Μέθοδοι τεχνητής νοημοσύνης - βαθιάς μάθησης για την διάγνωση της νόσου Alzheimer με απεικονιστικές μεθόδους

Μαγιάκου, Βασιλική

Μέθοδοι τεχνητής νοημοσύνης - βαθιάς μάθησης για την διάγνωση της νόσου Alzheimer με απεικονιστικές μεθόδους

Διπλωματική εργασία

Author

Μαγιάκου, Βασιλική

Date

2023-03-09

Advisor

Σκουρολιάκου, Αικατερίνη

Διπλωματική εργασία (1.945Mb)

Keywords

Νόσος Ατσχάιμερ ; Λειτουργική μαγνητική τομογραφία ; Τομογραφία εκπομπής ποζιτρονίων ; Νευροαπεικόνιση ; Βαθιά μάθηση ; Νευρωνικά δίκτυα ; Τεχνητή νοημοσύνη ; Μαγνητική τομογραφία

Abstract

Η ανίχνευση εγκεφαλικών ασθενειών σε πρώιμο στάδιο μπορεί να κάνει τεράστια διαφορά στην προσπάθεια ίασής τους. Τα τελευταία χρόνια, η χρήση της τεχνητής νοημοσύνης (ΤΝ) αυξάνεται σε όλους τους τομείς της επιστήμης και αναμφίβολα φέρνει επανάσταση στον τομέα της νευρολογίας. Η εφαρμογή της τεχνητής νοημοσύνης στην ιατρική επιστήμη έχει κάνει την πρόβλεψη και την ανίχνευση εγκεφαλικών ασθενειών πιο ακριβή και αποτελεσματική. Ταυτόχρονα, δεκαετίες πειραματικής και κλινικής έρευνας συνέβαλαν στην αποκάλυψη πολλών μηχανισμών παθογένεση της νόσου Αλτσχάιμερ (NA), αλλά η λύση είναι ακόμα απροσδιόριστη. Η πρόσφατη ανάπτυξη πρωτοβουλιών ανοιχτής ανταλλαγής πολυτροπικών δεδομένων που συλλέγουν δεδομένα τρόπου ζωής, κλινικών και βιολογικών δεδομένων από ασθενείς με ΝΑ έχει παράσχει έναν δυνητικά απεριόριστο όγκο πληροφοριών για τη νόσο, που υπερβαίνει κατά πολύ την ανθρώπινη ικανότητα αντίληψης. Επιπλέον, η ενσωμάτωση Μεγάλων Δεδομένων (Big Data) από μελέτες πολλαπλών ομικών δεδομένων παρέχει τη δυνατότητα διερεύνησης των παθοφυσιολογικών μηχανισμών ολόκληρου του βιολογικού συνεχούς της ΝΑ. Σε αυτή τη μελέτη, παρουσιάζουμε μια ανασκόπηση σχετικά με τις πρόσφατες προσεγγίσεις βαθιάς μάθησης (ΒΜ) στην ανίχνευση της ΝΑ, τις διάφορες τεχνικές εξαγωγής χαρακτηριστικών στη διάγνωση της, τα πρόσφατα ευρήματα και τις μελλοντικές προκλήσεις για την τεχνητή νοημοσύνη στην έρευνα κατά της νόσου. Πιο συγκεκριμένα, μελετάμε τη χρήση εργαλείων διάγνωσης με τη βοήθεια υπολογιστή στη διάγνωση της ΝΑ και τη χρήση της τεχνητής νοημοσύνης στη πιθανή υποστήριξη κλινικών πρακτικών για την πρόβλεψη του ατομικού κινδύνου εξέλιξης της ΝΑ, καθώς και τη διαστρωμάτωση των ασθενών, προκειμένου να αναπτυχθούν τελικά αποτελεσματικές και εξατομικευμένες θεραπείες. Η έρευνα βασίζεται σε πρόσφατη βιβλιογραφία, δίνοντας έμφαση σε 36 άρθρα σχετικά με την νόσο. Τέλος, συνοψίζονται τα βασικά ευρήματα από τα αναθεωρημένα άρθρα και συζητούνται ορισμένα σημαντικά ζητήματα που σχετίζονται με τις διαγνωστικές προσεγγίσεις της ΝΑ που βασίζονται στη ΒΜ.

Abstract

Detecting brain diseases at an early stage can make a huge difference in trying to cure them. In recent years, the use of artificial intelligence (AI) has been increasing in all fields of science and is undoubtedly revolutionizing the field of neurology. The application of ΑΙ in medical science has made the prediction and detection of brain diseases more accurate. In this study, we present a review on recent deep learning (DL) approaches in Alzheimer's disease (AD) detection. Recent articles on the disease are discussed with emphasis on 35 of them. In addition, a brief overview of the different feature extraction techniques used in AD diagnosis is provided. Decades of experimental and clinical research have contributed to uncovering many mechanisms in the pathogenesis of Alzheimer's disease (AD), but the solution is still undefined. The recent development of open multimodal data sharing initiatives that collect lifestyle, clinical, and biological data from patients with AD has provided a potentially limitless amount of disease information far beyond human comprehension. In addition, the integration of Big Data from multi-omic data studies provides the possibility to investigate the pathophysiological mechanisms of the entire biological continuum of AD. In this review, we focus on recent findings and future challenges for AI in AD research. In particular, we discuss the use of computer-aided diagnostic tools to diagnose AD and the use of artificial intelligence to potentially support clinical practices to predict the individual risk of AD progression as well as patient stratification, in order to ultimately develop effective and personalized treatments. Finally, key findings from the reviewed articles are summarized and some important issues related to DL-based AD diagnostic approaches are discussed.