Interpretable machine learning through radiomics and attribute-regularized neural networks for cardiology
- Autores: Irem Cetin
- Directores de la Tesis: Oscar Camara Rey (dir. tes.), Miguel Ángel González Ballester (codir. tes.)
- Lectura: En la Universitat Pompeu Fabra ( España ) en 2022
- Idioma: español
- Tribunal Calificador de la Tesis: Daniel Rueckert (presid.), Gemma Piella (secret.), Alistair Zoung (voc.)
- Programa de doctorado: Programa de Doctorado en Tecnologías de la Información y las Comunicaciones por la Universidad Pompeu Fabra
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
El diagnóstico asistido por ordenador de enfermedades cardiovasculares (CVD) con resonancia magnética cardíaca (CMR) es un campo importante de investigación para el fenotipado avanzado de imágenes cardíacas. Las mediciones existentes sobre este tipo de datos, como la fracción de eyección y los volúmenes de las cámaras, son demasiado simples y, a menudo, no son capaces de captar cambios sutiles que afectan a las estructuras cardíacas durante las primeras etapas de la enfermedad. Por su parte, los algoritmos de aprendizaje automático (ML) aplicados a este tipo de datos se basan principalmente en la utilización de índices morfológicos. La radiómica CMR es una técnica emergente para el fenotipado cardíaco más profundo y preciso. Utiliza datos a nivel de píxel para obtener múltiples cuantificadores de forma y textura del tejido. Sin embargo, se enfrenta algunos desafíos como la falta de interpretabilidad y reproducibilidad. Otros tipos de métodos, como los de aprendizaje profundo (DL), revolucionaron las imágenes médicas. A pesar de estos métodos son capaces de aprender representaciones complejas a partir de los datos, una limitación de los mismos es que su naturaleza de “caja negra” provoca falta de explicabilidad e interpretabilidad de los resultados. Recientemente, la inteligencia artificial explicable (XAI) ha mostrado un excelente potencial en esta línea, donde los enfoques de XAI tienen como objetivo explicar cómo se realizan las elecciones de los sistemas de inteligencia artificial (IA). Los modelos basados en representación latente, como los autoencoders variacionales (VAE), tienen el potencial de aliviar las limitaciones anteriormente mencionadas de los modelos basados en DL, ya que pueden codificar atributos ocultos de los datos en un espacio latente de baja dimensión.
Esta tesis presenta enfoques interpretables basados en aprendizaje automático con técnicas de radiómica, aplicadas a imágenes de CMR, y con modelos basados en representación latente regularizada, con el objetivo de identificar cambios en la estructura cardíaca y en la textura del tejido. Usando conjuntos de datos multimodales, esta tesis se esfuerza por generar biomarcadores de imágenes que puedan ser utilizadas para la caracterización de diversas afecciones cardiovasculares. Esta tesis tiene tres contribuciones principales. En primer lugar, se desarrolló una metodología de análisis basada en radiómica sobre imágenes de CMR para cuantificar automáticamente distintos índices estructurales y de función cardiovascular. En segundo lugar, se realizó una de las evaluaciones más grandes y completas del uso de radiómica sobre imágenes de CMR para el fenotipado de las principales enfermedades cardiovasculares, empleando la base de datos de UK Biobank. Por último, se desarrolló una red neuronal regularizada a partir de atributos, con el objetivo de generar explicaciones sobre cardiopatías combinando biomarcadores clínicos y marcadores radiómicos.
