Fuzzy-based machine learning methods for continuous diagnosis and prognosis of Diabetic Retinopathy

Abstract

El diagnòstic de malalties pot ajudar-se de sistemes informàtics de suport a la decisió clínica que aprofiten el coneixement mèdic existent i la informació dels pacients. Aquests sistemes es construeixen utilitzant diverses tècniques d'Intel·ligència Artificial i aprenentatge automàtic i poden ser efectius per reduir tasques manuals i laborioses, analitzar registres de salut dels pacients o ajudar a metges no experts en un camp. Aquest treball se centra en la retinopatia diabètica (RD), una complicació greu de la diabetis, una malaltia crònica. A conseqüència de la diabetis, un pacient pot patir pèrdua de visió i fins i tot ceguesa si no es detecta i es tracta a temps. El procediment actual de detecció es basa en imatges del fons d’ull, que és laboriós i costós. En canvi, Retiprogram és un software basat en boscos aleatoris difusos (FRF) per ajudar en el diagnòstic de la RD utilitzant dades clíniques dels pacients. En aquesta tesi doctoral, volem estudiar com un model de classificació FRF pot aprofitar les dades en condicions de canvis dinàmics. La primera contribució és millorar els resultats actuals d’un classificador FRF binari aprofitant dades dels nous pacients que són tractats a l’hospital. La segona contribució adapta el procediment de classificació binària al cas multiclasse ordinal. Això és particularment útil per detectar la gravetat de la malaltia, on els oftalmòlegs diferencien entre diferents graus de gravetat. La tercera contribució se centra en la detecció de la RD en pacients diabètics a llarg termini. A causa dels controls i medicaments, les persones diabètiques milloren alguns factors clínics, el que fa que sigui més difícil predir l’aparició i la progressió de la RD. Proposem un mètode per utilitzar les dades de l’historial mèdit per construir un conjunt de sèries temporals per millorar la classificació de la retinopatia diabètica en pacients a llarg termini.

El diagnóstico de enfermedades puede apoyarse en sistemas informáticos de ayuda a la toma de decisiones clínicas que aprovechen la información de los pacientes. Estos sistemas se construyen utilizando técnicas de Inteligencia Artificial y aprendizaje automático y pueden ser eficaces para reducir tareas manuales que consumen mucho tiempo, analizar los historiales médicos de los pacientes o ayudar a médicos no expertos en un campo. Este trabajo se centra en la retinopatía diabética (RD), una complicación grave de la diabetes, una enfermedad crónica muy extendida. Como consecuencia, un paciente puede sufrir pérdida de visión e incluso ceguera si no se detecta y trata a tiempo. El procedimiento de detección actual se basa en imágenes del fondo del ojo, que es costoso en tiempo y dinero. Por el contrario, Retiprogram es un software basado en Fuzzy Random Forests (FRF) para el diagnóstico de RD utilizando datos clínicos. En esta tesis doctoral, pretendemos estudiar cómo un modelo de clasificación FRF puede aprovechar los datos en condiciones de cambios dinámicos. La primera contribución es mejorar los resultados actuales de un clasificador FRF binario aprovechando datos de nuevos pacientes que son tratados en el hospital.La segunda contribución adapta el procedimiento de clasificación binaria al caso multiclase ordinal. Esto resulta especialmente útil para detectar la gravedad de la enfermedad, en la que los oftalmólogos diferencian entre distintos grados de retinopatía. La tercera contribución se centra en la detección de RD en pacientes diabéticos de larga duración. Debido a los continuos controles y medicaciones, estos mejoran algunos factores clínicos, lo que hace mucho más difícil predecir la aparición y progresión de la RD. Proponemos un método para explotar los datos de la historia clínica con el fin de construir un conjunto de datos temporales para mejorar la clasificación de la RD en pacientes de larga duración.

Disease diagnosis may be supported by Clinical Decision Support Systems (CDSS) that take advantage of existing medical knowledge and patients' information. Such systems are built using diverse AI and machine learning techniques and can be effective in reducing manual time-consuming tasks, analysing patients health records, or supporting non-expert clinicians in a field. This work focuses on Diabetic Retinopathy, a severe complication of Diabetes Mellitus, a chronic, widespread disease. As a consequence of diabetes, a patient might suffer vision loss and even blindness if not detected and treated at an early stage. The current screening procedure is based on images of the eye-fundus, which is time-consuming and costly. On the contrary, Retiprogram is a CDSS based on Fuzzy Random Forests (FRF) to help in the early diagnosis of DR using patients' clinical data. In this PhD thesis, we aim to study how a FRF classification model can take advantage of data in conditions of dynamic changes. The first contribution is to improve the current results of a binary FRF classifier by taking advantage of the data of the new patients that are treated at the hospital. The second contribution adapts the binary FRF classification procedure to the case of ordinal multiclass. This is particularly helpful to detect the severity of the disease, such as in DR, where ophthalmologists differentiate between different severity degrees of retinopathy. The third contribution is focused on the detection of DR in long-term diabetic patients. Due to continuous controls and medications, long-term diabetic people improve some clinical factors, which makes it much harder to predict the appearance and progression of DR. We propose a method to exploit the electronic health record history data to construct a temporal dataset to improve the grading of DR in long-term patients.