un output a ciascun
  neurone vincente.
• Ciascun elemento dello strato di Grossberg riceve
  un insieme di input (x1,...xn,y) ciascuno con
  peso wi ed emette un output y.
• Gli xi vanno pensato come stimoli condizionati
  (interni al cervello) e y come stimolo
  condizionato esterno.

7
RETE COUNTERPROPAGATION

• Laggiornamento dei pesi sarà
• winew wiold a(xi y wiold) U(xi)
• dove U vale 1 se wiold gt0 e zero altrove.
• Questa legge modifica solo il peso associato
  allelemento vincente di Kohonen, in modo che
  apprende la media dei valori yj associati ai
  valori di x che fanno vinvìcere lelemento di
  Kohonen i.
• Lo MSE della rete può essere reso piccolo a
  piacere pur di scegliere N abbastanza grande.
• La counterpropagation ha tempo di apprendimento
  inferiore alla backpropagation.

8
CONFIGURAZIONE

• Le variabili di input prescelte
• Età allintervento
• Peso
• Chirurgia pregressa
• Tipo di chirurgia
• Tipo di shunt
• Diametro shunt
• Posizione shunt (sx/dx)
• Diametro arteria polmonare
• Diametro arteria succlavia
• Lunghezza follow-up.
• La variabile di Output prescelta è stata
• Esito (vivo/morto).

9
CONFIGURAZIONE

• La rete è stata configurata con 9 neuroni di
  input, 15 di strato di Kohonen, 1 di output.
• Un valore di output prossimo a 1 indica
  sopravvivenza .
• I tassi di apprendimento sono stati lievemente
  decrementati ogni 2000 cicli, partendo da 0.4 per
  arrivare a 0.1 per il tasso di Kohonen e a 0.001
  per quello di Grossberg.
• Da 520 pazienti iniziali, 420 sono stati scelti
  per laddestramento e 100 per il file di test.

10
RISULTATI

• La rete ha ottenuto un successo dell88.
• Poichè solo 3 neurono venivano attivati, sono
  stati eliminati i 12 che non vincevano per
  snellire il calcolo.
• Su 10000 cicli e con 10 diversi file di training
  sono stati osservati successi fra il 91 e il 99
  sul singolo test.
• Questi risultati, decisamente più alti da quelli
  ottenibili dal medico esperto., sono un risultato
  che va considerato utile per la pratica clinica.

11

• UN SISTEMA BASATO SU CONOSCENZA PER LA DIAGNOSI
  DELLE POLMONITI DA HIV

12
LA POLMONITE DA HIV

• La polmonite nei soggetti affetti da HIV si
  accompagna spesso a sintomi non specifici
  (febbre, stanchezza, perdita di peso) ed è
  causata da moltissimi batteri (pneumococco,
  legionella, stafilococco,Haemofilo, ecc.) che ne
  rendono diffifile la corretta diagnosi
  differenziale e terapia.
• E quindi utile un sistema che riesca a dare una
  valutazione diagnostica e terapeutica a partire
  da un set di dati ristretto.
• Il sistema può anche servire come strumento
  didattico e per controllare la validità delle
  ipotesi del medico.

13
RAPPRESENTAZIONE DELLA CONOSCENZA

• La rappresentazione della conoscenza prescelta
  deve tener conto di dati di laboratorio e
  strumentali oltre che dellosservazione
  obiettiva.
• E stato utilizzato un approccio object-oriented
  perchè cattura meglio il modo in cui il clinico
  lavora.
• La procedura di inferenza usa il concetto di
  ereditarietà e permette di creare nuove classi
  senza dover modificare o cancellare le vecchie.
• Classi e oggetti sono stati implementati usando i
  frames.
• Ogni frame ha un nome e 4 slots che contengono
  informazioni di diverso genere.

14
UN FRAME

• Es. Polmonite da Citomegalovirus
• DATI EPIDEMIOLOGICI
• Appare generalmente in associazione con altre
  polmoniti, specialmente la Pneumocystis Carinii
• Compare quasi sempre in pazienti con CD4 lt
  200/mmc
• QUADRO CLINICO
• E in genere associata con infezione da
  Citomegalovirus in altri siti (retina, fegato,
  tratto gastrointestinale, SNC,...)
• Sintomi frequenti ma non obbligatori febbre,
  tosse non produttiva, dispnea, peggioramento
  delle condizioni generali
• TEST DI LABORATORIO
• Raggi X del torace diffuso infiltrato
  bilaterale, raramente noduli e piccole cavità
• DIAGNOSI
• dimostrazione dellevidenza di Citomegalovirus
  nel sangue, proncoaspirato, sputo, biopsia
  polmonare, urine
• esclusione di altri tipi di polminite
  interstiziale.

15
SLOT AKO

• Si forma così la classe POLMONITE INTERSTIZIALE
  e loggetto Polmonite da Citomegalovirus con i 4
  slots che ne definiscono gli attributi.
• Ogni frame comprende anche uno slot AKO (a kind
  of) che contiene informazioni su come il frame in
  esame sia specializzazione di altri e chiarisce
  il meccanismo di ereditarietà.
• Frame (citomegalovirus , ako-polmonite
  interstiziale
• Dati epidemiologici
• altri tipi di polmonite YES
• CD4 meno di 200/mmc
• .......)

16
REGOLE DI PRODUZIONE

• La domain knowledge pertanto è rappresentata dai
  frames connessi fra loro per mezzo di relazioni
  di specializzazione, generalizzazione e
  causalità.
• E stata anche immagazzinata conoscenza di tipo
  diverso (aspetti medici più generali) attraverso
  regole di produzione
• IF anni(più di 18) AND n_leucociti(meno di 2500)
• Then N_LEUCOCITI (BASSO).

17
TRATTAMENTO DELLINCERTEZZA

• Le regole di produzione vengono confrontate con i
  dati del paziente ed il loro valore è usato negli
  oggetti.
• Sono state aggiunte anche regole di inferenza
  euristica per stabilire una connessione causale
  fra sintomi e malattie.
• Lincertezza delle regole è stata trattata con
  pesi da 0 a 100 in base allimportanza nel
  processo di diagnosi. Dati assenti hanno valore
  negativo.

18
PROLOG

• Lalgoritmo è stato poi implementato in PROLOG
  che possiede un motore di inferenza backward
  chaining interno.
• Il sistema si è rivelato utile per la possibilità
  di spiegare le catene di inferenza utilizzate per
  giungere alla conclusione, dando modo al medico
  di verificare la correttezza dellipotesi
  diagnostica.