Ανάπτυξη ευφυών μοντέλων μηχανικής μάθησης με χρήση πολυδιάστατων δεδομένων για την αξιολόγηση και ταξινόμηση των ασθενών με χρόνιες εμβοές

Abstract

Tinnitus consists of the perception of a phantom sound, including the patient's reaction to it. Tinnitus is particularly prevalent, with more than 1 in 7 adults in the European Union (EU) suffering from it, and has a negative impact on the quality of life for many people. There is currently no cure for tinnitus, and its pathophysiology and genesis are unknown. Auditory evoked potentials (AEPs) provide a non-invasive means by which electrical signals evoked by the brain can be recorded and constitute a useful indicator for the assessment of auditory disorders such as tinnitus and hearing loss. The current PhD thesis aims to assess the potential contribution of early and middle auditory AEPs in determining the profile of patients with subjective tinnitus, depending on the discomfort and degree of disability caused by the symptom. Considering the aforementioned data, this PhD thesis presents the development of models based on artificial intelligence to classify tinnitus sufferers according to their level of distress. All data were collected within the European research project UNITI (Unification of treatments and Interventions for Tinnitus patients) and derived from chronic subjective tinnitus patients from three different clinical centres in the EU. Model input features were mostly derived from the auditory brainstem response (ABR) and auditory middle latency response (AMLR) waveforms, and secondarily from other selected clinical data from the project. Regarding the waveforms, two automated annotation tools were initially developed and presented in detail, the application of which led to the identification of the waveforms' waves of interest and thus to the direct calculation of their core metrics. Subsequently, the feature extraction and feature selection steps included, among others, statistical analyses, advanced wavelet scattering transform (WST) methods, and the least absolute shrinkage and selection operator (LASSO) regression method. Several models were developed and tested on different datasets to meet the classification requirements more comprehensively. Seven well-known classifiers were used on all generated datasets: random forests (RF), radial, linear, and polynomial support vector machines (SVM) classifiers, naïve Bayes (NB), neural networks (NN), and linear discriminant analysis (LDA). A 10-fold cross-validation was used to evaluate all models. The analyses' findings highlighted wavelet scattering transform-based AMLR signal features as the most informative data of the studied classification. The latter features, in combination with the 15 clinical features selected by the LASSO method and the radial SVM classifier, achieved the highest values in the AUC (area under the curve) (93.08%), sensitivity (84.84%), and specificity (83.04%) measures.

Οι εμβοές συνίστανται στην αντίληψη ενός φανταστικού ήχου, συμπεριλαμβανομένης της αντίδρασης του ασθενούς σε αυτόν. Είναι ιδιαίτερα διαδεδομένες, με περισσότερους από 1 στους 7 ενήλικες στην Ευρωπαϊκή Ένωση (ΕΕ) να έχουν εμβοές, και προκαλούν αρνητικές επιπτώσεις στην ποιότητα ζωής πολλών ατόμων. Επί του παρόντος δεν υπάρχει θεραπεία για τις εμβοές, και η παθοφυσιολογία και η γένεσή τους είναι άγνωστες. Τα ακουστικά προκλητά δυναμικά (auditory evoked potentials, AEPs) παρέχουν ένα μη επεμβατικό μέσο με το οποίο μπορούν να καταγραφούν τα ηλεκτρικά σήματα που προκαλούνται από τον εγκέφαλο, και αποτελούν χρήσιμο δείκτη για την αξιολόγηση ακουστικών διαταραχών όπως οι εμβοές και η απώλεια ακοής. H παρούσα διατριβή έχει ως στόχο την εκτίμηση της δυνητικής συμβολής των πρώιμων και μέσων AEPs στον προσδιορισμό του προφίλ των ασθενών με χρόνιες υποκειμενικές εμβοές, ανάλογα με τη δυσφορία και το βαθμό αναπηρίας που προκαλεί το σύμπτωμα. Λαμβάνοντας υπόψη τα προαναφερθέντα στοιχεία η παρούσα διδακτορική διατριβή παρουσιάζει την ανάπτυξη μοντέλων, βασισμένων στην τεχνητή νοημοσύνη, με σκοπό την ταξινόμηση των πασχόντων από εμβοές σύμφωνα με το επίπεδο δυσφορίας τους. Όλα τα δεδομένα συλλέχθηκαν στα πλαίσια του ευρωπαϊκού ερευνητικού έργου UNITI (Unification of treatments and Interventions for Tinnitus patients), και προήλθαν από ασθενείς χρόνιων υποκειμενικών εμβοών τριών διαφορετικών κλινικών κέντρων στην ΕΕ. Τα χαρακτηριστικά των μοντέλων προέρχονταν ως επί το πλείστον από τις κυματομορφές ακουστικής ανταπόκρισης του εγκεφαλικού στελέχους (auditory brainstem response, ABR) και τις κυματομορφές ακουστικής απόκρισης μέσης λανθάνουσας περιόδου (auditory middle latency response, AMLR), και δευτερευόντως από τα υπόλοιπα επιλεγμένα κλινικά δεδομένα του έργου. Όσον αφορά στις κυματομορφές, αρχικά δύο αυτοματοποιημένα εργαλεία σχολιασμού αναπτύχθηκαν και παρουσιάστηκαν λεπτομερώς, η εφαρμογή των οποίων οδήγησε στον εντοπισμό των κυμάτων ενδιαφέροντος των κυματομορφών και κατ’ επέκταση στον άμεσο υπολογισμό των βασικών μετρικών τους. Στη συνέχεια, τα στάδια εξαγωγής κι επιλογής χαρακτηριστικών περιείχαν μεταξύ άλλων, στατιστικές αναλύσεις, προηγμένες μεθόδους μετασχηματισμών διασποράς κυματιδίων (wavelet scattering transforms, WSTs), και τη μέθοδο συρρίκνωσης LASSO (least absolute shrinkage and selection operator). Αρκετά μοντέλα αναπτύχθηκαν και δοκιμάστηκαν σε διαφορετικά σύνολα δεδομένων για την πληρέστερη ικανοποίηση των απαιτήσεων της ταξινόμησης. Επτά γνωστοί ταξινομητές χρησιμοποιήθηκαν σε όλα τα δημιουργηθέντα σύνολα δεδομένων: τυχαία δάση (random forests, RF), ακτινωτός, γραμμικός, και πολυωνυμικός ταξινομητής των μηχανών διανυσμάτων υποστήριξης (radial, linear, poly support vector machines, SVM), αφελής Bayes (naïve bayes, NB), νευρωνικά δίκτυα (neural networks, NN) και γραμμική διακριτική ανάλυση (linear discriminant analysis, LDA). Για την αξιολόγηση όλων των μοντέλων χρησιμοποιήθηκε δεκαπλή (10-fold) διασταυρούμενη επικύρωση. Τα αποτελέσματα των αναλύσεων ανέδειξαν τα χαρακτηριστικά που προήλθαν από το δίκτυο διασποράς κυματιδίων των AMLR σημάτων, ως τα πιο πληροφοριακά δεδομένα της μελετώμενης ταξινόμησης. Τα τελευταία χαρακτηριστικά, σε συνδυασμό με τα 15 επιλεγμένα από τη μέθοδο LASSO κλινικά χαρακτηριστικά και τον ακτινωτό ταξινομητή SVM, πέτυχαν τις υψηλότερες τιμές στα μέτρα απόδοσης εκτίμηση περιοχής κάτω από την καμπύλη (area under the curve, AUC) (93,08%), ευαισθησία (84,84%) και ειδικότητα (83,04%).