Αντιμετώπιση του προβλήματος της ανισορροπίας των κλάσεων στην πρόβλεψη της βαθμονόμησης SYNTAX και της περιπλοκότητας της Στεφανιαίας Νόσου
Aristotle University of Thessaloniki · 01.01.2024
DOI: 10.26262/heal.auth.ir.359301 ↗Kurz gefasst
Fachartikel in der Zeitschrift Aristotle University of Thessaloniki, erschienen am 01.01.2024. Verfasst von Dimitrios Trygoniaris.
Abstract (Originalsprache)
Οι ασθένειες του καρδιαγγειακού συγκαταλέγονται στις πιο συνηθισμένες αιτίες θανάτου παγκοσμίως. Η στεφανιαία νόσος ανήκει στην κατηγορία των καρδιαγγειακών ασθενειών και ευθύνεται συγκεκριμένα για το 27% όλων των θανάτων που σχετίζονται με το καρδιαγγειακό σύστημα. Ο στόχος της ιατρικής είναι η κατάλληλη διαχείριση της στεφανιαίας νόσου στα αρχικά στάδια, με στόχο την αποφυγή επικίνδυνων επιπλοκών. Δυστυχώς, η έγκαιρη διάγνωση της στεφανιαίας νόσου είναι περιορισμένη λόγω της απουσίας συμπτωμάτων στα αρχικά στάδια. Για αυτόν τον λόγο, η αποτελεσματική και μη επεμβατική διάγνωση των ασθενών που διατρέχουν κίνδυνο στεφανιαίας νόσου μπορεί να αποδειχθεί ένα πολύτιμο εργαλείο στην κλινική πρακτική. Η μηχανική μάθηση μπορεί να προσφέρει κατάλληλες λύσεις για την αποκάλυψη παραγόντων κινδύνου και για την ανάπτυξη προβλεπτικών μοντέλων που μπορούν να ταξινομήσουν τον κίνδυνο στεφανιαίας νόσου. Προς αυτήν την κατεύθυνση, διεξήχθη η κλινική δοκιμή GESS (ClinicalTrials.gov Identifier: NCT03150680) με τη συμμετοχή 1050 ασθενών. Η κατανομή των ομάδων κινδύνου αυτών των ασθενών αποκάλυψε ότι το συγκεκριμένο σύνολο δεδομένων πάσχει από ανισορροπία κλάσεων. Ο όρος "ανισορροπία κλάσεων" χρησιμοποιείται όταν μέσα σε ένα σύνολο δεδομένων που αποτελείται από διαφορετικές κλάσεις, ο αριθμός των δειγμάτων σε κάθε κλάση διαφέρει σημαντικά. Η ανισορροπία κλάσεων περιορίζει τις προβλεπτικές ικανότητες των αλγορίθμων μηχανικής μάθησης, καθώς οι προβλέψεις τους ευνοούν την κυρίαρχη κλάση κατά την εκπαίδευση του. Αυτό το φαινόμενο θεωρείται σημαντικό πρόβλημα στην ανάπτυξη υπολογιστικών λύσεων για τον βιοϊατρικό τομέα, καθώς ένα μεγάλο ποσοστό ιατρικών συνόλων δεδομένων χαρακτηρίζεται από ανισορροπία, όπως στην περίπτωση του συνόλου δεδομένων για την στεφανιαία νόσο. Αυτή η εργασία παρουσιάζει αναλυτικά το πρόβλημα της ανισορροπίας κλάσεων και τις διάφορες μεθοδολογίες που μπορούν να εφαρμοστούν για την αντιμετώπισή του. Ο πρωταρχικός στόχος αυτής της διατριβής είναι να διερευνήσει την επίδραση των μεθόδων αναδειγματοληψίας στις προβλεπτικές ικανότητες των μοντέλων μηχανικής μάθησης, για τη διάκριση μεταξύ ασθενών χωρίς CAD και με CAD (case study Ι) και την ταξινόμηση του κινδύνου CAD (case study ΙΙ). Ο δεύτερος στόχος αυτής της μελέτης είναι να εντοπίσει τους παράγοντες κινδύνου πίσω από τη διάκριση CAD και την ταξινόμηση των ομάδων κινδύνου με την εφαρμογή τεχνικών Επεξηγήσιμης Τεχνητής Νοημοσύνης (XAI). Τα αποτελέσματα της πειραματικής αξιολόγησης αποκάλυψαν ότι οι τεχνικές υποδειγματοληψίας Edited Nearest Neighbours (ENN) και Random Undersampling (RUS) μπορούν να ενισχύσουν την απόδοση των αλγορίθμων μηχανικής μάθησης για τη δυαδική διάκριση CAD. Η εφαρμογή της αναδειγματοληψίας στη case study ΙΙ έδειξε ότι τα μοντέλα μηχανικής μάθησης παρουσιάζουν καλύτερη απόδοση σε ό,τι αφορά το macrorecall, και οι συνδυασμοί με την τεχνική ENN δείχνουν καλή απόδοση και στο δείκτη macro-precision. Οι τεχνικές ενημερωμένης δειγματοληψίας φαίνεται να προσφέρουν καλύτερες εναλλακτικές λύσεις σε σύγκριση με τις πλήρεις τυχαίες αναδειγματοληψίες με βάση την ανάκληση/ακρίβεια ανά κλάση. Τα ευρήματα της προσέγγισης επεξηγησιμότητας των Shapley values υποδεικνύουν ότι διαφορετικοί παράγοντες κινδύνου επηρεάζουν τη δυαδική ταξινόμηση της no-CAD/CAD και την ταυτοποίηση των ατόμων υψηλού κινδύνου. Η ηλικία και ο θωρακικός πόνος τα χαρακτηριστικά που επηρεάζουν περισσότερα και για τα δύο σενάρια. Από την άλλη, το κάπνισμα βρέθηκε να είναι παράγοντας κινδύνου για την αναγνώριση CAD και η συννοσηρότητα με διαβήτη επηρεάζει το μοντέλο προς την ταξινόμηση υψηλού κινδύνου CAD.
Schlagwörter
Zitieren
APA
Trygoniaris, D. (2024). Αντιμετώπιση του προβλήματος της ανισορροπίας των κλάσεων στην πρόβλεψη της βαθμονόμησης SYNTAX και της περιπλοκότητας της Στεφανιαίας Νόσου. Aristotle University of Thessaloniki. https://doi.org/10.26262/heal.auth.ir.359301
Vancouver
Trygoniaris D. Αντιμετώπιση του προβλήματος της ανισορροπίας των κλάσεων στην πρόβλεψη της βαθμονόμησης SYNTAX και της περιπλοκότητας της Στεφανιαίας Νόσου. Aristotle University of Thessaloniki. 2024. doi:10.26262/heal.auth.ir.359301
BibTeX
@article{Trygoniaris2024,
author = {Trygoniaris, Dimitrios},
title = {Αντιμετώπιση του προβλήματος της ανισορροπίας των κλάσεων στην πρόβλεψη της βαθμονόμησης SYNTAX και της περιπλοκότητας της Στεφανιαίας Νόσου},
journal = {Aristotle University of Thessaloniki},
year = {2024},
doi = {10.26262/heal.auth.ir.359301}
}
EUVIMED