Η Οξεία λευχαιμία (ΟΛ) αποτελεί νεοπλασματικό, αιμοποιητικό νόσημα, που οφείλεται στον πολλαπλασιασμό και την επέκταση κυττάρων, που προέρχονται από τους λευχαιμικούς βλάστες. Η φυσική εξέλιξη του νοσήματος είναι η αντικατάσταση των φυσιολογικών κυττάρων του αιμοποιητικού ιστού από τους απόγονους των λευχαιμικών βλαστών και θάνατος, λόγω των επιπλοκών της έλλειψης των ώριμων αιμοποιητικών κυττάρων, όπως λοιμώξεις, αναιμία και αιμορραγία. Θεραπευτικά για την αντιμετώπιση της ΟΛ χρησιμοποιούνται σχήματα χημειοθεραπείας και ακτινοθεραπείας, που έχουν σαν σκοπό την καταστροφή των λευχαιμικών βλαστών και την αποκατάσταση της φυσιολογικής αιμοποίησης. Συχνά η ΟΛ, ιδιαίτερα σε ασθενείς μεγάλης ηλικίας, εμφανίζεται ταυτόχρονα με δυσπλαστικές διαταραχές των αιμοποιητικών κυττάρων που ωριμάζουν ή εξελίσσεται σε μυελοδυσπλαστικό σύνδρομο μετά από χημειοθεραπεία. Από την βιβλιογραφία είναι γνωστό ότι, τόσο η ΟΛ μπορεί να είναι στάδιο εξέλιξης των μυελοδυσπλαστικών συνδρόμων και κατά συνέπεια μετά τη θεραπεία της ΟΛ επανέρχεται η δυσπλαστική κατάσταση της αιμοποίησης, όσο ότι η χημειοθεραπεία καθαυτή μπορεί να προκαλέσει μυελοδυσπλασία. Είναι σημαντική η διάγνωση των πρωτοπαθών μυελοδυσπλαστικών συνδρόμων που εξελίσσονται σε ΟΛ, ως προς την πρόγνωση των ασθενών, αλλά και τη θεραπευτική τους αντιμετώπιση. Επίσης, είναι σημαντική η διάκριση ομάδων ασθενών που θα αναπτύξουν δυσπλασία μετά από χημειοθεραπεία, σε σχέση με αυτούς που δεν θα αναπτύξουν και ως προς την πρόγνωση και ως προς τη θεραπευτική αντιμετώπιση. Μέχρι σήμερα, κατά την εμφάνιση της ΟΛ η διάγνωση υποκείμενης μυελοδυσπλασίας είναι δύσκολη και στηρίζεται σε μορφολογικά χαρακτηριστικά των ώριμων κυττάρων και στην παρουσία ορισμένων κυτταρογενετικών διαταραχών. Η διάκριση ομάδων που θα αναπτύξουν δυσπλασία μετά από χημειοθεραπεία είναι αδύνατη. Σκοπός της μελέτης ήταν να συμβάλλει στην ανάπτυξη νέων πρωτοκόλλων στο λογισμικό της κυτταρομετρίας ροής, που θα διευκολύνουν τη διάγνωση πρωτοπαθών δυσπλαστικών συνδρόμων κατά την εμφάνιση της ΟΛ, αλλά και θα διακρίνουν τις ομάδες που μπορούν να αναπτύξουν δυσπλασία μετά από θεραπεία. Για τον σκοπό αυτό, παρακολουθήσαμε την έκφραση χαρακτηριστικών αντιγονικών συνδυασμών, που εκφράζονται σε διαφορετικά στάδια ωρίμανσης των φυσιολογικών κυττάρων, παράλληλα με την έκφραση των αντιγόνων των βλαστών. Τα δεδομένα αυτά μελετήθηκαν, τόσο κατά την εμφάνιση της ΟΛ, όσο και κατά τη παρακολούθηση της. Τα δεδομένα αναλύθηκαν με συστήματα ταυτόχρονης ανάλυσης και συσχέτισης 15-20 παραμέτρων, με σκοπό τον καθορισμό συσχετισμών που θα έχουν διαγνωστική και προγνωστική σημασία για τους ασθενείς με ΟΛ. Τα αποτελέσματα του ανοσοφαινοτύπου αναλύθηκαν, επιπλέον, με το λογισμικό πακέτο στατιστικής ανάλυσης SPSS 16.0. Για τους σκοπούς της μελέτης αναλύθηκαν αναδρομικά τα αποτελέσματα της κυτταρομετρίας ροής στο μυελό των οστών 148 ασθενών με ΟΜΛ κατά την εμφάνιση της νόσου, κατά την διάρκεια και μετά από θεραπεία. Αναλύθηκε η έκφραση των αντιγόνων CD11b/CD16/CD13 σε όλα τα στάδια ωρίμανσης της μυελικής σειράς, ενώ η έκφραση των αντιγόνων CD34/CD117 μόνο στα άωρα κύτταρα. Τα ευρήματα του ανοσοφαινοτύπου συγκρίθηκαν με τα μορφολογικά χαρακτηριστικά των αντίστοιχων μυελών των οστών. Συμπερασματικά, τα αποτελέσματα έδειξαν ότι, η έκφραση των αντιγόνων CD11b και CD13 στα μεταμυελοκύτταρα και ουδετερόφιλα των ασθενών διακρίνει αποτελεσματικά τους ασθενείς με de novo ΟΜΛ σε σχέση με αυτούς που εμφάνισαν ΟΜΛ μετά από ΜΔΣ. Στους ασθενείς με de novo ΟΜΛ η έκφραση των αντιγόνων CD11b, CD13, CD16 δεν διέφερε κατά την εμφάνιση της ΟΛ στους υποπληθυσμούς των προμυελοκυττάρων, μυελοκυττάρων, μεταμυελοκυττάρων και ουδετερόφιλων μεταξύ των ασθενών που κατά ή μετά την θεραπεία εμφάνισαν μυελοδυσπλασία, σε σχέση με αυτούς που δεν εμφάνισαν. Επίσης, η θετική συν- έκφραση των αντιγόνων CD34/CD117 στους λευχαιμικούς βλάστες κατά την εμφάνιση δεν συσχετίζονταν με την εμφάνιση ΜΔΣ μετά την θεραπεία. Αντίθετα, η υψηλή έκφραση του λευχαιμικού φαινοτύπου CD34+/CD117- στα άωρα κύτταρα της μυελικής σειράς κατά την εμφάνιση της ΟΜΛ, έδειξε ότι σχετίζεται με την εμφάνιση μυελοδυσπλαστικών χαρακτηριστικών μετά τη θεραπεία. Η ανάλυση των ανοσοφαινοτύπων του μυελού των οστών κατά ή μετά την θεραπεία έδειξε παθολογική έκφραση CD11b, CD13, CD16 στα μεταμυελοκύτταρα και ουδετερόφιλα των ασθενών που εμφάνισαν ΜΔΣ μετά θεραπεία για de novo ΟΜΛ και ασθενών (5/17) που δεν εμφάνισαν ΜΔΣ. Συμπερασματικά, η έκφραση των αντιγόνων CD11b, CD16 και CD13 στα ώριμα κύτταρα της μυελικής σειράς κατά την εμφάνιση της ΟΜΛ διαχωρίζει αποτελεσματικά την de novo ΟΜΛ από την δευτεροπαθή μετά ΜΔΣ. Η έκφραση αυτών των αντιγόνων κατά την εμφάνιση της ΟΜΛ δεν μπορεί, όμως, να προβλέψει την εξέλιξη της de novo ΟΜΛ και την εμφάνιση δυσπλαστικών χαρακτηριστικών μετά τη θεραπεία. Αντιθέτως, η μελέτη των λευχαιμικών φαινοτύπων CD34+/CD117- και CD34+/CD117+ μπορεί να παίξει καθοριστικό ρόλο στην πρόγνωση της εμφάνισης μυελοδυσπλαστικών χαρακτηριστικών κατά τη διάρκεια ή μετά τη θεραπεία του ασθενούς. / --

Η Β-χρόνια Λεμφογενής Λευχαιμία (Β-ΧΛΛ) αποτελεί τον πιο κοινό τύπο λευχαιμίας στο Δυτικό κόσμο. Η πρόγνωσή της θεωρείται ως ένα από τα πιο ενδιαφέροντα προβλήματα απόφασης στην κλινική έρευνα και πρακτική. Για διάφορους κλινικούς και εργαστηριακούς δείκτες είναι γνωστό ότι σχετίζονται με την εξέλιξη της νόσου. Για τις παραμέτρους, όμως, που εξάγονται με ανάλυση κυτταρομετρίας ροής, οι οποίες αποτελούν τον ακρογωνιαίο λίθο της διαδικασίας διάγνωσης της νόσου, το αν προσφέρουν επιπρόσθετη προγνωστική πληροφορία αποτελεί ανοιχτό πρόβλημα. Στη διατριβή αυτή προτείνουμε ένα σύστημα υποβοήθησης για τις αποφάσεις των ειδικών του πεδίου, το οποίο πραγματοποιεί πολυπαραμετρική πρόγνωση ασθενών με Β-ΧΛΛ, συνδυάζοντας τη χρήση ποικίλων ετερογενών προγνωστικών δεικτών (κλινικών, εργαστηριακών και κυτταρομετρίας ροής) που σχετίζονται με τη νόσο. Η διάγνωση της Β-ΧΛΛ βασίζεται κυρίως στη μελέτη του αντιγονικού φαινότυπου των κυττάρων των ασθενών, η οποία διενεργείται με κυτταρομετρία ροής. Αν και η διαδικασία που ακολουθείται κατά την ανάλυση αυτή είναι σαφώς ορισμένη, ο τρόπος με τον οποίο οι εργαστηριακοί υπεύθυνοι την πραγματοποιούν παραδοσιακά χαρακτηρίζεται από ανακρίβεια και υποκειμενικότητα. Καθώς η τεχνολογία της κυτταρομετρίας ροής εξελίσσεται ραγδαία, γίνεται όλο και πιο επιτακτική η ανάγκη για την ανάπτυξη αυτοματοποιημένων μεθόδων ανάλυσης των δεδομένων που παράγει. Σε αυτά τα πλαίσια, παρουσιάζουμε ένα χρήσιμο παράδειγμα αυτοματοποιημένης ανάλυσης κυτταρομετρικών δεδομένων, η οποία δεν απαιτεί την άμεση επίβλεψη των ειδικών, για τη διάγνωση ασθενών με Β-ΧΛΛ. Οι τιμές των χαρακτηριστικών παραμέτρων που εξάγονται με εφαρμογή της προτεινόμενης μεθοδολογίας, ενσωματώνονται κατόπιν στο προαναφερθέν προγνωστικό σύστημα. Ανάγοντας το πρόβλημα της πρόγνωσης της Β-ΧΛΛ σε ένα στιγμιότυπο ταξινόμησης προτύπων, καθώς και προσομοιώνοντας κάθε ένα από τα βήματα της διαδικασίας της διάγνωσης της νόσου με ένα στιγμιότυπο συσταδοποίησης δεδομένων, αντιμετωπίσαμε τα δύο προβλήματα εφαρμόζοντας τεχνικές στατιστικής μάθησης. Εστιάσαμε σε μεθοδολογίες δικτύων πεποίθησης, χρησιμοποιώντας συγκεκριμένα το naïve-Bayes μοντέλο και για τις δύο περιπτώσεις, στην επιβλεπόμενη και στη μη επιβλεπόμενη εκδοχή του, αντίστοιχα. Τα χαρακτηριστικά και η φύση των δεδομένων (κυρίως των κυτταρομετρικών) που παράγονται από έναν παθολογικό υποκείμενο μηχανισμό, όπως αυτός της νόσου, δεν ευνοούν την απευθείας εφαρμογή του παραπάνω μοντέλου στο εκάστοτε στιγμιότυπο. Για το λόγο αυτό, συνδυάσαμε την εφαρμογή του naïve-Bayes μοντέλου με κατάλληλες ευρετικές αλγοριθμικές διαδικασίες, για την επίτευξη καλύτερων αποτελεσμάτων, με κριτήριο βέλτιστου όχι μόνο κάποιες συχνά χρησιμοποιούμενες μετρικές αποτίμησης αλγόριθμων, αλλά και τη γνώμη των αιματολόγων. Χάρη στην ιδιότητά τους να ενσωματώνουν την έμπειρη γνώση των ειδικών ως εκ των προτέρων πληροφορία αρχικοποίησης των μεθόδων μάθησής τους, οι Bayesian μεθοδολογίες κρίνονται ως οι πλέον κατάλληλες για την εφαρμογή τους σε τέτοιου τύπου προβλήματα. / B-Chronic Lymphocytic Leukemia (B-CLL) is known to be the most common type of leukemia in the Western world. Its prognosis remains one of the most interesting decision problems in clinical research and practice. Various clinical and laboratory factors are known to be associated with the evolution of the disease. However, for the parameters obtained by flow cytometry analysis, that are traditionally utilized as the cornerstone during the diagnosis procedure of the disease, whether they offer additional prognostic information is an open issue. In this dissertation, we propose a decision support system to the hematologists, that provides multiparametric B-CLL patients’ prognosis, combining the usage of diverse heterogeneous factors (clinical, laboratory and flow cytometry) associated with the disease. B-CLL diagnosis is primarily derived from the study of the antigenic phenotype of the patients’ blood cells, which is held with flow cytometry analysis. Despite the fact that the method of the analysis is well defined, the process traditionally followed by the laboratory experts is characterized by amounts of inexactness and subjectivity. As flow cytometry technology advances rapidly, the need for adequate automated (computer-assisted) analysis methodologies on the data it produces is accordingly increasing. In this context, we present a useful paradigm of automated analysis of flow cytometry data, that does not require the direct supervision of the expert, for B-CLL patients’ diagnosis. The values of the flow cytometry characteristic parameters extracted by applying the proposed methodology are afterward incorporated to the prognostic system for B-CLL mentioned above. By reducing the B-CLL prognosis problem to an instance of the pattern classification problem, as well as by simulating each step of the B-CLL diagnosis procedure with an instance of the data classification problem, we proceeded with applying statistical learning techniques. We focused on Bayesian network methodologies and utilized the naïve-Bayes model for both cases, in its supervised and unsupervised version, respectively. The characteristics of the data (especially of the flow cytometry ones) generated by a pathological underlying mechanism, like the disease’s one, did not encourage the direct use of the above model. Therefore, we combined the naïve-Bayes model with a set of suitable heuristic algorithmic procedures to obtain better results, not only with respect to some commonly used algorithmic optimality metrics, but also by considering the experts’ opinion. Due to their ability of incorporating the expert knowledge as a priori initial information to their learning methods, Bayesian methodologies are considered as the most appropriate ones to make use of in such types of applications.