SISTEMA DE APOIO AO DIAGNÓSTICO MÉDICO BASEADO EM REDES BAYESIANAS
Isabel Milho*‡, Ana Fred**‡,
* Instituto Superior de Engenharia de Lisboa, DEETC, Portugal
Email: [email protected]
** Instituto Superior Técnico - Lisboa, Portugal
‡ Instituto de Telecomunicações - Pólo de Lisboa, Portugal
Email: [email protected]
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.
Top Related