Artificial Intelligence and Hardware Acceleration for Risk Prediction Analysis in Chronic Diseases using Medical Data

Abstract

Recently, Artificial Intelligence (AI) has become part of our daily lives . Although its theoretical foundations date back to the early 1950s, its widespread adoption did not occur until the 2 1st century, thanks to the advances in computation and AI -tailored hardware design. Ranging from object recognition to pattern detection, including also large language models that assist with programming tasks or drafting documents, AI has proven its potential across diverse fields, even surpassing human capabilities in different tasks. Specifically, i n the healthcare field, various AI models have enhanced drug discovery, improved tumour detection during surgery, and enabled early breast cancer detection, among other achievements. In this regard, chronic diseases represent one of the main burdens on healthcare systems, being the main cause o f morbidity and mortality globally. This not only has a negative impact on p eople’s quality of life but also entails significant socioeconomic consequences. Recently, so -called mobile Health (mHealth) has demonstrated its efficiency in improving the self -management of chronic conditions through the use of wearable devices and/ or smartphone applications. T hese applications collect large amounts of data (e.g., heart rate, body temperature, glucose levels) that, after being processed by properly trained AI models, can support people with such conditions and clinicians in a more precise and personalized manner. In this context, this PhD Thesis aims to address various existing challenges in the management of different chronic conditions using AI as the primary tool. Firstly, this dissertation tackles the scarcity of high-quality labelled medical data. Machine Learning (ML) and Deep Learning (DL) models need vast amounts of data to avoid overfitting on the training data, limiting the ability to generalize to a broader population. To address this problem, different DL te chniques have been employed to generate synthetic data on eight chronic disease datasets. It was proven that, in five out of eight cases, synthetic data generation improved ML performance in chronic disease classification. Furthermore, Continuous Glucose Monitoring (CGM) data were used to generate personalized DL models to predict interstitial glucose levels in people with type 1 diabetes (T1D). Aiming for this, both DL training and evaluation were tailored to the T1D context, using , respectively, a loss function and different metrics adapted to the ISO 15197:2015 standard, which establishes acceptable erro r ranges for glucose monitoring devices. However, the previously selected models function as black boxes, and in the clinical context it is mandatory to know why a model provides a certain prediction (in this case, the subsequent glucose levels). Thus, seeking the implementation of eXplainable AI (XAI), a transforme r architecture was employed, as its attention mechanisms, among other intermediate laye rs, enable output interpretation and uncertainty quantification. In addition to obtain ing results whose interpretation matched clinical knowledge, the prediction pe rformance is considered state -of-the-art for personalized and interpretable interstitial glucose prediction. Lastly, due to the large number of parameters that DL models usually have, their implementation on-the-edge (i.e., under constraints of c omputational power and consumption) is not straightforward. This PhD Thesis has proposed a hardware solution based on an FPGA (Field Pro grammab le Gate Array) accelerator for the implementation on-the-edge of a DL model designed for heart sound segmentation . Such implementation has the potential to enhance early screening of cardiovascular diseases, especially in regions where primary care is not guaranteed. By l everaging FPGAs’ parallelization capabilities, the baseline model’s latency was reduced, achieving real -time performance with low power consumption and negligible model performance loss in the heart sound segmentation task. This PhD Thesis presents four main contributions that highlight the potential of AI in chronic condition management across different parts of its design pipeline: 1) synthetic data generation to enhance ML chronic disease classification; 2) personalized interstitial glucose prediction, tailoring the training and evaluation to the diabetes -specific scenario; 3) the use of XAI with uncertainty estimation to provide superior performance than current state -of-the-art approaches; and 4) real -time, low power implementation of an AI model for heart sound segmentation.

En los últimos años, la Inteligencia Artificial (IA) se ha convertido en parte de nuestro día a día. Aunque su base teórica existe desde los años 50, su irrupción no tuvo lugar hasta el comienzo del siglo XXI gracias a los avances en computación y en diseño de hardware dedicado. Desde el reconocimiento de objetos, hasta detección de patrones, pasando por modelos grandes de lenguaje que asisten en labores programación o elaboración de documentos, la IA ha demostrado potencial en diversos campos, llegando a superar en muchos casos al ser humano. Concretamente, e n el campo de la salud, diferentes modelos de IA han permitido la aceleración en el descubrimiento de fármacos, la detección de tumores en tiempo real durante una cirugía, o la detección temprana de cáncer de mama, entre otros logros. En este sentido, las enfermedades crónicas son una de las principales barreras en los diferentes sistemas sanitarios, siendo la principal causa de morbilidad y mortalidad en a nivel mundial. Esto no solo tiene un impacto negativo en la calidad de vida de las personas que las sufren, sino también un alto impacto socioeconómico. Recientemente, herramientas de la llamada salud móvil (mHealth) han demostrado su eficacia para mejorar la autogestión de distintas enfermedades crónicas a través del uso de dispositivos wearables, y/ o aplicaciones móviles. Estas aplicaciones capturan una gran cantidad de datos (como el ritmo cardíaco, la temperatura corporal, los niveles de glucosa, etc.) que, procesada por modelos de IA debidamente entrenados, pueden ayudar tanto a las personas con dichas enfermedades como a los clínicos de manera más precisa y personalizada. En este contexto, e l objetivo de esta Tesis Doctoral es aportar soluciones a problemas existentes en la gestión de diferentes enfermedades crónicas utilizando la IA como principal herramienta desde diferentes perspectivas. El primer problema que se aborda es la falta de datos médicos debidamente etiquetados. Los modelos de Machine Learning (ML) y Deep Learning (DL) necesitan una gran cantidad de datos para evitar el sobreajuste de los datos de entrenamiento y poder generalizar los resultados a una mayor población. Para hacer frente a este problema, se han utilizado técnicas de D L para generar datos sintéticos con ocho bases de datos de enfermedades crónicas. Se demostró que, en cinco de los ocho experimentos, el rendimiento de los modelos de clasificación basados en ML mejoraba utilizando datos sintéticos. Por otra parte, se utilizaron datos de monitorización continua de glucosa (CGM, por sus siglas en inglés), para generar modelos de DL personalizados de predicción de niveles de glucosa intersticial para personas con diabetes tipo 1. Para esto, se adaptó tanto el entrenamiento como la evaluación de los modelos a este contexto utilizando métricas derivadas del estándar ISO 15197:2015, que establece los rangos de error clínicamente aceptables en dispositivos de monitorización de glucosa. Sin embargo, los modelos utilizados funcionan como cajas negras y en el contexto clínico es necesario conocer qué lleva a un modelo a predecir una salida específica (en este caso, los próximos niveles de glucosa). Por tanto, buscando la implementación de una IA explicable (XAI, por sus siglas en inglés), se utilizó un a arquitectura basada en transformers, cuyos mecanismos de atención, entre otras capas intermedias, permiten interpretar las predicciones del modelo y cuantificar la incertidumbre de dichas predicciones. Además de obtener la interpretación de los resultados, que coincidía con el criterio clínico, se obtuvieron resultados que pueden considerarse estado del arte en predicción personalizada e interpretable de glucosa intersticial. Por último, debido a la gran cantidad de parámetros que tienen los modelos de DL, su implementación on-the-edge, es decir, con restricciones de potencia computacional y de consumo, no es trivial. E sta Tesis Doctoral ha propuesto una solución hardware basada en un acelerador FPGA (Field Programmable Gate Array, por sus siglas en inglés) para la implementación on-the-edge de un modelo de DL para la segmentación de ruidos cardíacos, debido al potencial que este diseño tiene para asistir en la detección temprana de enfermedades cardiovasculares, especialmente en regiones donde la atención médica no está garantizada. Aprovechando las capacidades de paralelización de las FPGA’s, se redujo la latencia de partida del modelo, llegando a su ejecución en tiempo real, con baja potencia y con pérdidas de prestaciones inapreciables en la segmentación de sonidos cardíacos. Esta Tesis Doctoral presenta cuatro contribuciones que demuestran el potencial de la IA en la gestión de enfermedades crónicas en diferentes partes de su flujo de diseño: 1) la generación de datos sintéticos para mejorar el rendimiento de modelos de ML; 2) el entrenamiento de modelos de predicción de glucosa intersticial totalmente personalizados adaptando el entrenamiento al contexto de la diabetes tipo 1 ; 3) el uso de modelos interpretables, con estimación de incertidumbre, que ofrecen prestaciones superiores a las reportadas en el estado del arte ; y 4) la implementación hardware en tiempo real y baja potencia para un diseño basado en IA de segmentación de ruidos cardíacos.