dc.contributor.author | Ριζάβας, Κωνσταντίνος![]() |
el |
dc.contributor.author | Rizavas, Konstantinos![]() |
en |
dc.date.accessioned | 2024-04-24T10:50:57Z | |
dc.date.available | 2024-04-24T10:50:57Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/59283 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.26979 | |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
dc.subject | Πρόγραμμα BOUNCE | el |
dc.subject | Καρκίνος του μαστού | el |
dc.subject | Διαταραχή Μετατραυματικού Στρες (ΔΜΣ) | el |
dc.subject | Μηχανική μάθηση | el |
dc.subject | BOUNCE project | en |
dc.subject | Breast cancer | en |
dc.subject | Post-Traumatic Stress Disorder (PTSD) | en |
dc.subject | Machine learning | en |
dc.title | Πρόβλεψη εμφάνισης συμπτωμάτων διαταραχής μετατραυματικού στρες (PTSD) σε γυναίκες με καρκίνο του μαστού με χρήση μεθόδων τεχνητής νοημοσύνης | el |
dc.title | Predicting Post-Traumatic Stress Disorder (PTSD) symptoms in women suffering from breast cancer using machine learning | en |
heal.type | bachelorThesis | |
heal.classification | Μηχανική μάθηση | el |
heal.language | el | |
heal.language | en | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2023-11-06 | |
heal.abstract | Στο διάστημα των τελευταίων χρόνων, το φαινόμενο του καρκίνου του μαστού συνεχώς αυξάνεται σε συχνότητα, αλλά η θνησιμότητα της ασθένειας μειώνεται, χάρη στη αδιάκοπη πρόοδο της σύγχρονης ιατρικής και των τεχνολογικών μέσων. Ερχόμαστε αντιμέτωποι με μία νέα πραγματικότητα, στην οποία πρέπει να βοηθήσουμε τις γυναίκες που επέζησαν από καρκίνο του μαστού να ανακάμψουν ψυχολογικά και να επανενταχθούν ομαλά στην κοινωνία και στο εργατικό δυναμικό. Στο πλαίσιο αυτών των άνευ προηγουμένου συνθηκών, η παρούσα διπλωματική εργασία, τμήμα του χρηματοδοτούμενου από την Ευρωπαϊκή Ένωση προγράμματος BOUNCE, ερευνά τις δυνατότητες της χρήσης αλγορίθμων μηχανικής μάθησης στην πρόβλεψη συμπτωμάτων Διαταραχής Μετατραυματικού Στρες (ΔΜΣ) σε γυναίκες που πάσχουν από πρώιμο καρκίνο του μαστού, με τελικό στόχο την δημιουργία του ιδανικού μοντέλου και της αντίστοιχης μεθοδολογίας. Τα δεδομένα που χρησιμοποιήθηκαν συγκεντρώθηκαν στα τέσσερα ογκολογικά νοσοκομεία – πρότυπα: IEO (Μιλάνο, Ιταλία), HUS (Ελσίνκι, Φινλανδία), HUJI (Ιερουσαλήμ, Ισραήλ) και Champalimaud (Λισαβόνα, Πορτογαλία). Οι μέθοδοι προεπεξεργασίας που χρησιμοποιήθηκαν έλαβαν υπόψιν τους την αναμενόμενα έντονη ανισορροπία των ιατρικών μας δεδομένων, τον περιορισμένο αριθμό δειγμάτων και τον αυξημένο αριθμό χαρακτηριστικών, καθώς και τους ταξινομητές μηχανικής μάθησης που σκοπεύαμε να χρησιμοποιήσουμε. Η εκπαίδευση των μοντέλων αξιοποίησε την τεχνική του επαναλαμβανόμενου cross-validation για να επιλέξει τις καλύτερες υπερπαραμέτρους του κάθε μοντέλου και η επίδοση των καλύτερων μοντέλων ελέγχθηκε σε ένα σύνολο δεδομένων ελέγχου που κρατήσαμε ξεχωριστά για να προσομοιάσουμε άγνωστα δεδομένα του πραγματικού κόσμου. Τα πειράματα διενεργήθηκαν στα πλαίσια μιας «αφαιρετικής μελέτης» η οποία είχε ως στόχο την αναγνώριση των σημαντικών τμημάτων της διαδικασίας προεπεξεργασίας και μοντελοποίησης, καθώς και την ταυτοποίηση των χαρακτηριστικών εκείνων που υποδεικνύουν μεγάλη πιθανότητα παρουσίασης συμπτωμάτων ΔΜΣ και συνεπώς επηρεάζουν πολύ έντονα τα μοντέλα μας, οδηγώντας τα σε καλύτερες προβλέψεις. Η προκύπτουσα διαδικασία δοκιμάστηκε σε δεδομένα που προέρχονταν από νοσοκομεία των οποίων δεδομένα δεν είχαν συμπεριληφθεί στην εκπαίδευση, με σκοπό να ελεγχθεί η ικανότητα γεωγραφικής γενίκευσης των μοντέλων μας. Τα αποτελέσματα αυτής της έρευνας είναι πολλά υποσχόμενα και τονίζουν εμφατικά τις δυνατότητες της μηχανικής μάθησης στον κλάδο της ιατρικής και συγκεκριμένα στην πρόβλεψη ασθενειών και ψυχολογικών διαταραχών. | el |
heal.abstract | Over the course of the last few years, the phenomenon of breast cancer is constantly increasing in frequency, but the mortality of the disease is decreasing, thanks to the continuous advance of modern medicine and technological tools. A new reality dawns upon us, in which we need to help the surviving women BOUNCE back psychologically and reintegrate them smoothly in our society and workforce. Amidst these unprecedented circumstances, this diploma thesis, part of the European Union – funded BOUNCE project, researches the potential of using machine learning algorithms to try and accurately predict Post Traumatic Stress Disorder (PTSD) symptoms in women suffering from early breast cancer and ultimately aims to create the optimal model and associated methodology. The data used were gathered at the four oncology centers – pilots: IEO (Milan, Italy), HUS (Helsinki, Finland), HUJI (Jerusalem, Israel) and Champalimaud (Lisbon, Portugal). The preprocessing methods used took into account the expected heavy imbalance of our medical data, the limited number of samples and the high number of features to consider, as well as the machine learning classifiers to be used. The model training leveraged repeated cross-validation in order to tune their hyper-parameters and the best models were evaluated on a separatelyheld test set to simulate unknown real-world data. The experiments conducted were part of an ablation study that tried to identify the important aspects of our preprocessing and modelling procedure, and also pinpoint the important features that indicate high probability of developing PTSD symptoms and therefore greatly impact our models, leading them to better predictions. The resulting procedure was tested when being used on data from completely different hospitals to check its geographical generalizability. The outcome of this study demonstrates considerable promise and highlights the potential of machine learning in the field of medicine and more specifically in predicting diseases and psychological disorders | en |
heal.advisorName | Σταματάκος, Γεώργιος | el |
heal.committeeMemberName | Βαρβαρίγου, Θεοδώρα | el |
heal.committeeMemberName | Φράγκος, Παναγιώτης | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 134 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: