Ερμηνεύσιμη τεχνητή νοημοσύνη για την απεικονιστική μελέτη νευροεκφυλιστικών ασθενειών σχετιζόμενων με γήρανση

Βλόντζου, Μαρία Ελευθερία; Vlontzou, Maria Eleftheria

dc.contributor.author	Βλόντζου, Μαρία Ελευθερία	el
dc.contributor.author	Vlontzou, Maria Eleftheria	en
dc.date.accessioned	2023-01-13T09:36:20Z
dc.date.available	2023-01-13T09:36:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56684
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24382
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ερμηνεύσιμη τεχνητή νοημοσύνη	el
dc.subject	Νευροεκφυλιστικές ασθένειες	el
dc.subject	Γήρανση εγκεφάλου	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Συλλογική μάθηση	el
dc.subject	Interpretable artificial intelligence	en
dc.subject	Neurodegenerative diseases	en
dc.subject	Brain ageing	en
dc.subject	Machine learning	en
dc.subject	Ensemble learning	en
dc.title	Ερμηνεύσιμη τεχνητή νοημοσύνη για την απεικονιστική μελέτη νευροεκφυλιστικών ασθενειών σχετιζόμενων με γήρανση	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-18
heal.abstract	Πάνω από 50 εκατομμύρια άνθρωποι παγκοσμίως έχουν διαγνωστεί με κάποιας μορφής άνοια, ενώ ο αριθμός αυτός πρόκειται να ξεπεράσει τα 152 εκατομμύρια έως το 2050. Η Ήπιας Μορφής Νοητική Εξασθένηση (Μild Cognitive Impairment - MCI) και η άνοια ανήκουν στις κυριότερες νευροεκφυλιστικές ασθένειες που οδηγούν σε νοητική δυσλειτουργία. Καθώς οι ασθενείς παραμένουν ασυμπτωματικοί για μεγάλο χρονικό διάστημα πριν τη διάγνωση, η απουσία αποτελεσματικών διαγνωστικών εργαλείων για την έγκαιρη διάγνωση των νευροεκφυλιστικών ασθενειών αποτελεί σημαντικό ζήτημα. Η παρούσα μελέτη στοχεύει στην ανάπτυξη ενός μοντέλου τεχνητής νοημοσύνης για τον διαχωρισμό ασθενών με φυσιολογική εγκεφαλική γήρανση, με Ήπιας Μορφής Νοητική Εξασθένηση και άνοια. Η προτεινόμενη μέθοδος αξιοποιεί ογκομετρικά δεδομένα από Τ1-σταθμισμένες εικόνες μαγνητικής τομογραφίας του εγκεφάλου και γενετικά δεδομένα και χρησιμοποιεί σχήματα διαίρεσης του προβλήματος πολλαπλών κλάσεων σε δυαδικά σε συνδυασμό με μία μέθοδο συλλογικής μάθησης, κατά την οποία συνδυάζονται οι προβλέψεις πολλαπλών ταξινομητών. Στόχος της τεχνικής αυτής είναι η αύξηση της προβλεπτικής ικανότητας, πρώτον, αντιμετωπίζοντας την αρχική ανισορροπία των δεδομένων και δεύτερο, ελαττώνοντας τη διακύμανση των αποτελεσμάτων πρόβλεψης. Επιπλέον, η μελέτη εστιάζει στη χρήση μεθόδου ερμηνευσιμότητας, ώστε να παρέχει φιλικές προς τον άνθρωπο επεξηγήσεις για τις προβλέψεις και να αυξήσει την αξιοπιστία του μοντέλου, που είναι ιδιαίτερα σημαντική στα ιατρικά προβλήματα. Το τελικό μοντέλο παρείχε ισορροπημένη ακρίβεια ίση με 87.5% και f1-σκορ ίσο με 90.8%. Τα αποτελέσματα των μεθόδων ερμηνευσιμότητας εστίασαν στην επίδραση των χαρακτηριστικών για την πρόβλεψη και βρέθηκε πως η ατροφία ορισμένων περιοχών όπως ο ιππόκαμπος ή η αμυγδαλή, η διεύρυνση των πλευρικών κοιλιών και διαφοροποιήσεις του DNA που σχετίζονται με την παρουσία του γονιδίου της απολιποπρωτεΐνης Ε συσχετίζονται με την ανάπτυξη των συγκεκριμένων νευροεκφυλιστικών παθήσεων, ενώ η παρουσία διαφοροποιήσεων σχετικών με άλλα γονίδια λειτουργεί προστατευτικά έναντι αυτών των ασθενειών.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	102 σ.	el
heal.fullTextAvailability	false