APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA 4

1
APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA
MEDICINA4
2

IDENTIFICAZIONE DI TUMORI POLMONARI BASATA SU
ENSEMBLE DI RETI NEURALI

• Chiave della cura del tumore polmonare è la
  diagnosi precoce. La diagnosi automatica diventa
  quindi sempre più importante.
• Diversi esempi di reti neurali sono stati
  sviluppati a questo scopo.
• Descriviamo qui la Neural Ensemble-based
  Detection (NED).
• Utilizza le immagini di agobiopsie.
•  

3
ENSEMBLE DI RETI NEURALI

• Hansen e Salamon (1990) hanno dimostrato le
  ottime prestazioni di ensemble di ANN, ossia di
  varie reti le cui predizioni vengono combinate.
• Applicazione al riconoscimento di caratteri con
  20-25 di prestazioni in più rispetto ad una
  singola rete.
• E necessario un metodo sia per generare diverse
  reti da addestrare, sia per combinare diverse
  predizioni.
• Diversi metodi sono stati proposti, dalla
  combinazione per semplice media alluso della
  varianza e della correlazione.
•  

4
ENSEMBLE DI RETI NEURALI

• Ensemble di ANN sono state usate per
• -         riconoscimento di caratteri
• -         riconoscimento di volti
• -         classificazione di segnali sismici
• -         diagnosi di tumore della mammella
• .
•  

5
ENSEMBLE DI RETI NEURALI NED

• NED segue il metodo di diagnosi LCDS , che si
  abbina alla lastra del torace quando ci sono dei
  dubbi.
• Una telecamera riprende le immagini
  dellagobiopsia, poi un sistema di filtri
  migliora limmagine.
• Tecniche colorimetriche e morfologiche estraggono
  diverse features perimetro, area, rotondità,
  componenti rossa,verde, blu, proporzioni fra i
  colori.
• Un modulo a parte analizza le features e dà la
  diagnosi e il tipo di cellula.

6
ENSEMBLE DI RETI NEURALI NED

•  
• Il data set comprende 552 immagini di biopsie
  già etichettate
• 75 tumori
• Il set è stato diviso in 5 gruppi omogenei
• Ogni esperimento è stato ripetuto 5 volte, con 4
  set per il training e 1 per il testing.
• Allinizio fu usata una sola rete usando FANNC
• FANNC è un classificatore adattivo veloce (Fast
  Adaptive NN Classifier).

7
ENSEMBLE DI RETI NEURALI - NED

• Ai risultati dei 5 esperimenti è stata aggiunta
  la loro media.
• Sono stati valutati
• errore false identificazioni/numero di immagini
• errorefn numero di falsi negativi/numero
  cellule test
• errorefp numero di falsi positivi/numero di
  cellule test.
•  
• I risultati erano insoddisfacenti (accuratezza
  lt60)
•  

8
ENSEMBLE DI RETI NEURALI NED

• Sono stati provati due tipi di ensemble
• 1) combinazione delle predizioni via plurality
  voting
• Se ad es. due reti predicono NORMALE e due
  ADENOCARCINOMA, lidentificazione è data
  sbagliata.
• Se la cellula è tumorale vengono accresciute di
  uno sia gli errori che i falsi negativi.
• Se la cellula è normale vengono accresciuti di
  uno sia gli erroi che i falsi positivi.
• In questo modo i risultati migliorano molto
  rispetto alla singola rete
• Gli errori vengono dimezzati
• Ma i falsi negativi sono ancora il 7.3

9
ENSEMBLE DI RETI NEURALI NED

•  
• 2) Viene fatta una variazione della proposta di
  Sharkey ( due ensemble di cui uno con un set di
  esempi con prevalenza di reperti positivi ) per
  abbassare i falsi positivi
• Vengono addestrati 5 ensemble, ciascuno con 5
  reti ciascuna con esempi positivi nel 75 dei
  casi.
• Poi gli output dei 5 ensemble vengono combinati
  in modalità winner-take-all.
• In questo modo scende lerrore globale a 13.6 e
  scende lerrorefp fino a 2.9.

10
ENSEMBLE DI RETI NEURALI -NED

• Per abbassare i falsi negativi viene proposta
  NED, architettura ensemble a due livelli.
• Il primo livello giudica se una cellula è
  cancerosa
• Viene utilizzata la tecnica di predizione
  combinata full voting
• una predizione è data per valida quando tutte le
  reti individuali la convalidano.
• Questo avviene anche fra clinici per decidere se
  un paziente è sano.
• E utile quando ci sono solo due scelte e uno è
  molto più importante dellaltra.
•  

11
ENSEMBLE DI RETI NEURALI

• Per usare full voting le classi di output vengono
  ridotte a due
• 75 cellule cancerose / 25 cellule sane.
• Le cellule giudicate sane dal primo ensemble
  vengono passate al secondo ensemble per la
  classificazione.
• Nel secondo si usa il plurality voting come
  descritto.
• I risultati sono un miglioramento netto di tutti
  gli errori
•  
• Errore 11.6
• Errorefn 2.7
• Errorefp 4.5
•  
• Si pensa di migliorare il sistema utilizzando
  visulaizzazioni 3D.
•  

12
UN METODO DI RICERCA DI EPISODI ISCHEMICI BASATO
SU RETI NEURALI

•  
• Lischemia del miocardio è una fornitura di
  sangue insufficiente al muscolo cardiaco.
• Lo ECG presente in questo caso delle alterazioni
  (deviazione del segmento ST e/o dellonda T).
• La diagnosi di ischemia via ECG rileva il battito
  ischemico e lepisodio ischemico come sequenza
  di battiti ischemici.
• Sono stati proposti sistemi basati su regole,
  ANN, fuzzy logic, varie tecniche di analisi dei
  segnali.
• Poiché il rumore nellECG è una presenza
  importante, le ANN possono essere lo strumento
  adeguato.

13
UN METODO DI RICERCA DI EPISODI ISCHEMICI BASATO
SU RETI NEURALI

• La procedura proposta parte con un preprocessing
  dellECG eliminando rumore, interferenze
  elettriche e contaminazione elettromiografica.
• Un algoritmo di edge detection trova il punto J
  di inizio del ciclo cardiaco.
• A valle una rete neurale viene addestrata per
  classificare ogni battito cardiaco.
• Si cercano intervalli di circa 30s in cui almeno
  il 75 dei battiti sono ischemici.
• La percentuale 74 offre flessibilità nel caso di
  presenza di rumore.
•  

14
UN METODO DI RICERCA DI EPISODI ISCHEMICI BASATO
SU RETI NEURALI

• Per la classificazione dei battiti viene usata
  una rete feed-forward
• - 4 unità di input
• - 10 unità nascoste 1 unità di output.
• I pattern di input durano 400ms a partire da
  ogni punto J
• comprendono sia tratto ST che onda T.
• Per ridurre la dimensionalità dellinput viene
  usata lanalisi delle componenti principali
• Elimina le componenti che danno la minor
  varianza al training set.
• Vengono utilizzate le prime 4 componenti
  principali, che contengono il 95 della varianza.

15
UN METODO DI RICERCA DI EPISODI ISCHEMICI BASATO
SU RETI NEURALI

• La rete viene addestrata secondo la tecnica di
  regolarizzazione Bayesiana, che minimizza
•  
• E a1 S (ti oi)2 a2 S wi2
•  
• dove ti sono gli output desiderati, oi gli output
  durante il training, wi i pesi.
•  I pesi vengono aggiornati secondo la legge
•  
• wi1 wi JT J mI-1 JT
•  
• dove J è lo Jacobiano, I la matrice unitaria, e
  il vettore degli errori e m un parametro scalare.

16
UN METODO DI RICERCA DI EPISODI ISCHEMICI BASATO
SU RETI NEURALI

• Per costruire il dataset sono state utilizzate 11
  ore di registrazioni ECG.
• 86.384 battito sono stati classificati come
  normali, ischemici o artefatti. Gli artefatti
  sono stati eliminati, e sono rimasti 76.989
  battiti.
• Di questi 1936 sono stati usati per il learning e
  il resto per il testing.
• Sono stati provati diversi strati hidden e
  diverse tecniche di apprendimento..

17
UN METODO DI RICERCA DI EPISODI ISCHEMICI BASATO
SU RETI NEURALI

• Le prestazioni delle reti così ottenute sono
  state valutate usando sensibilità (se) e
  specificità (sp).
• Sensibilità è la probabilità che un battito
  anomalo risulti positivo al test
• Specificità è la probabilità che un battito sano
  risulti negativo al test
• La rete con le migliori prestazioni è stata usata
  come classificatore nel secondo stadio
  dellalgoritmo, sostituendo il sistema di regole.

18
UN METODO DI RICERCA DI EPISODI ISCHEMICI BASATO
SU RETI NEURALI

• Le migliori prestazioni risultano quelle con
  metodo Bayesiano con 10 nodi hidden.
• Il risultato è Se90, Sp90 (backpropagation
  89 e 88)
• contro Se70 e Sp63 del sistema di regole.
• Le prestazioni possono essere perfezionate da
• miglioramento della tecnica di edge detection
  per J o per T
• miglioramento delle tecniche di filtraggio del
  rumore.
• Svantaggio del metodo è che non fornisce alcuna
  interpretazione delloutput, utile al cardiologo.

19
DUE TECNICHE DI RULE EXTRACTION APPLICATE A
DISTURBI EPATOBILIARI 

• Gli algoritmi di estrazione di regole da reti
  neurali danno modo di capire la classificazione
  ottenuta in output.
• Le regole possono essere verificate da un esperto
• Le regole possono dare nuove informazioni sui
  dati
• Sono utili per il clinico che utilizza la rete
• Sono utili a scopo didattico.
•  

20
DUE TECNICHE DI RULE EXTRACTION

• Sono stati utilizzati i due algoritmi,
  NeuroLinear e NeuroRule, che hanno in comune i
  seguenti punti
• -      Addestrano e semplificano (pruning) reti
  con un unico strato nascosto
• -         Raggruppano i valori di attivazione
  dello strato nascosto
• -         Generano regole che esplicano loutput
  della rete
• -         Generano regole che esplicano i
  raggruppamenti di attivazione in funzione degli
  input
• -         Compongono i set di regole sopra
  esposti in un set di regole esplicative dei dati
  di input.
•  

21
DUE TECNICHE DI RULE EXTRACTION

• La differenza fra i due metodi sta nel fatto che
  NeurRule assume dati discreti, NeuroLinear non
  impone questa restrizione.
• I dati vengono discretizzati suddividendoli in 3
  subrange.
• Non si rileva diversa accuratezza nella rete ad
  input discreto
• Ma la rete ad input continuo ha minori
  connessioni,
• quindi ci si aspettano meno regole.

22
DUE TECNICHE DI RULE EXTRACTION

• Le reti sono due feedforward ad uno strato
  nascosto.
• Ci si attende che dove le connessioni non sono
  utili a classificare un pattern il loro peso sia
  basso.
• Di fatto minimizzando un errore si effettua un
  problema di ottimizzazione non lineare.
• A questo scopo gli autori hanno sviluppato un
  metodo ad hoc (BFGS) al posto della
  backpropagation.
• Questo algoritmo sembra convergere più
  velocemente.

23
DUE TECNICHE DI RULE EXTRACTION

• Si crea una matrice che è linversa dellHessiana
  della funzione di errore.
• Si ottiene un passo di minimizzazione
  multiplicando la matrice per il negativo del
  gradiente della funzione.
• Usando un algoritmo di ricerca lineare, si
  calcola la misura opportuna dello step
  decrescente.
• Usando BFGS si garantisce la discesa dellerrore
  totale ad ogni iterazione.
• Questa proprietà non è posseduta dalla
  backpropagation.
•  

24
DUE TECNICHE DI RULE EXTRACTION

• Una volta addestrata la rete, vengono
  identificate le connessioni ridondanti per
  rimuoverle.
• La classificazione non viene alterata da questo
  procedimento.
• Ogni record è costituito dal sesso del paziente
  e da 9 test biochimici (GOT, GPT, LDH,)
• Il dataset è di 536 pazienti.
• I pazienti, esaminati dai clinici, presentavano
  4 tipi di disturbi
• -danno epatico da alcol (ALD)
• -         epatoma primario (PH)
• -         cirrosi (LC)
• -         colelitiasi (C )

25
DUE TECNICHE DI RULE EXTRACTION

• Il training set è stato posto a 373 records e il
  test set a 163.
• Per il programma NeuroLinear sono state
  addestrate 30 reti, ciascuna con 11 input (10
  valori più 1 bias), 5 hidden e 4 output.
•  
• Per il programma NeuroRule sono state addestrate
  altre 30 reti, discretizzando linput in tre
  subrange per variabile. I nodi di input erano
  quindi 9x31129.
•  
• Laccurateza trovata e dell85.64 e 84.64
  rispettivamente, e non varia dopo il pruning.
• Varia però la complessità delle reti dopo il
  pruning 75 connessioni per NeuroLinear e 165
  per NeuroRule.
•  

26
REGOLE DI ESTRAZIONE

• Data una rete, per ciascun record viene
  registrato quale unità di output ha lattivazione
  più alta e quale ha la seconda più alta
  attivazione.
• Si raggruppano poi i valori di attivazione dello
  strato hidden generando regole di decisione che
  distinguono i vari output.
•  
• Gli input rilevanti risultano essere solo
  x1,x3,x5,x8,x9,x12.
•  

27
REGOLE DI ESTRAZIONE

• Si sviluppa un albero di decisione
•  
• H1 lt -.80
• H3 gt0
• prima scelta PH, seconda scelta ALD
•  
• H3lt0
• H3lt-.70
• prima scelta ALD, seconda scelta C
• H3gt-.70
• prima sceltaALD, seconda sceltaPH
• H1 gt -.80
• H3lt .20
• ..
•  

28
REGOLE DI ESTRAZIONE

• Secondo passo.
• Si riuniscono le regole riscrivendole in questa
  forma
• H1 lt -.80.
• H1 è connessa solo agli input x1 e x12, ossia
  paziente maschio e GGTgt60.
• H3gt0
• H3 è connessa a x3,x5,x8,x9,x12, ossia se il
  paziente è maschio con GGTgt60, x91 cioè
  LDHgt500.

29
REGOLE DI ESTRAZIONE

• Si conclude che se il paziente è maschio, con
  GGTgt60, e LDH gt500, il suo disturbo è un epatoma
  (prima scelta) o un danno epatico da alcol
  (seconda scelta).
• NeuroLinear
• Dopo il pruning restano solo 15 connessioni, con
  4 hidden.
• La prima unità hidden riceve input da GPT, la
  seconda e la terza da GGT, la quarta da GOT,GPT e
  LDH.
• Il numero di regole completo è alla fine molto
  ristretto.

30
REGOLE DI ESTRAZIONE

• Sono stati confrontati i risultati di reti
  neurofuzzy e dellanalisi discriminante.
• I risultati di NeuroRule e NeuroLinear sono molto
  più alti (es. per ALD 87.9 e 97.0 contro 57.6
  dellanalisi discriminante e 69.7 della rete
  neurofuzzy).
• Oltre a produrre regole, i sistemi dicono quali
  variabili sono predittive e quali no.
• Ad esempio si è visto che i parametri importanti
  erano GOT, GPT,LDH e GGT.