En els últims deu anys, una nova tendència en medicina està transformant la pràctica mèdica de reactiva a proactiva. Aquest nou paradigma aspira a detectar les malalties de forma precoç i usar el diagnòstic amb la finalitat de seleccionar la teràpia òptima sobre la base de les observacions individuals. Aquest canvi de paradigma depèn en gran mesura de la disponibilitat de dades biomèdiques complexos. Per beneficiar-se d'aquesta informació s'està duent a terme un esforç considerable per desenvolupar nous mètodes matemàtics i computacionals que siguin capaços d'extreure el màxim coneixement possible dels registres mèdics. Aquest requisit possibilita l'ús de Sistemes d'Ajuda a la Decisió Mèdica computeritzats per a la gestió individual de pacients.
Els Sistemes d'Ajuda a la Decisió Mèdica (SADM) són sistemes informàtics que proporcionen coneixement precís i específic per a les decisions mèdiques relacionades amb el diagnòstic, pronòstic, tractament i gestió de pacients. L'origen d'aquesta Tesi és, precisament, el desenvolupament d'un SADM basat en tècniques d'Aprenentatge Automàtic per inferir models predictius per al diagnòstic no invasiu de tumors cerebrals. La idea va partir del projecte europeu INTERPRET (2002) i va continuar amb altres dos projectes europeus: eTumor (2005) i HEALTHAGENTS (2008), que van dur a terme un gran esforç per desenvolupar una eina de diagnòstic automàtic aplicada a dades d'espectres de ressonància magnètica nuclear (1HMRS) de tumors cerebrals. Un dels objectius principals era reduir la necessitat de dur a terme un diagnòstic histopatológic invasiu a partir de la biòpsia d'un tumor cerebral. L'Aprenentatge Automàtic s'ha aplicat amb èxit a aquest problema, proporcionant una anàlisi automàtica del 1HMRS. No obstant això, el desenvolupament de classificadors de tumors cerebrals capaços de generalitzar requereix l'adquisició d'un gran nombre de casos per a cada tipus de tumor i, fins ara, aquesta aproximació s'ha emprat solament per a un conjunt reduït de tumors comuns. Els casos s'han recollit al llarg de molts anys i a partir d'un conjunt d'hospitals i s'han transferit a una base de dades centralitzada. El problema d'aquesta aproximació és que existeixen impediments ètics i legals per emmagatzemar i enviar les dades. En canvi, les bases de dades distribuïdes on els models de classificació poden ser entrenats sense moure les dades de l'hospital on es van adquirir podrien proporcionar una solució pràctica. Un altre requisit interessant és la capacitat de reentrenament dels classificadors a mesura que s'adquireixen noves dades. Una manera de proporcionar una solució pràctica òptima que compleixi amb tots dos requisits és aplicar algorismes d'aprenentatge incremental.
Després d'analitzar les aproximacions d'Aprenentatge Automàtic no incrementals per al diagnòstic automàtic de tumors cerebrals, aquesta Tesi presenta dos nous algorismes d'aprenentatge incremental de propòsit general per a entorns estacionaris i, en particular, per adaptar els models predictius a nous centres sanitaris en el marc de la presa de decisions per a tumors cerebrals emprant 1HMRS.
Fins ara, els diferents SADM desenvolupats per al diagnòstic de tumors cerebrals havien empleat sol models no incrementals. Aquests models assumeixen de forma implícita que l'aprenentatge acaba una vegada que el conjunt de dades disponible ha estat processat, per la qual cosa les prestacions d'un classificador automàtic no incremental depèn de la disponibilitat d'un conjunt d'entrenament suficientment representatiu per a cada classe. El problema resideix en el considerable cost econòmic i temporal que l'adquisició d'aquestes dades sol suposar. Les propietats dels algorismes d'aprenentatge incremental podrien proporcionar una solució efectiva davant aquesta situació.
Un algorisme d'aprenentatge incremental proporciona, de forma seqüencial, un nou model predictiu sempre que es disposi de noves observacions. Aquest nou model queda determinat pel coneixement adquirit en el model anterior i per la informació continguda en les noves dades. Per tant, un algorisme incremental hauria de ser capaç d'incorporar informació addicional a partir de les noves dades sense oblidar per complet el seu coneixement previ. Alhora, les prestacions dels models haurien de millorar amb el pas del temps.
Aquesta Tesi presenta el disseny, desenvolupament i avaluació de dos nous algorisme d'aprenentatge incremental de propòsit general per SADM dinàmics, amb una aplicació concreta al diagnòstic de tumors cerebrals. Al contrari que molts altres algorismes incrementals desenvolupats, s'assumeix que les dades anteriors no seran accessibles ja que aquesta és una restricció comuna en entorns de decisió mèdics amb bases de dades distribuïdes.
El primer algorisme es basa en una combinació ponderada d'estimadors per màxima versemblança on s'assumeix que les dades segueixen una distribució gaussiana multivariant. L'algorisme és capaç d'aprendre de manera incremental, millorant les prestacions dels models quan es disposa de nova informació, convergint amb el temps. A més, pot incorporar noves classes a la seva base de coneixement si aquests diagnòstics estiguessin disponibles. Aquestes capacitats li permeten adaptar els models a cada centre clínic particular. Per avaluar el comportament de l'algorisme s'han utilitzat bases de dades de referència i, finalment, s'ha aplicat al problema de classificació de tumors cerebrals, comparant els seus resultats amb els de altres dos algorismes incrementals de la literatura.
El segon algorisme es basa en una regressió logística que s'ajusta mitjançant el paradigma d'inferència bayesiana on la distribució a posteriori dels paràmetres d'una iteració s'usa com a distribució dels paràmetres a priori per a l'entrenament del model següent. Aquest algorisme no assumeix cap tipus de distribució subjacent a les dades. Les prestacions d'aquest algorisme s'avaluen mitjançant diferents bases de dades de referència i comparant-ho amb l'algorisme anterior emprant també la base de dades de tumors cerebrals.
Tots dos algorismes mostren un bon comportament, ja que compleixen amb la definició d'aprenentatge incremental i aconsegueixen aconseguir les propietats que han de tenir. Tots dos algorismes poden adaptar un model entrenat amb dades d'un hospital a la distribució específica d'un altre hospital sempre que es disposi de nova informació per poder dur a terme un entrenament supervisat. A més, poden fer això sense haver d'accedir a les dades anteriors. Aquesta capacitat d'adaptació a un nou centre clínic podria emprar-se en el futur per millorar el comportament dels SADM actuals en l'ajuda al diagnòstic de tumors cerebrals.