A general pipelined framework for ai assisted diagnoses

Biomedicine is evolving, moving towards more computationally intensive approaches. This shift, essential for understanding complex biological systems and providing personalized treatment, is driven by the union of the enormous quantity of biological data available with Artificial Intelligence (AI). Its incredible ability to integrate diverse data sources and discover hidden patterns enhances our understanding of biological systems but presents a few challenges regarding how to efficiently deploy AI-based diagnostic systems in medical settings due to strict privacy standards. Addressing these challenges, this thesis introduces a new, lightweight yet powerful framework for defining and deploying diagnostic AI pipelines. This system allows for easy workflow definition without the need to substantially modify the code used for model development. It supports multitask workloads, including binary classification, multiclass classification, and regression tasks. It enables automatic data pipelining, streamlining the creation, optimization, and visualization of AI workflows. Additionally, we present GEDIS (Graph Enhanced Dementia Identification System), a novel graph-based approach for dementia detection. By leveraging the relationships among features extracted from patients' conversations using Natural Language Processing, GEDIS provides a more nuanced analysis than traditional Machine Learning methods. It also serves as a case study to validate the deployment framework and assess its effectiveness in practical scenarios.

La biomedicina si sta evolvendo, orientandosi verso approcci sempre più prevalentemente computazionali. Questo cambiamento, fondamentale per comprendere i sistemi biologici complessi e fornire piani di cura personalizzati, è guidato dall'unione dell'enorme quantità di dati biologici disponibili con l'Intelligenza Artificiale (IA). L'incredibile capacità dell'IA di integrare fonti di dati diverse e scoprire pattern complessi migliora la nostra comprensione dei sistemi biologici, ma presenta alcune sfide riguardo a come integrare in modo efficiente sistemi diagnostici basati sull'IA in ambienti medici a causa di stringenti leggi sulla privacy. Affrontando queste sfide, questa tesi introduce un nuovo framework semplice, ma potente, per definire e implementare pipeline diagnostiche basate sull'IA. Questo sistema consente una facile definizione del flusso di processazione dati senza la necessità di modificare sostanzialmente il codice utilizzato per la prototipizzazione del modello di IA. Inoltre il framework supporta carichi di lavoro basati su diversi tasks, inclusa la classificazione binaria, classificazione multiclasse e la regressione. Permette l'automazione del data pipelining, semplificando la creazione, l'ottimizzazione e la visualizzazione del flusso di lavoro end-to-end. Inoltre, in questa tesi presentiamo GEDIS (Graph Enhanced Dementia Identification System), un nuovo approccio basato su grafi per l'identificazione della demenza. Sfruttando le relazioni tra le caratteristiche estratte dalle conversazioni di pazienti tramite tecniche di Natural Language Processing, GEDIS fornisce un'analisi più precisa rispetto ai metodi tradizionali di machine learning. Inoltre esso sarà utilizzato come caso di studio per validare il nostro framework e valutare la sua efficacia in scenari pratici.