Predikce rizika zhoršení u pacientů s roztroušenou sklerózou

Abstract

Cílem této práce bylo navrhnout, otestovat a vyvinout systém pro automatickou predikci rizika zhoršení a kumulativní pravděpodobnosti zhoršení pacientů s roztroušenou sklerózou. Pro tento účel bylo vybranáno a otestováno několik datových sad, modelů a metrik. Pro predikci vývoje roztroušené sklerózy jsme využili standardních metod, tj. Random Forest, Gradient Boosting, ale i nově navrženého transformeru, tj. SurvTRACE, jež jsme dále významně zpřesnili díky (i) optimalizaci trénovacích hyperparametrů, (ii) zvolení vhodné validační procedury a (iii) předzpracováním dat. Funkčnost nově navrženého systému jsme ověřili v rámci soutěže iDPP@CLEF, zaměřené na pomoc lékařům při predikci vývoje nemoci použitím metod založených na umělé inteligenci. Účast v soutěži poskytla skvělé možnosti pro srovnání dosažených výsledků s dalšími tými, jež se problematikou zabývají. Přesnost jsme vyhodnotili jak na validační, tak na testovací sadě v rámci soutěže, kde jsme dosáhli dvou prvních míst z celkem čtyř úloh, kterých jsme se účastnili. Ve zbylých jsme získali druhé a třetí místo. Jako nejlepší se ukázala metoda založená na algoritmu Random Forest, která dosáhla průměrného C-indexu 0.834 při predikci celkového rizika zhoršení a průměrného skóre AUROC 0.881 při predikci kumulativní pravděpodobnosti zhoršení.