Bayesian Networks to Support the Management of Patients with ASCUS/LSIL Pap Tests

Abstract

In the majority of cases, cervical cancer (CxCa) develops as a result of underestimated abnormalities in the Pap test. Nowadays, there are ancillary molecular biology techniques providing important information related to CxCa and the Human Papillomavirus (HPV) natural history, including HPV DNA test, HPV mRNA tests and immunocytochemistry tests. However, these techniques have their own performance, advantages and limitations, thus a combinatorial approach via computational intelligence methods could exploit the benefits of each method and produce more accurate results. In this paper we present a risk assessment model based on a Bayesian Network which, by combining the results of Pap test and ancillary tests, may identify women at true risk of developing cervical cancer and support the management of patients with ASCUS or LSIL cytology. The model, following the paradigm of other implemented systems, can be integrated into existing platforms and be available on mobile terminals for anytime/anyplace medical consultation.

Sistema Experto Probabilístico basado en Redes Bayesianas para la predicción del cáncer de cuello uterino

“…Haciendo uso de un total de 746 casos de prueba, el 99% fue clasificado correctamente. En el mismo año, en la conferencia MobiHealth[13], se dio a conocer un sistema basado en Redes Bayesianas cuyo objetivo era predecir el diagnóstico de pacientes que fueron sometidos a pruebas como el Papanicolaou y obtuvieron un resultado dudoso o ambiguo. Este sistema resultó bastante prometedor alcanzando un porcentaje de 94.9% en términos de Valor Predictivo Positivo y 95.5% en términos de Valor Predictivo Negativo (PPV y PPN por sus siglas en inglés, respectivamente).Dos años más tarde, en el 2016, en Calicut, India, el Departamento de Ciencias de la Computación e Ingeniería de la Universidad Akkikavu[14] presentó una investigación basada en la detección y clasificación de cáncer cervical analizando la textura de imágenes extraídas del examen de Resonancia Magnética (MRI por sus siglas en inglés).…”

Ανάπτυξη Αλγορίθμων Υπολογιστικής Νοημοσύνης Και Ευφυών Συστημάτων Εκτίμησης Κινδύνου Και Υποστήριξης Κλινικής Απόφασης Για Την Έγκαιρη Διάγνωση Και Την Εξατομικευμένη Διαχείριση Γυναικών Με Ενδοεπιθηλιακές Αλλοιώσεις Τραχήλου Μήτρας

“…Πέρα από τα συστήματα CAD και τις εφαρμογές επεξεργασίας ιατρικής εικόνας, πάρα πολύ λίγες είναι οι εργασίες που έχουν δημοσιευθεί σχετικά με την ανάπτυξη μη-σχετικών με ανάλυση εικόνας CDSS για τον καρκίνο του τραχήλου της μήτρας, όπως CDSS για την εκτίμηση του κινδύνου παρουσίας ή ανάπτυξης υψηλόβαθμων ενδοεπιθηλιακών αλλοιώσεων, CDSS για την υποστήριξη της απόφασης στη διαχείριση γυναικών με παθολογική κυτταρολογία, κ.λπ.. Μέχρι το τέλος του 2016, αν εξαιρεθούν οι δημοσιεύσεις που προέκυψαν από την παρούσα διατριβή καθώς και οι δημοσιεύσεις της ομάδας των ιατρών με τους οποίους υπήρχε συνεργασία για τη διεξαγωγή της παρούσας διατριβής (Bountris et al, 2014, 2015b, 2015c, 2015d, 2015aKyrgiou et al, 2016;Pouliakis et al, 2015;Tamposis et al, 2015), μόνο 6 μελέτες βρέθηκαν σχετικά με την ανάπτυξη διαφορετικών CDSS για τον καρκίνο του τραχήλου της μήτρας. Από τα συστήματα αυτά, ένα είναι διαχειριστικό CDSS (δεν βασίζεται σε ευφυείς τεχνικές), ένα αφορά σε ένα εμπειρικό μοντέλο, ένα είναι ένα μοντέλο λογιστικής παλινδρόμησης για την εκτίμηση κινδύνου και τα υπόλοιπα 3 αφορούν στην εφαρμογή τεχνικών μηχανικής μάθησης (ευφυή CDSS).…”