Multi-feature machine learning analysis for an improved characterization of the cardiac mechanics

Abstract

This thesis focuses on the development of machine learning tools to better characterize the cardiac anatomy and function in the context of heart failure, and in particular their extension to consider multiple parameters that help identifying the pathophysiological aspects underlying disease. This advanced and personalized characterization may eventually allow assigning patients to clinically-meaningful phenogroups with a uniform treatment response and/or disease prognosis. Specifically, the thesis copes with the technical difficulties that multivariate analyses imply, paying special attention to properly combine different descriptors that might be of different nature (e.g., patterns, continuous, or categorical variables) and to reduce the complexity of large amounts of data up to a meaningful representation. To this end, we implemented an unsupervised dimensionality reduction technique (Multiple Kernel Learning), which highlights the main characteristics of complex, high-dimensional data into fewer dimensions. For our computational analysis to be useful for the clinical community, it should remain fully interpretable. We made special emphasis in allowing the user to be aware of how the input to the learning process models the obtained output, through the use of multi-scale kernel regression techniques among others.

Esta tesis se centra en el desarrollo de herramientas de aprendizaje automático para mejorar la caracterización de la anatomía y la función cardíaca en el contexto de insuficiencia cardíaca, y, en particular, su extensión para considerar múltiples parámetros que ayuden a identificar los aspectos pato-fisiológicos subyacentes a la enfermedad. Esta caracterización avanzada y personalizada podría en última instancia permitir asignar pacientes a fenogrupos clínicamente relevantes, que demuestren una respuesta uniforme a un determinado tratamiento, o un mismo pronóstico. Específicamente, esta tesis lidia con las dificultades técnicas que implican los análisis multi-variable, prestando especial atención a combinar de forma apropiada diferentes descriptores que pueden ser de diferente naturaleza (por ejemplo, patrones, o variables continuas o categóricas), y reducir la complejidad de grandes cantidades de datos mediante una representación significativa. Con este fin, implementamos una técnica no supervisada de reducción de dimensionalidad (Multiple Kernel Learning), que destaca las principales características de datos complejos y de alta dimensión utilizando un número reducido de dimensiones. Para que nuestro análisis computacional sea útil para la comunidad clínica debería ser enteramente interpretable. Por eso, hemos hecho especial hincapié en permitir que el usuario sea consciente de cómo los datos entrantes al algoritmo de aprendizaje modelan el resultado obtenido mediante el uso de técnicas de regresión kernel multi-escala, entre otras.