Intelligent Frameworks for Diagnosis in the Precision Medicine Era

This Ph.D. thesis aims to describe all the research works conducted for the design, development and evaluation of intelligent frameworks for supporting the diagnosis in several clinical units of the healthcare system with respect to the precision medicine approach. The presented work focuses on the innovative aspects of Computer-Aided Diagnosis Systems employed in the radiological area and pathological field, and on Decision Support Systems in the neurological and psychological area. Systems for supporting the physiatrics activities for performing and supporting the rehabilitation of people affected by neurodegenerative diseases are also investigated and discussed. The first chapter introduces the importance of having an objective assessment of pathologies by the support of automatic systems in order to reduce both diagnostic errors and the time to obtain an accurate diagnosis. The importance of Decision Support Systems for precision medicine is also presented by describing the advantages of using their clinical outcomes, integrated with radiogenomics data, or genetic information in general, for performing targeted therapies. In the second chapter, there is a description of Computer-Aided Diagnosis systems by introducing the traditional workflow historically implemented by such systems; subsequently, a classification of these systems is described from the Machine Learning perspective. Afterwards, the novelty from using Deep Learning methodologies for supporting diagnosis is described, also detailing the way of working of these new classifiers. Finally, the last section describes the contribution of using Virtual Reality for supporting diagnosis and rehabilitation, including cognitive and physiological assessment and implementation of protocols allowing the de-hospitalization of rehabilitation treatments. The third chapter introduces all the research contributions for improving the state of the art about Decision Support Systems in the clinical areas of radiology and pathology. Innovative and intelligent frameworks for the radiological assessment are described, including both classification and segmentation approaches. Specifically, chapter three reports the research contribution about the design and development of Computer-Aided Diagnosis systems for breast cancer diagnosis, liver tumour staging and segmentation of kidneys affected by Autosomal Dominant Polycystic Disease. The pathological support, instead, is detailed in nephrological and haematological areas, describing both Machine Learning and Deep Learning approaches. Specifically, novel approaches for the segmentation of vessels and tubules in kidney biopsies and for automatically counting white blood cells are investigated. The fourth chapter describes the works for designing and developing intelligent frameworks for assessing different neurophysiological disorders, including Alzheimer's Disease and Fibromyalgia, or supporting elderly people in their living environments for improving their living conditions. Finally, a research work about Machine Learning methodologies for support staging the Parkinson's Disease progression is also described. Chapter five reports the conclusions, highlighting the great importance of integrating these intelligent frameworks in the clinical practice, combining information coming from different sources, in order to proceed toward the real new era of precision medicine.

Questa tesi di dottorato mira a descrivere tutti i lavori di ricerca condotti per la progettazione, lo sviluppo e la valutazione di framework intelligenti per supportare la diagnosi in diverse unità cliniche del sistema sanitario rispetto all’approccio della medicina di precisione. Il lavoro presentato si concentra sugli aspetti innovativi dei sistemi di diagnosi assistita dal computer impiegati nell’area radiologica e in campo patologico e sui sistemi di supporto alle decisioni nell’area neurologica e psicologica. Sono anche studiati e discussi sistemi per supportare le attività di fisiatria per eseguire e supportare la riabilitazione delle persone affette da malattie neurodegenerative. Il primo capitolo introduce l'importanza di avere una valutazione obiettiva delle patologie mediante il supporto di sistemi automatici al fine di ridurre sia gli errori diagnostici sia i tempi per ottenere una diagnosi accurata. L'importanza dei sistemi di supporto alle decisioni per la medicina di precisione viene anche descritta specificando i vantaggi derivanti dall’utilizzo dei risultati clinici ottenibili da tali sistemi, integrati anche con i dati radiogenomici, o informazioni genetiche in generale, per l'esecuzione di terapie mirate al paziente. Nel secondo capitolo, c'è una descrizione dei sistemi di diagnosi assistita dal computer introducendo il workflow tradizionale storicamente implementato da tali sistemi; successivamente, è descritta una classificazione di questi sistemi dal punto di vista delle metodologie di apprendimento automatico. Successivamente, viene introdotta la novità derivante dall’uso delle metodologie di Deep Learning a supporto della diagnosi, specificando anche il workflow implementato da questi nuovi classificatori. Infine, l'ultima sezione descrive il contributo dell’utilizzo delle tecnologie di realtà virtuale per supportare la diagnosi e la riabilitazione, compresa la valutazione cognitiva e fisiologica, e l'implementazione di protocolli che consentono la de-ospedalizzazione dei trattamenti riabilitativi. Il terzo capitolo introduce tutti i contributi di ricerca volti al miglioramento dello stato dell’arte relativamente ai sistemi di supporto alle decisioni nelle aree cliniche di radiologia e anatomia patologica. Vengono descritti i framework innovativi e intelligenti per la valutazione radiologica, compresi sia gli approcci basati su classificazione, sia quelli di segmentazione delle immagini. In particolare, il capitolo tre riporta il contributo alla ricerca sulla progettazione e lo sviluppo di sistemi di supporto alla diagnosi assistita da computer per la diagnosi del carcinoma mammario, la stadiazione del tumore al fegato e la segmentazione dei reni affetti da malattia policistica autosomica dominante. Il supporto all’anatomia patologia, invece, è dettagliato nelle aree della nefrologia ed ematologia, descrivendo sia gli approcci di Machine Learning, sia quelli che prevedono metodologia di Deep Learning. In particolare, vengono studiati nuovi approcci per la segmentazione di vasi e tubuli nelle biopsie renali e per il conteggio automatico dei globuli bianchi a partire da campioni di striscio di sangue periferico. Il quarto capitolo descrive i lavori per la progettazione e lo sviluppo di framework intelligenti per la valutazione di diversi disturbi neurofisiologici, tra cui la malattia di Alzheimer e la fibromialgia, o il sostegno agli anziani nei loro ambienti di vita per migliorare le loro condizioni di benessere. Infine, viene anche descritto un lavoro di ricerca sulle metodologie di Machine Learning per supportare la stadiazione della progressione della malattia di Parkinson. Il capitolo cinque riporta le conclusioni, evidenziando la grande importanza di integrare questi framework intelligenti nella pratica clinica, combinando informazioni provenienti da diverse fonti, al fine di procedere verso la vera nuova era della medicina di precisione.