Ερμηνεύσιμη μηχανική μάθηση για τη μελέτη της εξέλιξης της ήπιας μορφής νοητικής εξασθένησης σε άνοια

Προεστάκη, Χριστίνα; Proestaki, Christina

dc.contributor.author	Προεστάκη, Χριστίνα	el
dc.contributor.author	Proestaki, Christina	en
dc.date.accessioned	2023-12-08T11:39:16Z
dc.date.available	2023-12-08T11:39:16Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58418
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26114
dc.rights	Default License
dc.subject	Άνοια	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Εξέλιξη νόσου	el
dc.subject	Ήπιας μορφής νοητική εξασθένηση	el
dc.subject	Διαχρονική μελέτη	el
dc.subject	Dementia	en
dc.subject	Machine learning	en
dc.subject	Longitudinal study	en
dc.subject	Disease progression	en
dc.subject	Mild cognitive impairment	en
dc.title	Ερμηνεύσιμη μηχανική μάθηση για τη μελέτη της εξέλιξης της ήπιας μορφής νοητικής εξασθένησης σε άνοια	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική τεχνολογία	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-20
heal.abstract	Η άνοια είναι μία νευροεκφυλιστική ασθένεια που επηρεάζει σημαντικά τις ανθρώπινες γν- ωστικές λειτουργίες. Τα κυριότερα συμπτώματά της περιλαμβάνουν την εξασθένηση της μνήμης, της σκέψης και των συλλογιστικών ικανοτήτων, προβλήματα που υποβαθμίζουν έντονα την καθημερινή ζωή των ασθενών. Η ΄Ηπιας Μορφής Νοητική Εξασθένηση (MCI) αποτελεί ένα ενδιάμεσο στάδιο μεταξύ της φυσιολογικής γνωστικής γήρανσης και της άνοιας. Συγκεκριμένα, οι ασθενείς με MCI αν και παρουσιάζουν αισθητή γνωστική επιδείνωση, πέραν της τυπικής γήρανσης, δεν πληρούν τα διαγνωστικά κριτήρια για άνοια. Ωστόσο, υπολογίζε- ται ότι 10-40% των ασθενών με MCI αναπτύσσουν άνοια, καθιστώντας το MCI κρίσιμο παράγοντα κινδύνου για την ανάπτυξη της. Η παρούσα έρευνα αποσκοπεί στη μελέτη της εξέλιξης του MCI με χρήση τεχνικών μηχανικής μάθησης (ML) για τη διάκριση μεταξύ των ασθενών με MCI που παρουσιάζουν εξέλιξη σε άνοια (MCIp) και εκείνων που παραμένουν σταθεροί (MCIs). Στην προτεινόμενη μέθοδο χρησιμοποιούνται ογκομετρικές μετρήσεις που αντλήθηκαν από διαχρονικά δεδομένα T1-σταθμισμένων εικόνων μαγνητικής τομογραφίας του εγκεφάλου από ασθενείς με MCI, ασθενείς με άνοια και υγιή άτομα. Για τη διάκριση μεταξύ των ασθενών με MCI που παρουσιάζουν εξέλιξη και εκείνων που παραμένουν στα- θεροί, το σύνολο δεδομένων μετατράπηκε σε σύνολο δεδομένων MCIp-MCIs. Στη συνέχεια αναπτύχθηκαν οι αλγόριθμοι ταξινόμησης Partial Least Squares Discriminant Analysis (PLSDA) και Μηχανές Διανυσμάτων Υποστήριξης (SVM). Επιπλέον, για να ενισχυθεί η αξιοπιστία των μοντέλων, χρησιμοποιήθηκαν οι μέθοδοι ερμηνευσιμότητας Τιμές Shapley και Αντιφατικά Παραδείγματα Permute Attack. Το προτεινόμενο μοντέλο με τα αποδοτικότερα αποτελέσματα ήταν το μοντέλο PLSDA με ακρίβεια 79.8% και AUC-ROC 71.4%, ενώ τα αποτελέσματα ερμηνευσιμότητας έδειξαν ότι οι πλάγιες κοιλίες, ο ιππόκαμπος, η αμυγδαλή, η ατρακτοειδής και η κροταφική έλικα είναι οι περιοχές με τη μεγαλύτερη επιρροή όσον αφορά την εξέλιξη του MCI σε άνοια.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Κωνσταντίνα, Νικήτα	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	88 σ.	el
heal.fullTextAvailability	false