SISTEMA DE APOIO AO DIAGNÓSTICO MÉDICO BASEADO EM REDES BAYESIANAS

Isabel Milho*‡, Ana Fred**‡,

* Instituto Superior de Engenharia de Lisboa, DEETC, Portugal

Email: imilho@isel.pt

** Instituto Superior Técnico - Lisboa, Portugal

‡ Instituto de Telecomunicações - Pólo de Lisboa, Portugal

Email: afred@lx.it.pt

ISEL-DEETC, 31 de Janeiro de 2003

31/Jan/2003 2

Sumário

– Objectivos– Abordagem com RBs (Redes Bayesianas)

– Modelo de diagnóstico baseado em RBs – Ferramenta de desenvolvimento - DiagDT

• funcionalidade (2 fases de interacção)• arquitectura

– Aplicação p/ diagnóstico de doenças do sono• desenho da aplicação DiagSD• interacção do especialista com DiagSD

– Conclusões e trabalho futuro

BBNs (Bayesian Belief Networks)ou

31/Jan/2003 3

Objectivos Ferramenta de desenvolvimento

– aplicações auxiliares ao diagnóstico médico

– baseada em redes Bayesianas (RBs)

Interface “easy-to-use”– desenhar aplicações sem conhecimento profundo

da teoria das RBs

– usar a aplicação - sistema auxiliar de diagnóstico

– página internet - ficheiros HTML associados

31/Jan/2003 4

Abordagem com RBs

Modelo probabilístico para dedução perante

incerteza (representação gráfica)

Alternativa flexível face a outras abordagens

Ferramentas-RB: poderosas e universais

– HUGIN, MSBNx, JavaBayes, …– http://bayes.stat.washington.edu/almond/belief.html

Ferramenta de desenvolvimento DiagDT

– específica para diagnóstico médico

31/Jan/2003 5

D1

S1 S3 S2

D2

TR1 TR2

P(D1)

P(S1|D1)

P(S2|D1,D2)

Modelo de diagnóstico baseado em RBs

Variáveis do diagnóstico médico– sintomas (dados clínicos)

– sinais ou resultados-testes

– doenças (explicação)

Tipos de inferência:diagnóstico, causal, intercausal e mista

A RB representa a distribuição de probabilidades conjunta p(x) = p(x1, x2, …, xN)

independência condicional

dist. locais

))(|()(1

i

n

ii xpaxpp

x

11 ,,)( ii xxxpa

31/Jan/2003 6

Interface eFuncionalidadeFases de interacção:• desenho• utilização habitual

DiagDTDiagnostic Development Tool

structure.txt

HelpInput/Output

Layout

InterfacePágina Internet

Utilização daaplicação desenhadap/ diagnóstico

Desenhoda aplicação

Topologiada redee TPCs

InterfaceGráfica

Ficheiros HTML específicos daaplicação (p/ a interface de utilização)

31/Jan/2003 7

Servidor web

Algoritmode Inferência

(C/C++)

MóduloPrincipal

(Java Servlet)

Probabilidades inferidas

Layout

Help

Lista de Evidências

Página Internet

structure.txt

Topologia da redee TPCs

Sistema deDiagnóstico

Ficheiros HTML específicosda aplicação p/ aInterface de Utilização

Arquitectura e Implementação

31/Jan/2003 8

P S IC

E D S

O S A S m in

D ry M o u th

S N R

A P N

IN S

M o rn H

D F W

D F S D

C A B

N a rc o m in

D L S

C P L

ID IO m in

IN S L o n g s t

S P a ra ly s i

A u tB e h a v

H y p H a llu c D N S

S L

R E M L

M S LT S L

M S LT R O

N o M M D

B M I

A I

A H I

O S A SID IO N a rc o

N o c tu ria

E S S

P L M In d e x

P a in E

DiagDTDiagnostic Development Tool

structure.txt

HelpInput/Output

Layout

InterfacePágina Internet

Utilização daaplicação desenhadap/ diagnóstico

Desenhoda aplicação

Topologiada redee TPCs

InterfaceGráfica

Ficheiros HTML específicos daaplicação (p/ a interface de utilização)

Diagnosing Sleep Disorders (sistema DiagSD)

• patologias (4)• dados clínicos e polisomnográficos

31/Jan/2003 9

Servidor web

Algoritmode Inferência

(C/C++)

MóduloPrincipal

(Java Servlet)

Probabilidades inferidas

Layout

Help

Lista de Evidências

Página Internet

structure.txt

Topologia da redee TPCs

Sistema deDiagnóstico

Ficheiros HTML específicosda aplicação p/ aInterface de Utilização

PSIC

EDS

OSASmin

DryMouth

SNR

APN

INS

MornH

DFW

DFSD

CAB

Narcomin

DLS

CPL

IDIOmin

INSLongst

SParalysi

AutBehav

HypHalluc DNS

SL

REML

MSLTSL

MSLTRO

NoMMD

BMI

AI

AHI

OSASIDIO Narco

Nocturia

ESS

PLMIndex

PainE

PSIC

DFSD

verificar (e confirmar?) DFSD => PSIC

Interacçãocom DiagSD

INS

DFWCAB

evidências CAB, INS, DFW => PSIC

sem evidências

31/Jan/2003 10

DiagSD - Web

Conclusões

31/Jan/2003 11

DiagSD – Diagnosis/Report

Zoom in

31/Jan/2003 12

DiagSD – Help

31/Jan/2003 13

Conclusões Sistema de apoio ao diagnóstico médico

c/ interface simples (e ajustada ao dom. de aplicação)

– desenho da aplicação

– utilização da aplicação via página internet

– utilização flexível c/ diferentes tipos de inferência

Algoritmo de inferência estatística eficiente

Exemplo de aplicação: DiagSD

Bibliografia

31/Jan/2003 14

Trabalho futuro Introdução de algoritmos de aprendizagem

– topologia da rede

– probabilidades (CPTs)

Validação/comparação da aplicação DiagSD Aplicação a outros domínios médicos Adoptar o formato XBN proposto por DTAS

- formato BNIF (Bayesian Network Interchange Format) em XML - promovido pela comunidade UAI (Uncertainty and Artificial Intelligence)

Decision Theory and Adaptive Systems Groupat Microsoft Research

31/Jan/2003

Probabilidade conjunta

)|(

)()|(),|(),,(

11

3

1

112123123

iii

xxxp

xpxxpxxxpxxxp

3

1)(

11

112

tesindependen , se )|(

123123

))sub(|(

)()|(),|(),,(

3213

ixpa

ii

xxxxp

i

xxxp

xpxxpxxxpxxxp

Exemplo no HUGIN

OSASPSIC absent present absent present

INS absent 90% 40% 40% 10%present 10% 60% 60% 90%

absent presentPSIC absent present

CAB absent 90% 5%present 10% 95%

Tabelas de probabilidades condicionais:

H 1

sem evidências (evidences)

Diverging connectionsExplaining away Converging connections

probabilidades actualizadas:

H 2

1 evidência: INSExplaining away

Exemplo no HUGIN

probabilidades actualizadas:

H 3

2 evidências: INS + CABExplaining away

Exemplo no HUGIN

probabilidades actualizadas:

H 4

1 evidência: PSICDiverging connections

Exemplo no HUGIN

probabilidades actualizadas:

H 5

2 evidências: PSIC + INS

CAB e INS são independentes dado PSIC !Não se altera!

Diverging connections

Exemplo no HUGIN

d-separated

probabilidades actualizadas:

H 6

Se INS não é evidência, PSIC e OSAS são independentes!

Não se altera!

1 evidência: PSICConverging connections

Exemplo no HUGIN

d-separated

31/Jan/2003

DiagSD - variáveis

31/Jan/2003

DiagSD - diagnóstico

31/Jan/2003

DiagSD - relatório

Zoom out

31/Jan/2003 25

Bibilografia• F. Jensen, An Introduction to Bayesian Networks, Springer-Verlag New York, Inc, 1996.• J. Pearl, Probabilistic Reasoning in Intelligent Systems: networks of plausible inference,

Morgan Kaufmann Publishers, Inc, 1988.• S. Russel, P. Norvig, Artificial Intelligence: A Modern Approach, Prentice‑Hall, Inc, 1995.• D. Heckerman, A Tutorial on Learning with Bayesian Networks, Microsoft Research

Technical Report MSR‑TR‑95‑06, revised in 1996.• M. I. Jordan, editor, Learning in Graphical Models, The MIT Press, 1999.• B. J. Frey, Graphical Models for Machine Learning and Digital Communication, The MIT

Press, 1998.• Association for Uncertainty in Artificial Intelligence, in http://www.auai.org/ , 2003.• HUGIN Expert, in http://www.hugin.com, 2003.• MSBNx - Microsoft Belief Network Tools, in

http://www.research.microsoft.com/adapt/MSBNx/, 2003.• JavaBayes - Bayesian Networks in Java, in http://www.cs.cmu.edu/~javabayes, 2001.• Software for Belief Networks, in http://bayes.stat.washington.edu/almond/belief.html ,

1999.• I. Milho, A. Fred, “Sistema de Apoio ao Diagnóstico Médico Baseado em Redes

Bayesianas”, em Actas da Conferência Científica e Tecnológica em Engenharia -

CCTE2002 , ISEL, Maio 2002.• I. Milho, A. Fred, “A User-Friendly Development Tool for Medical Diagnosis based on

Bayesian Networks”, in Enterprise Information Systems II, Kluwer Academic Publishers, 2001, p. 113‑118.