Machine Learning for Healthcare
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Doctoral thesis (article-based)
| Defence date: 2022-11-23
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022
Major/Subject
Mcode
Degree programme
Language
en
Pages
98 + app. 88
Series
Aalto University publication series DOCTORAL THESES, 161/2022
Abstract
Machine learning has been recently proposed for various medical applications. Especially the deep neural network based approach has been found to achieve state-of-the-art performance in various classification tasks. However, many of these studies use simplified classification systems, for example, the referable/non-referable system in the case of diabetic retinopathy classification. Moreover, the studies that have used clinical classification systems have not considered the uncertainty of the classifiers, which is of paramount interest in the medical field. In addition, extensive analysis of automatic segmentation algorithms that includes comparison to the interobserver variability of multiple radiologists' segmentations has not yet been performed for some challenging tasks, such as the automatic segmentation of the mandibular canals. The machine learning algorithms should also be able to be trained on local hospital data, which can pose issues relating to the amount of available training data. This thesis considers machine learning for various tasks in healthcare using Finnish hospital data. Deep convolutional neural networks (CNNs) are utilized for diabetic retinopathy and macular edema classification based on clinical severity scales. In addition, approximate Bayesian deep learning approaches are systematically studied for uncertainty-aware diabetic retinopathy classification of clinical data. A connection is derived between the referral of uncertain classifications and reject option classification, and it is used to develop a novel uncertainty measure. A CNN approach will also be introduced for the segmentation of the mandibular canal in cone beam computed tomography volumes. The approach is then compared to the interobserver variability of multiple radiologists' segmentations of the canal. Lastly, this thesis will examine multiple machine learning approaches for very low birth weight neonate mortality and morbidity prediction. The results suggest that even a relatively small set of Finnish hospital data can be utilized to train deep learning classifiers for diabetic retinopathy and macular edema classification with clinical classification systems. It also turns out that approximate Bayesian neural networks and the derived novel uncertainty measure can be used to accurately estimate the uncertainty in clinical diabetic retinopathy classification. The deep learning approach is shown to set a new state-of-the-art for the mandibular canal segmentation task and it is also found to localize the canals with lower variability than the interobserver variability of four radiologists. A random forest classifier turned out to outperform other methods in neonatal mortality and morbidity prediction.Koneoppimista on lähiaikoina ehdotettu moniin lääketieteellisiin tehtäviin. Erityisesti syvillä neuroverkoilla on saavutettu erinomaisia tuloksia luokittelutehtävissä. Monet tutkimukset ovat kuitenkin käyttäneet yksinkertaistettuja luokittelujärjestelmiä, kuten lähetteen vaativuuden ennustaminen diabeettisen retinopatian tapauksessa. Kliinisiä vakavuusasteikkoja käyttävät tutkimukset eivät ole arvioineet luokittimien epävarmuutta, joka on tärkää tietää niiden soveltamiseen lääketieteen saralla. Automaattisten segmentaatioalgoritmien kattavaa analyysiä ja vertailua useamman radiologin väliseen vaihteluun ei ole lisäksi tehty joillekkin vaativille tehtäville, kuten mandibulaarikanavan automaattiselle segmentaatiolle. Koneoppimisalgoritmeja tulisi pystyä kouluttamaan sairaalaympäristön omalla aineistolla, joka saattaa olla haastavaa aineiston määrän suhteen. Tämä väitöstyö käsittelee koneoppimisen soveltamista moniin lääketieteellisiin tehtäviin suomalaisten sairaala-aineistojen avulla. Syviä konvoluutioneuroverkkoja sovelletaan diabeettisen retinopatian ja makulaturvotuksen luokitteluun kliinisesti käytetyillä vakavuusasteikoilla. Myös bayesilaisten neuroverkkojen approksimaatioita tutkitaan epävarmuuden huomioivaan diabeettisen retinopatian luokitteluun kliinisellä aineistolla. Työssä luodaan yhteys epävarmuuspohjaisen luokittelujen hylkäämisen ja hylkäysvaihtoehtoluokituksen välille, jonka avulla kehitetään uusi epävarmuusmittari. Konvoluutioneuroverkkoa sovelletaan myös mandibulaarikanavan segmentaatioon kartiokeilatietokonetomografiakuvista ja sitä verrataan useamman radiologin väliseen vaihteluun tässä tehtävässä. Lopuksi tässä työssä tarkastellaan useita koneoppimismenetelmiä pikkukeskosten kuolleisuuden ja sairastuvuuden ennustamiseen, ja tutkitaan mitkä piirteet ovat tärkeitä tähän tehtävään. Tulosten perusteella voidaan arvioida, että jopa suhteellisen pientä suomalaista sairaala-aineistoa voidaan käyttää diabeettisen retinopatian ja makulaturvotuksen luokitteluun kliinisesti käytetyillä vakavuusasteikoilla. Bayesilaisten neuroverkkojen approksimaatiot pystyvät myös hyödyntämään kehitettyä epävarmuusmittaria tarkkaan epävarmuuden arviointiin diabeettisen retinopatian luokittelussa kliinisellä vakavuusasteikolla. Syvän konvoluutioneuroverkon näytetään saavuttavan parempia tuloksia kuin aikaisemmat lähestymistavat mandibulaarikanavan segmentaatiossa. Sen näytetään myös paikallistavan mandibulaarikanavan pienemmällä vaihtelulla kuin useamman radiologin välinen vaihtelu. Satunnaismetsä -luokitin saavutti parempia tuloksia kuin muut menetelmät pikkukeskosten kuolleisuuden ja sairastuvuuden ennustamisessa.Description
Supervising professor
Solin, Arno, Prof., Aalto University, Department of Computer Science, FinlandThesis advisor
Särkkä, Simo, Prof., Aalto University, FinlandKaski, Kimmo, Prof., Aalto University, Finland
Keywords
machine learning, deep learning, approximate Bayesian deep learning, healthcare, koneoppiminen, syväoppiminen, bayesilaisten neuroverkkojen approksimaatiot, terveydenhuolto
Other note
Parts
-
[Publication 1]: Jaakko Sahlsten, Joel Jaskari, Jyri Kivinen, Lauri Turunen, Esa Jaanio, Kustaa Hietala, Kimmo Kaski. Deep Learning Fundus Image Analysisfor Diabetic Retinopathy and Macular Edema Grading. Scientific Reports, Volume 9, Article number: 10750, July 2019.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-201908154680DOI: 10.1038/s41598-019-47181-w View at publisher
-
[Publication 2]: Joel Jaskari, Jaakko Sahlsten, Theodoros Damoulas, Jeremias Knoblauch, Simo Särkkä, Leo Kärkkäinen, Kustaa Hietala, Kimmo Kaski. Uncertainty-aware Deep Learning Methods for Robust Diabetic Retinopathy Classification. IEEE Access, Volume 10, Pages 76669-76681, July 2022.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202208174908DOI: 10.1109/ACCESS.2022.3192024 View at publisher
-
[Publication 3]: Joel Jaskari, Jaakko Sahlsten, Jorma Järnstedt, Helena Mehtonen, Kalle Karhu, Osku Sundqvist, Ari Hietanen, Vesa Varjonen, Vesa Mattila,Kimmo Kaski. Deep Learning Method for Mandibular Canal Segmentation in Dental Cone Beam Computed Tomography Volumes. ScientificReports, Volume 10, Article number: 5842, April 2020.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202004282940DOI: 10.1038/s41598-020-62321-3 View at publisher
-
[Publication 4]: Jorma Järnstedt, Jaakko Sahlsten, Joel Jaskari, Kimmo Kaski, Helena Mehtonen, Ziyuan Lin, Ari Hietanen, Osku Sundqvist, Vesa Varjonen, VesaMattila, Sangsom Prapayasotok, Sakarat Nalampang. Comparison of Deep Learning Segmentation and Multigrader-annotated CBCT Mandibular Canals. Submitted to Scientific Reports and Accepted in September, arXiv preprint arXiv:2205.13874, April 2022.
DOI: 10.1038/s41598-022-20605-w View at publisher
-
[Publication 5]: Joel Jaskari, Janne Myllärinen, Markus Leskinen, Ali Bahrami Rad, Jaakko Hollmén, Sture Andersson, Simo Särkkä. Machine Learning Methods for Neonatal Mortality and Morbidity Classification. IEEE Access, Volume 8, Pages 123347-123358, June 2020.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202008124724DOI: 10.1109/ACCESS.2020.3006710 View at publisher