Bridging the gap between machine learning and evoked potentials in MS

Abstract

The field of machine learning has seen a major resurgence in recent years, fueled by the ever-increasing availability of both data and computing power. Healthcare in particular stands to gain much from the adoption of such techniques. In this thesis, we apply machine learning in a range of domains, focusing mainly on the field of multiple sclerosis (MS). MS is an incurable, chronic disease which affects the conduction of neurons in the central nervous system. Evoked potentials (EP) are measurements that give insight into the damage caused to these neural pathways. Motor evoked potentials (MEP) specifically measure the level of degradation of signals transmitted from the brain to muscles in the hands or the feet. These types of measurements have been suggested to have prognostic value for the MS disease course. In this work, we seek to further substantiate this claim by gathering and curating a large, real-world dataset of MEPs. Through the application of various machine learning techniques we confirm that MEPs have prognostic value. We also find that there is potentially more information contained in the raw data which is not captured by commonly used summarizing measures. To facilitate further research on MEP measurements, we automate part of their analysis which so far was done manually by experts. By eliminating the need for expert knowledge in the interpretation of the measurements, the insights provided by MEP measurements may benefit more patients. Furthermore, we opted to make the MEP dataset publicly available so as to promote further research on these types of measurements. Besides the applications in MS we also present some of our work in other domains. This includes our early work on the optimization of various reservoir computing algorithms using Bayesian methods, where we show significant improvements on several benchmarks. Furthermore, we describe our research performed in collaboration with the late Christian Van den Broeck who started the research line on applied machine learning in the physics group at Hasselt University. In that work we use a deep learning approach to both identify bird species based on recordings of their songs with remarkable accuracy, and to detect apples in images of orchards. For both applications we find that these techniques readily outperform classical techniques, using off-the-shelf frameworks.

Het onderzoeksveld van machinaal leren (machine learning) heeft een grote wederopleving gekend in de afgelopen jaren, gedreven door de steeds toenemende beschikbaarheid van zowel data als rekenkracht. Gezondheidszorg in het bijzonder heeft veel te winnen bij het toepassen van dergelijke technieken. In deze thesis passen we machine learning toe in verschillende domeinen, waarbij we ons voornamelijk richten op het onderzoeksveld van multiple sclerose (MS). MS is een ongeneeslijke, chronische ziekte die de geleiding van neuronen in het centrale zenuwstelsel aantast. Ge¨evoceerde potentialen (EP) zijn metingen die inzicht geven over de opgelopen schade aan deze zenuwbanen. Motorisch ge¨evoceerde potentialen (MEP) meten specifiek de mate van degradatie van signalen die van de hersenen naar spieren in de handen of voeten worden gestuurd. Er is gesuggereerd dat dit soort metingen prognostische waarde hebben voor het ziekteverloop van MS. In dit werk trachten we deze bewering verder te onderbouwen door een grote, realistische dataset van MEPs te verzamelen en te beheren. Door de toepassing van verschillende machine learning-technieken bevestigen we dat MEPs prognostische waarde hebben. We stellen ook vast dat er mogelijk meer informatie in de ruwe data van de metingen zit die niet wordt opgepikt door typisch gebruikte samenvattende maten. Om verder onderzoek naar MEP-metingen te faciliteren, automatiseren we een deel van hun analyse, hetgeen tot nu toe handmatig werd gedaan door experts. Door de nood aan gespecialiseerde kennis bij de interpretatie van de metingen weg te nemen, kunnen de inzichten die door MEP-metingen worden geboden meer pati¨enten ten goede komen. Verder hebben we ervoor gekozen om de MEP-dataset publiek beschikbaar te stellen om verder onderzoek naar dit soort metingen te stimuleren. Naast de toepassingen binnen MS presenteren we ook een deel van ons werk in andere domeinen. Dit omvat ons vroege werk rond de optimalisatie van verschillende algoritmes binnen het veld van reservoir berekening (reservoir computing) met behulp van Bayesiaanse methodes, waarbij we aanzienlijke verbeteringen demonstreren op verschillende benchmarks. Verder beschrijven we ons onderzoek dat werd uitgevoerd in samenwerking met wijlen Christian Van den Broeck die de onderzoekslijn over toegepaste machine learning startte in de fysica-groep van Universiteit Hasselt. In dat werk gebruiken we een diep leren (deep learning) aanpak om zowel vogelsoorten met opmerkelijke nauwkeurigheid te identificeren op basis van opnames van hun zang, alsook om appels te detecteren in afbeeldingen van boomgaarden. Voor beide toepassingen komen we tot de conclusie dat deze technieken, gebruik makende van vrij beschikbare software, beter presteren dan klassieke technieken.