Técnicas de aprendizaje automático en el análisis de datos de DP. Dr. Carlos Fernández Lozano Juan de la Cierva-Formación

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Técnicas de aprendizaje automático en el análisis de datos de DP. Dr. Carlos Fernández Lozano Juan de la Cierva-Formación"

Esteban Hernández Chávez
hace 6 años
Vistas:

1 Técnicas de aprendizaje automático en el análisis de datos de DP Dr. Carlos Fernández Lozano Juan de la Cierva-Formación

2 Índice Acerca de mí Big data? Medicina de precisión? Integración de datos? Aprendizaje automático? Todo eso con datos de DP?

3 Índice Acerca de mí Big data? Medicina de precisión? Integración de datos? Aprendizaje automático? Todo eso con datos de DP?

4 Acerca de mí Doctor en informática. Ciencias de la computación e inteligencia artificial Contrato Juan de la Cierva Formación (FJCI ). Ministerio de Economía, Industria y Competitividad Especialista en integración de datos, aprendizaje automático, selección de características, imagen médica Estancias de investigación: Stefano Cagnoni, PhD Colin Campbell, PhD Christina Curtis, PhD

5 Big data

6 Big data Enormes cantidades de datos Estructurados, semi y no estructurados

7 Big data Enormes cantidades de datos Estructurados, semi y no estructurados Datos heterogéneos Imágenes, coordenadas GPS, pasos, genes

8 Big data Imagen: Wisconsin Department of Natural Resources/Flickr Enormes cantidades de datos Estructurados, semi y no estructurados Datos heterogéneos Imágenes, coordenadas GPS, pasos, genes

9 Big data Enormes cantidades de datos Estructurados, semi y no estructurados Datos heterogéneos Imágenes, coordenadas GPS, pasos, genes Análisis de datos Velocidad de respuesta

10 Big data

11 Big data La ciencia cada vez genera más datos pero, tenemos un problema Si no son de calidad Si no se pueden utilizar todos Si no se pueden juntar datos de distintas fuentes Si para juntarlos necesitamos un grupo de 5 personas Si no tenemos modelos que extraigan conocimiento en tiempo asumible.

12 Medicina de precisión Historia familiar Historia clínica Entorno Genética Estilo de vida

Medicina de precisión Agrupados por: subtipo

genética individual, entorno y estilo vida

13 Medicina de precisión Agrupados por: subtipo de enfermedad, demografía, variables clínicas, biomarcadores Prevención y tratamiento teniendo en cuenta: variabilidad genética individual, entorno y estilo vida Medicina para todos Medicina estratificada Medicina de precisión

14 Integración de datos En la prestación asistencial diaria, en general, se dispone de muchos datos: Historia clínica Antecedentes familiares Pruebas de imagen Pruebas complementarias..

15 Integración de datos Estos datos son heterogéneos y en algunos casos, de gran volumen Desde el punto de vista informático, se hace esencial el desarrollo de técnicas de integración de datos para capturar la complejidad y heterogeneidad de los procesos biológicos y fenotipos implicados en el desarrollo de la enfermedad

16 Integración de datos Vale sí, integramos la información pero para qué? En general disponemos de un número reducido de pacientes en relación al número de medidas que obtenemos de cada uno de ellos (pocos pacientes muchos datos) los datos están en diferentes escalas, la recolección de datos puede estar sesgada y tantas variables pueden incluir mucho ruido la naturaleza de la información es complementaria se puede dar sentido a información no directamente extraída de las muestras

17 Integración de datos Un ejemplo con integración de datos ómicos Juan R. González. BRGE. Bioinformatics Research Group in Epidemilogy (CREAL)

18 Integración de datos Methods of integrating data to uncover genotype phenotype interactions. Ritchie et. al. Nature Reviews Genetics 16, (2015)

19 Integración de datos Methods of integrating data to uncover genotype phenotype interactions. Ritchie et. al. Nature Reviews Genetics 16, (2015)

20 Qué es Aprendizaje automático? Machine Learning es un rama de Inteligencia Artificial que da a los ordenadores la capacidad de aprender sin haber sido explícitamente programados para ello Entrenamiento Predicción Datos etiquetados Algoritmo Machine Learning Datos Desconocidos Modelo Entrenado Predicción

21 Qué es Aprendizaje automático? Aprendizaje Supervisado El conjunto de datos está etiquetado Sanos vs. Enfermos Aprendizaje no Supervisado Se buscan patrones desde datos no etiquetados Clúster de genes relacionados con cáncer de colon Aprendizaje por refuerzo Aprendizaje basado en feedback o recompensa Jugar al ajedrez

22 Qué es Aprendizaje automático? Clase A Clase B Clasificación Supervisado-Predictivo Regresión Supervisado-Predictivo Clustering No Supervisado-Descriptivo Detección anomalías No Supervisado-Descriptivo

Clasificadores lineales Regresión logística Discriminante lineal

Aprendizaje basado en instancias Clasificador en árbol K-nearest

Gradient boost Clasificadores no lineales Kernel methods -

23 Clasificadores lineales Regresión logística Discriminante lineal de Fisher Modelos de regularización (Lasso, ridge, elastic net) Aprendizaje basado en instancias Clasificador en árbol K-nearest neighbors Nearest shrunken centroid Decision trees Random Forest Gradient boost Clasificadores no lineales Kernel methods - Support Vector Machines - Multiple Kernel Learning Artificial neural networks

24 Todo eso con datos de DP? Tenemos dos cohortes diferentes sobre DP USC. Dr. Rafael Alonso Valente 114 pacientes Factores de riesgo cardiovascular en diálisis peritoneal Se han reportado un gran número de ellos en la literatura Análisis de variables asociadas con el perfil de riesgo cardiovascular Factores tradicionales Factores relacionados con la enfermedad renal crónica avanzada Factores propios de la DP

25 Todo esto con datos de DP? Algo de información más técnica Cuatro algoritmos de aprendizaje automático: Support Vector Machines, Elastic NET, Random Forest, K-nearest neighbors Se busca la combinación de los mejores hiperparámetros de cada técnica Se repiten los experimentos 10 veces Se utilizan técnicas de validación cruzada para evitar sobre ajuste a los datos y obtener una medida de la capacidad de generalización del sistema Se utiliza una aproximación de selección de características para reducir la dimensionalidad del problema (T-test) Medidas de rendimiento: AUROC, Sensibilidad, Especificidad

26 Todo esto con datos de DP?

27 Todo esto con datos de DP?

28 Todo esto con datos de DP?

29 Todo esto con datos de DP? Resultados preliminares, es necesario profundizar más: Se puede priorizar un modelo más sensible sobre uno más específico y viceversa Tanto a la hora de obtenerlo como de utilizarlo Para seleccionar a qué clase pertenece un determinado paciente (sano o enfermo) se utiliza un valor arbitrario de threshold de 0.5, se puede buscar el más adecuado al problema Los mejores resultados en AUROC se obtienen sólo con 4 variables: 3 Factores tradicionales: tabaco si, tabaco no, HVI si 1 Factor de evolución: tx actual Se obtienen muy buenos resultados en AUROC con 16 variables: 12 Factores tradicionales: edad, talla, DM (Diabetes Mellitus) si, DM no, IMC 25 no, IMC 25 si, tabaco no, tabaco si, HVI no, HVI si, ENF base DM, ENF base vascular 1 Factor de riesgo ERCA: ProBNP 3 Factores de evolución: Icodextina si, Icodextina no, tx actual

30 Todo esto con datos de DP?

31 Todo esto con datos de DP? Algunas técnicas nos permiten observar la importancia de cada factor Elastic NET durante los 10 experimentos ha acumulado el siguiente valor de importancia de cada factor predictivo (4 variables)

32 Todo esto con datos de DP? Algunas técnicas nos permiten observar la importancia de cada factor Random Forest durante los 10 experimentos ha acumulado el siguiente valor de importancia de cada factor predictivo (16 variables)

33 Todo esto con datos de DP? Tenemos dos cohortes diferentes sobre DP 178 pacientes Factores de riesgo cardiovascular en Pacientes con DP y Hemodialisis Pacientes con enfermedad renal crónica avanzada DP como alternativa a HD Múltiples análisis distintos Complicaciones con diálisis Enfermedad cardiovascular.

34 Todo esto con datos de DP? Algo de información más técnica Cuatro algoritmos de aprendizaje automático: Support Vector Machines, Elastic NET, Random Forest, K-nearest neighbors Se busca la combinación de los mejores hiperparámetros de cada técnica Se repiten los experimentos 10 veces Se utilizan técnicas de validación cruzada para evitar sobre ajuste a los datos y obtener una medida de la capacidad de generalización del sistema Se utiliza una aproximación de selección de características para reducir la dimensionalidad del problema (T-test) Medidas de rendimiento: AUROC, Sensibilidad, Especificidad

35 Todo esto con datos de DP? Pocos pacientes con enfermedad cardiovascular o con complicaciones de cualquier tipo Muy desbalanceado No tienen los mismos factores No se pueden juntar cohortes Los datos están anotados para supervivencia Futuros análisis

36 Todo esto con datos de DP? Complicaciones con diálisis

37 Todo esto con datos de DP? Complicaciones con diálisis

38 Todo esto con datos de DP? Complicaciones con diálisis

39 Todo esto con datos de DP? Complicaciones con diálisis Random Forest durante los 10 experimentos ha acumulado el siguiente valor de importancia de cada factor predictivo (24 variables)

40 Todo esto con datos de DP? Enfermedad Cardiovascular

41 Todo esto con datos de DP? Enfermedad Cardiovascular

42 Todo esto con datos de DP? Enfermedad Cardiovascular

43 Todo esto con datos de DP? Enfermedad Cardiovascular

44 Conclusiones Existen múltiples opciones para explotar datos de DP mediante técnicas de aprendizaje automático Los trabajos que se han presentado no son finales, es una muestra de capacidades Aprendizaje automático no es estadística. Nuestras técnicas tienen un tremendo componente matemático detrás (no para hoy) He utilizado la presentación para mostrar lo que ya estamos haciendo en otros campos (biología de sistemas en cáncer, genómica, imagen médica ) pero que en DP todavía no se ha aplicado Oportunidades!!! Colaboraciones!!!

45 Técnicas de aprendizaje automático en el análisis de datos de DP Dr. Carlos Fernández Lozano Juan de la Cierva-Formación

Documentos relacionados

LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN

LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo