Extracting Explainable Assessments of Alzheimer’s Disease via Machine Learning on Brain MRI data
![Thumbnail](/bitstream/handle/7/66323/Giorgos_Koumis_2024_secured.pdf.jpg?sequence=4&isAllowed=y)
View/ Open
Date
2024-06-13Author
Koumis, GiorgosPublisher
Πανεπιστήμιο Κύπρου, Σχολή Θετικών και Εφαρμοσμένων Επιστημών / University of Cyprus, Faculty of Pure and Applied SciencesPlace of publication
CyprusGoogle Scholar check
Keyword(s):
Metadata
Show full item recordAbstract
This master’s thesis focuses on the development of machine learning models and argumentation frameworks for the early diagnosis of Alzheimer's disease (AD) using brain MRI data. AD is the most common type of dementia, often detected at advanced stages when symptoms are apparent, and the neurodegenerative process has significantly progressed. Early diagnosis is crucial for improving the quality of life for AD patients.
Therefore, the main objectives of this study are to identify the most significant features for early AD diagnosis, develop machine learning models to predict the disease, and create argumentation models based on the machine learning models to provide explanations for these predictions.
The study begins with an introduction to the concepts of dementia and AD, followed by a literature review on machine learning applications in AD diagnosis, highlighting the approaches and results of previous studies. Next, the data analysis process is described, focusing on identifying key features that contribute to the diagnosis of AD, along with the preparation and preprocessing of data for model training.
In addition, the thesis presents the methodology for developing the machine learning models, including the selection and training of models using appropriate techniques and parameters to predict AD. The models' performance is evaluated based on various metrics to assess their accuracy and reliability. Notably, when cognitive test score data is used, the accuracy of these models reaches 98%.
Furthermore, the thesis introduces the ArgEML argumentation tool, designed to provide clear and understandable explanations for the models' predictions. Explainability in artificial intelligence, particularly in the medical field, is critical for ensuring transparency and inspiring trust among medical experts and patients. The models developed through the ArgEML tool contribute to this goal by providing arguments that facilitate the interpretation of results. These explanations are achieved using rules derived from tree-based machine learning models.
Finally, a comparison is made between argumentation models and traditional machine learning models used for classification. Argumentation models demonstrate comparable performance in terms of prediction accuracy and transparency. An important distinction is that while some predictions from argumentation models may lack a definitive answer, the provided explanations for this uncertainty can further enhance the models' accuracy and reliability. Η παρούσα διατριβή επικεντρώνεται στην ανάπτυξη μοντέλων μηχανικής μάθησης και μοντέλων επιχειρηματολογίας για την έγκαιρη διάγνωση της νόσου Αλτσχάιμερ (NA), χρησιμοποιώντας δεδομένα MRI του εγκεφάλου. Η NA είναι μια μορφή άνοιας που συχνά εντοπίζεται σε προχωρημένα στάδια, όταν τα συμπτώματα είναι εμφανή και η νευροεκφυλιστική διαδικασία έχει ήδη προχωρήσει σημαντικά. Η ανάγκη για έγκαιρη διάγνωση είναι ζωτικής σημασίας για τη βελτίωση της ποιότητας ζωής των ασθενών με ΝΑ.
Επομένως, οι κύριοι στόχοι της παρούσας μελέτης περιλαμβάνουν τον εντοπισμό των σημαντικότερων χαρακτηριστικών του εγκεφάλου για την έγκαιρη διάγνωση της NA, την ανάπτυξη μοντέλων μηχανικής μάθησης για την πρόβλεψη της νόσου, καθώς και την ανάπτυξη μοντέλων επιχειρηματολογίας τα οποία είναι βασισμένα σε μοντέλα μηχανικής μάθησης και παρέχουν εξηγήσεις για τις προβλέψεις που δίνουν.
Η μελέτη ξεκινά κάνοντας μια εισαγωγή στις έννοιες της άνοιας και της NA. Γίνεται μια βιβλιογραφική ανασκόπηση στον τομέα της μηχανικής μάθησης και της NA, καταγράφοντας τις προσεγγίσεις και τα αποτελέσματα προηγούμενων μελετών. Στη συνέχεια, γίνεται ανάλυση των δεδομένων με σκοπό την εύρεση των σημαντικότερων χαρακτηριστικών που συμβάλλουν στη διάγνωση της νόσου και περιγράφεται η προετοιμασία και επεξεργασία των δεδομένων για την εκπαίδευση των μοντέλων.
Ακολούθως, περιγράφεται η μεθοδολογία ανάπτυξης των μοντέλων μηχανικής μάθησης που περιλαμβάνει την επιλογή και την εκπαίδευση μοντέλων χρησιμοποιώντας κατάλληλες τεχνικές, για την πρόβλεψη της NA. Η απόδοση των μοντέλων αξιολογείται βάσει διαφόρων μετρικών για να ελεγχθούν η ακρίβεια και η αξιοπιστία τους. Αξίζει να σημειωθεί ότι στις περιπτώσεις που χρησιμοποιείται και το γνωστικό τεστ ως δεδομένο, η ακρίβεια των μοντέλων αυτών φτάνει το 98%.
Επίσης, παρουσιάζεται το εργαλείο επιχειρηματολογίας ArgEML που έχει ως στόχο να παρέχει σαφείς και κατανοητές εξηγήσεις για τις προβλέψεις των μοντέλων. Η ανάγκη για παροχή εξηγήσεων στον τομέα της τεχνητής νοημοσύνης, και ιδιαίτερα στην ιατρική, είναι κρίσιμη, καθώς τα συστήματα αυτά χρειάζονται να παρέχουν διαφάνεια και να εμπνέουν εμπιστοσύνη στους ιατρούς και τους ασθενείς. Τα μοντέλα που αναπτύχθηκαν μέσω του εργαλείου επιχειρηματολογίας ArgEML σε αυτή τη μελέτη συμβάλλουν σε αυτή την κατεύθυνση, παρέχοντας εξηγήσεις (επιχειρήματα) που διευκολύνουν την ερμηνεία των αποτελεσμάτων. Αυτό το επιτυγχάνουν χρησιμοποιώντας κανόνες που εξάγονται από τα μοντέλα μηχανικής μάθησης τύπου δέντρων αποφάσεων.
Τέλος, γίνεται σύγκριση των μοντέλων επιχειρηματολογίας με τα παραδοσιακά μοντέλα μηχανικής μάθησης που χρησιμοποιούνται για ταξινόμηση. Παρατηρείται ότι τα μοντέλα επιχειρηματολογίας μπορούν να δώσουν εξίσου καλά αποτελέσματα, επιδεικνύοντας την αποτελεσματικότητά τους στην παροχή ακριβών προβλέψεων και διαφανών εξηγήσεων. Μια κύρια διαφορά τους, είναι ότι ένα ποσοστό των προβλέψεων των μοντέλων επιχειρηματολογίας δεν παρέχουν ξεκάθαρη απάντηση, δίνοντας επίσης εξηγήσεις γι’ αυτό, κάτι το οποίο αυξάνει ακόμα περισσότερο την ακρίβεια του μοντέλου.