MSc Thesis presentation of Mr. Marios Gavrielatos, Thursday 23/5/2024, 15.00
On Thursday, May 23, 2024, at 15:00, Mr. Marios Gavrielatos of the graduate program “Data Science and Information Technologies”, concentration on “Bioinformatics – Biomedical Data Science”, will present on a zoom meeting his MSc thesis titled:
“Interpretable Machine Learning for the classification of Mild Cognitive Impairment patients using actigraphy data”
Abstract
Early and accurate diagnosis of Mild Cognitive Impairment (MCI) is crucial as it is often a precursor stage to Alzheimer’s disease, allowing for timely intervention and treatment that can potentially slow the progression of cognitive decline. A non-invasive diagnostic approach would be highly beneficial, as it would be more comfortable and accessible for patients, increasing the likelihood of early detection and enabling prompt action to preserve cognitive function and quality of life. Developing easy and non-invasive digital medicine methods for diagnosing MCI could lead to earlier intervention and better management of this condition, which is a major step towards preventing or delaying the onset of Alzheimer’s disease and its devastating effects on individuals and their families.
Actigraphy, which involves the continuous monitoring of physical activity and rest-activity cycles using wearable devices, can offer valuable insights into the presence of MCI. This graduate thesis project was conducted in collaboration with the Aiginition Longitudinal Biomarker Investigation of Neurodegeneration (ALBION) study at the University of Athens, Greece. 7-day actigraphy time series data from individuals with normal cognitive function and those with MCI were collected via an actigraph device. We extracted parametric features, including Mesor (average activity), Amplitude (highest magnitude of activity), and Acrophase (the timing of the largest peak), via a multi-cosinor analysis. We then developed a machine-learning pipeline that uses exclusively these parametric features of recent actigraphy to classify MCI vs. Normal samples, trying to predict the “Diagnosis” endpoint, a binary label assigned by expert clinicians after a patient’s biannual evaluation. Our workflow performs a wide range of signal preprocessing steps, examining a variety of machine learning setups, and thus explores the full range of the parametric feature set’s class separation capabilities. The selected models are analyzed via a thorough SHAP (SHapley Additive exPlanations) visualization pipeline to distinguish the most informative features and their effect on the classification results, providing valuable insights to clinicians.
We have established that for the ALBION dataset in its current state, lower Mesor, Acrophase, and Amplitude feature values are associated with the MCI class. Specifically, lower Mesor, Acrophase, and Amplitude values have a strong correlation with the MCI samples, while higher Acrophase is associated with the Normal class. Our results are in general agreement with the available recent literature. Moreover, we identified a collection of machine learning models reaching expected specificity 0.88 at recall (sensitivity) level of 0.5 on unseen data. Notably, the developed computational pipeline allows us to fully explore the very large space of predictive model solutions in terms of their sensitivity vs. specificity tradeoff. As ALVION is an ongoing longitudinal study, we expect the generalization abilities of interpretable machine learning models to get better as the dataset size increases and the class balance improves over the years.
EXAMINATION COMMITTEE:
Prof. Elias Manolakos, Department of Informatics and Telecommunications, University of Athens (thesis supervisor)
Prof. 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/88933643720
Meeting ID: 889 3364 3720
One tap mobile
+302111984488,,88933643720# Greece
+302311180599,,88933643720# Greece
—
Dial by your location
- +30 211 198 4488 Greece
- +30 231 118 0599 Greece
- +1 646 558 8656 US (New York)
- +1 646 931 3860 US
- +1 301 715 8592 US (Washington DC)
- +1 312 626 6799 US (Chicago)
- +1 346 248 7799 US (Houston)
Meeting ID: 889 3364 3720
Find your local number: https://us02web.zoom.us/u/kxu0KbYls
Την Πέμπτη 23 Μαΐου 2024, στις 15:00, ο κ. Μάριος Γαβριελάτος μεταπτυχιακός φοιτητής του προγράμματος «Επιστήμη Δεδομένων και Τεχνολογίες Πληροφορίας», με ειδίκευση «Βιοπληροφορική – Επιστήμη Βιοϊατρικών Δεδομένων», θα παρουσιάσει διαδικτυακά την διπλωματική εργασίας του με τίτλο:
Ερμηνεύσιμη μηχανική μάθηση για την ταξινόμηση ασθενών με ήπια γνωσιακή διαταραχή χρησιμοποιώντας δεδομένα ακτιγραφίας
Περίληψη
Η έγκαιρη και ακριβής διάγνωση της Ήπιας Γνωσιακής Διαταραχής (ΗΓΔ) αποτελεί σημαντικό πρόβλημα, καθώς η ΗΓΔ συχνά είναι πρόδρομο στάδιο της νόσου του Αλτσχάιμερ. Μια μη επεμβατική διαγνωστική προσέγγιση ευρέως προσβάσιμη στο πληθυσμό θα ήταν εξαιρετικά σημαντική, αυξάνοντας την πιθανότητα έγκαιρης ανίχνευσης και επιτρέποντας την άμεση αντίδραση για τη διατήρηση της γνωσιακής λειτουργίας και της ποιότητας ζωής των ατόμων με ΗΓΔ. Η ανάπτυξη μη επεμβατικών μεθόδων ψηφιακής ιατρικής χαμηλού κόστους για την έγκαιρη διάγνωση της ΗΓΔ μπορεί να οδηγήσει σε καλύτερη διαχείριση αυτής της πάθησης και αποτελεί σημαντικό βήμα προς την πρόληψη ή την καθυστέρηση της εμφάνισης της νόσου του Αλτσχάιμερ και των καταστροφικών επιπτώσεών της στους πάσχοντες και τις οικογένειές τους.
Η ακτιγραφία, η οποία περιλαμβάνει τη συνεχή παρακολούθηση των κύκλων σωματικής δραστηριότητας και ανάπαυσης με χρήση φορητών συσκευών, μπορεί να προσφέρει πολύτιμες πληροφορίες για την παρουσία της ΗΓΔ σε υποψήφιους ασθενείς. Η παρούσα διπλωματική εργασία πραγματοποιήθηκε σε συνεργασία με την ομάδα της μελέτης ALBION, του Αιγινήτειου Νοσοκομείου του Εθνικού και Καποδιστριακού Πανεπιστημίου Αθηνών. Τα δεδομένα ακτιγραφίας (χρονοσειρές επτά (7) ημερών) από άτομα με φυσιολογική γνωσιακή λειτουργία και άτομα με ΗΓΔ συλλέχθηκαν μέσω συσκευής ακτιγράφου πριν την επίσκεψη στο Νιοσοκομείο. Μέσω της ανάλυση συνημίτονου, υπολογίσαμε παραμετρικά χαρακτηριστικά του σήματος, όπως η μέση δραστηριότητα, (Mesor), το Εύρος (μεγαλύτερο μέγεθος του σήματος, Amplitude) και η Ακρόφαση (ο χρόνος της μεγαλύτερης κορυφής του σήματος, Acrophase). Στη συνέχεια, αναπτύξαμε μια ροή εργασίας μηχανικής μάθησης που χρησιμοποιεί αυτά τα χαρακτηριστικά του σήματος για την ταξινόμηση δειγμάτων ΗΓΔ έναντι φυσιολογικών, προσπαθώντας να προβλέψουμε την ανεξάρτητη μεταβλητή (endpoint) «Διάγνωση», μια δυαδική ταξινόμηση των δειγμάτων που πραγματοποιείται από ειδικούς ιατρούς μετά από αξιολόγηση του κάθε ασθενούς στη κλινική χωρίς τη χρήση των δεδομενων ακτιγραφίας. Η ροή εργασιών που αναπτύξαμε εκτελεί ένα ευρύ φάσμα βημάτων προεπεξεργασίας του σήματος δραστηριότητας, εξετάζοντας μια ποικιλία ρυθμίσεων, και με αυτόν τον τρόπο διερευνάται το πλήρες εύρος των δυνατοτήτων διαχωρισμού των δύο κλάσεων μέσω των παραμετρικών χαρακτηριστικών. Τα επιλεγμένα καλύτερα μοντέλα πρόβλεψης ερμηνεύονται μέσω SHAP (SHapley Additive Explanations) ανάλυσης για να εντοπιστούν τα πιο σημαντικά χαρακτηριστικά και η επίδρασή τους στα αποτελέσματα ταξινόμησης, παρέχοντας πολύτιμες πληροφορίες στους κλινικούς γιατρούς για κάθε δείγμα.
Συμπεράναμε ότι για το σύνολο δειγμάτων της μελέτης ALBION, στην τρέχουσα κατάστασή του, οι χαμηλότερες τιμές Μέσορ, Ακροφάσης και Εύρους συσχετίζονται με την κλάση ΗΓΔ. Συγκεκριμένα, οι χαμηλότερες τιμές Μέσορ, Ακροφάσης και Εύρους έχουν ισχυρή συσχέτιση με τα δείγματα ΗΓΔ, ενώ υψηλότερη Ακροφάση σχετίζεται με την κλάση των φυσιολογικών δειγμάτων. Τα αποτελέσματά μας συμφωνούν με τη διαθέσιμη πρόσφατη βιβλιογραφία. Επιπλέον, παρουσιάζουμε μια συλλογή μοντέλων μηχανικής μάθησης που φτάνουν τιμές για την αναμενόμενη ειδικότητα (specificity) 0,88 και ευαισθησία (sensitivity) 0,5 σε νέα δεδομένα για το μοντέλο. Συγκεκριμένα, η ροή εργασίας αυτή, μας επιτρέπει να εξερευνήσουμε πλήρως τον μεγάλο χώρο των πιθανών λύσεων που προσφέρουν τα ανεπτυγμένα μοντέλα μηχανικής μάθησης όσον αφορά την ευαισθησία και την ειδικότητα των προβλέψεών τους. Καθώς το ALBION είναι μια συνεχιζόμενη μελέτη, αναμένουμε ότι οι ικανότητες γενίκευσης των ερμηνεύσιμων μοντέλων μηχανικής εκμάθησης που μπορούν να αναπτυχθούν θα βελτιώνονται καθώς αυξάνεται το πλήθος των δειγμάτων τη μελέτης και η ισορροπία των κλάσεων σε αυτά
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
Join Zoom Meeting:
https://us02web.zoom.us/j/88933643720
Meeting ID: 889 3364 3720
One tap mobile
+302111984488,,88933643720# Greece
+302311180599,,88933643720# Greece
—
Dial by your location
- +30 211 198 4488 Greece
- +30 231 118 0599 Greece
- +1 646 558 8656 US (New York)
- +1 646 931 3860 US
- +1 301 715 8592 US (Washington DC)
- +1 312 626 6799 US (Chicago)
- +1 346 248 7799 US (Houston)
Meeting ID: 889 3364 3720
Find your local number: https://us02web.zoom.us/u/kxu0KbYls