Την Πέμπτη 29 Φεβρουαρίου 2024, στις 15:00, ο Ιωάννης Καρπούζης μεταπτυχιακός φοιτητής του προγράμματος «Επιστήμη Δεδομένων και Τεχνολογίες Πληροφορίας», με ειδίκευση «Βιοπληροφορική - Επιστήμη Βιοϊατρικών Δεδομένων», θα παρουσιάσει την διπλωματική εργασίας του με τίτλο: «Δημιουργία υπολογιστικής αλυσίδας επεξεργασίας σήματος και μηχανικής μάθησης για ανάλυση δεδομένων ακτιγραφίας με σκοπό τη διάγνωση της γνωστικής εξασθένησης» Περίληψη Η πρόβλεψη πρώιμων σταδίων γνωσιακής έκπτωσης μπορεί να οδηγήσει σε περαιτέρω διαγνωστικό έλεγχο, έγκαιρη έναρξη φαρμακευτικής αγωγής και εφαρμογή στρατηγικών δευτερογενούς πρόληψης. Από την ανασκόπηση της πρόσφατης βιβλιογραφίας προκύπτει συσχέτιση συγκεκριμένων χαρακτηριστικών ακτιγραφίας με τον κίνδυνο ανάπτυξης άνοιας. Σε αυτή τη διπλωματική εργασία, αναπτύχθηκε ένα ολοκληρωμένο σύστημα ψηφιακής επεξεργασίας σήματος, εξαγωγής χαρακτηριστικών και μηχανικής μάθησης που επιτρέπει τη συστηματική ανάπτυξη και αξιολόγηση μοντέλων πρόβλεψης για μεταβλητές (end points) που σχετίζονται με τη γνωστική έκπτωση. Για τέσσερις οικογένειες συνόλων χαρακτηριστικών που έχουν περιγραφεί στη βιβλιογραφία - παραμετρικά, μη παραμετρικά, βασισμένα στο μετασχηματισμό Fourier και βασισμένα στο μετασχηματισμό Κυματιδίων (Wavelets) - αξιολογήθηκε η απόδοση δέκα διαφορετικών αλγορίθμων μηχανικής μάθησης χρησιμοποιώντας μια διεπίπεδη διαστρωματωμένη μέθοδο επικύρωσης με διασπασμένες πτυχές (nested cross-validation) διατηρώντας τις αναλογίες των κατηγοριών σε κάθε πτυχη (stratified). Αποδεικνύουμε ότι η χρήση χαρακτηριστικών βασισμένων σε κυματίδια (wavelets) και ταξινομητών Δάσους Τυχαίων Δέντρων (Random Forests) μπορεί να προβλέψει με ευαισθησία και ειδικότητα που υπερβαίνουν το 0,8 δυαδική μεταβλητή διάγνωσης της ήπιας γνωστικής διαταραχής (MCI) όπως αυτή καθορίζεται για κάθε ασθενή από κλινικούς γιατρούς μετά από την επίσκεψη συνυπολογίζοντας διάφορα κριτήρια. Επιπλέον, το σύστημά μας μπορεί να χρησιμοποιηθεί για να βρεθούν διαφορετικοί συνδυασμοί (σύνολο χαρακτηριστικών, αλγόριθμος μηχανικής μάθησης) που να υπερβαίνουν τις απαιτήσεις (ευαισθησία, ειδικότητα) που έχει ορίσει ο χρήστης και να εξερευνήσουν το μεγάλο χώρο των πιθανών λύσεων για κατάλληλα μοντέλα πρόβλεψης. Οι μέθοδοί μας εφαρμόζονται σε οποιοδήποτε σύνολο δεδομένων χρονοσειράς ακτιγραφίας, ισορροπημένο ή μη ισορροπημένο, και σε σχέση με οποιοδήποτε τελικό σημείο (μεταβλητή) πρόβλεψης (δυαδικό ή συνεχές) που ενδιαφέρει για ερευνητικούς σκοπούς ή για την υποστήριξη κλινικών αποφάσεων. Η εργασία αυτή πραγματοποιήθηκε σε συνεργασία με την ομάδα ALBION του Αιγινήτειου Νοσοκομείου του Εθνικού και Καποδιστριακού Πανεπιστημίου, η οποία μας παρείχε το σύνολο δεδομένων που αναλύθηκε. ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ: Δρ. Ηλίας Μανωλάκος, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών (Επιβλέπων) Δρ. Νικόλαος Σκαρμέας, Καθηγητής Νευρολογίας, Τμήμα Ιατρικής Σχολής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Δρ. Σταύρος Περαντώνης, Διευθυντής Ερευνών, Ίδρυμα ΕΚΕΦΕ, Δημόκριτος On Thursday, February 29, 2024, at 15:00, Mr. Ioannis Karpouzis of the graduate program “Data Science and Information Technologies”, concentration on “Bioinformatics - Biomedical Data Science”, will present his MSc thesis titled: “Signal processing and machine learning pipeline for actigraphy data analysis aiming to diagnose early cognitive decline” Abstract Predicting early stages of cognitive decline may lead to further diagnostic workup, prompt initiation of medical management, and use of preventive strategies. Recent literature relates specific sleep-wake actigraphy features with the risk of developing dementia or Alzheimer’s disease in the future. In this graduate thesis, an end-to-end signal processing, feature engineering, and machine learning pipeline was developed, allowing us to build and evaluate predictive models of cognitive decline-related endpoints systematically for different feature sets. For four different feature set families suggested in the literature - parametric, non-parametric, Discrete Fourier Transform-based, and Discrete Wavelet Transform-based - we assessed the performance of ten different machine learning algorithms using the pipeline and a stratified nested cross-validation approach. We demonstrate that using wavelet-based features and Random Forest classifiers may reach sensitivity and specificity exceeding 0.8 for an MCI (Minor Cognitive Impairment) early diagnosis endpoint assigned by clinicians. Moreover, our end-to-end pipeline can be used to find different (feature set, ML algorithm) combinations that exceed (sensitivity, specificity) requirements set by the user and explore the large space of possible predictive model solutions. Our methods apply to any actigraphy time series dataset, balanced or imbalanced, and any prediction endpoint of interest for research purposes or clinical decision support. This work was performed in collaboration with the ALBION project of Aiginition Hospital, University of Athens, Greece which provided the dataset analyzed. EXAMINATION COMMITTEE: Dr. Elias Manolakos, Professor, Department of Informatics and Telecommunications, University of Athens (thesis supervisor) Dr. Nikolaos Skarmeas, Professor of Neurology, Department of Medicine, University of Athens. Dr. Stavros Perantonis, Research Director National Center for Scientific Research “Demokritos” Join Zoom Meeting https://us02web.zoom.us/j/86587038876 Meeting ID: 865 8703 8876
