La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA 3.

Presentazioni simili


Presentazione sul tema: "APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA 3."— Transcript della presentazione:

1 APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA 3

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 all’analisi 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 sull’emicrania Bounds e Lloyd sul mal di schiena Yoon sulla dermatologia Hutton e Blumenfeld sul diabete Calvert sulle lesioni cerebrali Apolloni sull’epilessia Anderson, The Instant Physician. Le prestazioni di queste reti non scendono mai sotto l’80% 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 l’esito 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 L’aggiornamento dei pesi sarà wi new = wi old + a(xi· y · wi old ) U(xi) dove U vale 1 se wi old >0 e zero altrove. Questa legge modifica solo il peso associato all’elemento vincente di Kohonen, in modo che apprende la media dei valori yj associati ai valori di x che fanno vinvìcere l’elemento 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 all’intervento 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 per quello di Grossberg. Da 520 pazienti iniziali, 420 sono stati scelti per l’addestramento e 100 per il file di test.

10 RISULTATI La rete ha ottenuto un successo dell’88%. Poichè solo 3 neurono venivano attivati, sono stati eliminati i 12 che non vincevano per snellire il calcolo. Su 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 dell’osservazione 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 < 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 dell’evidenza 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 l’oggetto 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 DELL’INCERTEZZA 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. L’incertezza delle regole è stata trattata con pesi da 0 a 100 in base all’importanza nel processo di diagnosi. Dati assenti hanno valore negativo.

18 PROLOG L’algoritmo 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 dell’ipotesi diagnostica.


Scaricare ppt "APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA 3."

Presentazioni simili


Annunci Google