Machine Learning (ML) is extensively used in diverse healthcare applications to aid
physicians in diagnosing and identifying associations, sometimes hidden, between dif-
ferent biomedical parameters. This PhD thesis investigates the interplay of medical
images and biosignals to study the mechanisms of aging, knee cartilage degeneration,
and Motion Sickness (MS).
The first study shows the predictive power of soft tissue radiodensitometric parameters
from mid-thigh CT scans. We used data from the AGES-Reykjavik study, correlating
soft tissue numerical profiles from 3,000 subjects with cardiac pathophysiologies, hy-
pertension, and diabetes. The results show the role of fat, muscle, and connective tissue
in the evaluation of healthy aging. Moreover, we classify patients experiencing gait
symptoms, neurological deficits, and a history of stroke in a Korean population, reveal-
ing the significant impact of cognitive dual-gait analysis when coupled with single-gait.
The second study establishes new paradigms for knee cartilage assessment, correlating
2D and 3D medical image features obtained from CT and MRI scans. In the frame
of the EU-project RESTORE we were able to classify degenerative, traumatic, and
healthy cartilages based on their bone and cartilage features, as well as we determine
the basis for the development of a patient-specific cartilage profile.
Finally, in the MS study, based on a virtual reality simulation synchronized with a
moving platform and EEG, heart rate, and EMG, we extracted over 3,000 features
and analyzed their importance in predicting MS symptoms, concussion in female ath-
letes, and lifestyle influence. The MS features are extracted from the brain, muscle,
heart, and from the movement of the center of pressure during the experiment and
demonstrate their potential value to advance quantitative evaluation of postural con-
trol response.
This work demonstrates, through various studies, the importance of ML technologies in
improving clinical evaluation and diagnosis contributing to advance our understanding
of the mechanisms associated with pathological conditions.
Tölvulærdómur (Machine Learning eða ML) er algjörlega viðurkennt og nýtt í ýmsum
heilbrigðisþjónustuviðskiptum til að hjálpa læknunum við að greina og finna tengsl
milli mismunandi líffærafræðilegra gilda, stundum dulinna. Þessi doktorsritgerð fjallar
um samspil læknisfræðilegra mynda og lífsmerkja til að skoða eðli aldrunar, niðurbrot
hnéhringjar og hreyfikerfissjúkdóms (Motion Sickness eða MS).
Fyrsta rannsóknin sýnir spárkraft midjubeins-CT-skanna í því að fullyrða staðfest-
ar meðalþyngdarlíkön, þar sem gögn úr AGES-Reykjavik-rannsókninni eru tengd við
hjarta- og æðafræðilega sjúkdóma, blóðþrýstingsveikindi og sykursýki hjá 3.000 þátt-
takendum. Niðurstöðurnar sýna hlutverk fitu, vöðva og tengikjarna í mati á heilbrigð-
um öldrun. Þar að auki flokkum við sjúklinga sem upplifa gangvandamál, taugaein-
kenni og sögu af heilablóðfalli í kóreanskri þjóð, þar sem einstök gangtaksskoðun er
tengd saman við tvískoðun.
Önnur rannsóknin setur upp ný tölfræðisfræðileg umhverfisviðmið til matar á hnéhringju
með samhengi 2D og 3D mynda sem aflað er úr CT og MRI-skömmtum. Í rauninni
höfum við getuð flokkað niðurbrots-, slys- og heilbrigðar hnéhringjur á grundvelli bein-
og brjóskmerkja með raun að sækja niðurstöður í umfjöllun um sjúklingar eftir réttu
einkasniði.
Að lokum, í MS-rannsókninni, notum við myndræn tilraun samþættaða með hreyfan-
legan grundvöll og EEG, hjartslátt, EMG þar sem yfir 3.000 aðgerðir eru útfránn og
greindir til að átta sig á áhrifum MS, höfuðárás hjá konum sem eru íþróttamenn, lífs-
stíl og fleira. Einkenni MS eru aflöguð úr heilanum, vöðvum, hjarta og frá hreyfingum
þyngdupunktsins á meðan tilraunin stendur og sýna mög.
