Integrating Temporal abstraction with Bayesian networks : a validation in the field of coronary heart disease

Abstract

Η παρούσα διδακτορική διατριβή διερευνά την ενοποίηση δύο τεχνικών της Τεχνητής Νοημοσύνης συγκεκριμένα τη χρονική αφαιρετικότητα και τα δίκτυα Bayes, με στόχο τη βελτίωση της απόδοσης πληροφοριακών συστημάτων για την επίλυση ιατρικών προβλημάτων. Δεδομένης της εγγενούς αβεβαιότητας και μη πληρότητας της ιατρικής γνώσης και των ιατρικών δεδομένων, τα πιθανοτικά μοντέλα έγιναν ιδιαίτερα δημοφιλή όσον αφορά τις δυνατότητες συλλογισμού που παρέχουν για την επίλυση ιατρικών προβλημάτων. Τα δίκτυα Bayes ανήκουν στην οικογένεια των πιθανοτικών μοντέλων και στην πραγματικότητα έχουν χρησιμοποιηθεί ευρέως σε πολλούς ιατρικούς τομείς, δεδομένου ότι μπορούν να χειριστούν καλά την αβεβαιότητα στα δεδομένα και στην ιατρική γνώση. Τα χρονικά και πολυμεταβλητά δεδομένα που συνθέτουν το ιατρικό ιστορικό κάποιου ατόμου δεν επιδέχονται συνήθως άμεσο συλλογισμό. Οι μέθοδοι χρονικής αφαιρετικότητας, συνδυάζουν στατιστικές και ευρετικές μεθόδους με στόχο να εξάγουν τις χρήσιμες πληροφορίες από τα δεδομένα, προς διευκόλυνση συγκεκριμένων χρήσεων συμπεριλαμβανομένου υψηλότερου επιπέδου επίλυσης προβλημάτων. Οι παραγόμενες, πιο αφηρημένες (και ως εκ τούτου πιο χρήσιμες) πληροφορίες είναι διαφόρων τύπων που μπορούν να διαχωριστούν σε βασικές και σύνθετες χρονικές αφαιρετικότητες. Τα δίκτυα Bayes και η χρονική αφαιρετικότητα, απέδειξαν την αποτελεσματικότητά τους ως αυτόνομες τεχνικές, κυρίως για επίλυση ιατρικών προβλημάτων, αλλά όχι σε συνδυασμό. Η κύρια ερευνητική ερώτηση που η παρούσα διδακτορική διατριβή έθεσε ως στόχο να διερευνήσει ήταν κατά πόσον η ενοποίηση της χρονικής αφαιρετικότητας με τα δίκτυα Bayes, θα μπορούσε να αποφέρει σημαντικές βελτιώσεις στις επιδόσεις συστημάτων για την επίλυση ιατρικών προβλημάτων. Γι’ αυτό το λόγο, επιλέγηκε το πεδίο της στεφανιαίας νόσου για την επίδειξη και δοκιμή της επιδιωκόμενης ενοποίησης των δύο προσεγγίσεων. Συνολικά, οι συνεισφορές της διδακτορικής αυτής έρευνας είναι: α) η ανάπτυξη μιας επέκτασης ενός χρονικού δικτύου Bayes, και συγκεκριμένα ενός Δυναμικού δικτύου Bayes, του οποίου οι κόμβοι αποτελούν απλές χρονικές αφαιρετικότητες καθώς και η εφαρμογή του για τη διάγνωση και την πρόγνωση (πρωτογενή και δευτερογενή πρόγνωση) της στεφανιαίας νόσου, β) η ανάπτυξη ενός naïve Bayes ταξινομητή, του οποίου τα χαρακτηριστικά αντιπροσωπεύουν τη συχνότητα εμφάνισης χρονικών κανόνων συσχέτισης, ενός είδους σύνθετων χρονικών αφαιρετικοτήτων, στο ιατρικό ιστορικό κάποιου ατόμου, και την εφαρμογή του ταξινομητή για τη διάγνωση της στεφανιαίας νόσου και γ) τη διατύπωση μιας γενικής μεθοδολογίας για την προτεινόμενη ενοποίηση, για εφαρμογή σε πεδία όπου ο χρόνος είναι σημαντικός.

This thesis explores the integration of two Artificial Intelligence approaches: Temporal abstraction (TA) and Bayesian networks (BN) in order to improve medical problem solving. In clinical systems, given the inherent uncertainty and incompleteness of medical knowledge and data, probabilistic models became a popular representation for reasoning with disease processes. Bayesian networks belong to the family of such probabilistic models and in fact they were widely used in many clinical domains as they can handle well uncertainty in medical knowledge and data. The time-stamped multivariate data representing the medical history of some individual are usually not amenable to direct reasoning. Temporal abstraction (TA) methods, by combining statistical and heuristic methods aim to glean out the useful information/ patterns from such data, in order to facilitate specific uses including higher level problem-solving. The generated, more abstract (and hence more useful/usable) information is of different types that can be roughly divided into basic and, complex temporal abstractions. Bayesian networks and Temporal abstraction, demonstrated their effectiveness as standalone engines, predominantly for medical problem solving, but not in conjunction. The key research hypothesis that this thesis set out to investigate was whether the integration of TA with BN could yield notable performance improvements in medical problem solving. Towards this end, we selected the field of CHD (CHD) as a testbed and demonstrator of the attempted integration. Overall the novel contributions of this thesis are: a) the development of a temporal extension of a BN, namely a Dynamic Bayesian network, whose nodes represent basic TAs and its application for diagnosis and prognosis (primary and secondary prevention) of CHD, b) the development of a Naive Bayes classifier whose features represent frequent temporal association rules (TARs), a type of complex TAs, applied for the diagnosis of CHD and c) the formulation of a general methodology for the proposed integration, potentially applicable to any domain where time is important.