Διάγνωση μεταβολικών νοσημάτων με χρήση μοντέλων μηχανικής μάθησης

Παπακωνσταντίνου, Δημήτρης; Papakonstantinou, Dimitris

dc.contributor.author	Παπακωνσταντίνου, Δημήτρης	el
dc.contributor.author	Papakonstantinou, Dimitris	en
dc.date.accessioned	2025-01-22T08:39:23Z
dc.date.available	2025-01-22T08:39:23Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60898
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28594
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	Στατιστική	el
dc.subject	Διερευνητική Ανάλυση Δεδομένων	el
dc.subject	Μεταβολικά Νοσήματα	el
dc.subject	Κατηγοριοποίηση	el
dc.subject	Κατανομές Μεταβλητών	el
dc.subject	Statistics	en
dc.subject	Explanatory Data Analysis	en
dc.subject	Metabolic Diseases	en
dc.subject	Classification	en
dc.subject	Distribution of Variables	en
dc.title	Διάγνωση μεταβολικών νοσημάτων με χρήση μοντέλων μηχανικής μάθησης	el
dc.title	Diagnosis of inborn errors of metabolism with the use of machine learning models	en
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-01
heal.abstract	Η εξέλιξη της επιστήμης δεδομένων και της τεχνητής νοημοσύνης (AI) στη σύγχρονη ζωή είναι αλματώδης. Τις τελευταίες δεκαετίες, αυτοί οι τομείς έχουν αλλάξει τον τρόπο που ζούμε, εργαζόμαστε και αλληλεπιδρούμε με την τεχνολογία. Η επιστήμη των δεδομένων, η πρακτική εξαγωγής γνώσεων και πληροφοριών από δεδομένα, έχει γίνει ακρογωνιαίος λίθος της λήψης αποφάσεων σε διάφορους κλάδους. Ταυτόχρονα, η τεχνητή νοημοσύνη, η οποία περιλαμβάνει τεχνικές μηχανικής μάθησης και βαθιάς μάθησης, επέτρεψε στις μηχανές να μιμούνται την ανθρώπινη νοημοσύνη και συμπεριφορά, οδηγώντας σε ανακαλύψεις στον αυτοματισμό, την εξατομίκευση και την επίλυση προβλημάτων. Μαζί, η επιστήμη των δεδομένων και η τεχνητή νοημοσύνη έχουν εγκαινιάσει μια εποχή πρωτοφανούς καινοτομίας, που επηρεάζει τα πάντα, από την υγειονομική περίθαλψη και τα οικονομικά μέχρι την ψυχαγωγία και τις μεταφορές. Καθώς συνεχίζουν να προοδεύουν, η επιρροή τους στην καθημερινή μας ζωή αναμένεται να αυξηθεί, διαμορφώνοντας το μέλλον με τρόπους που μόλις αρχίζουμε να φανταζόμαστε. Στην Ιατρική , επιστημονικό πεδίο στο οποίο κατεξοχήν συνυπάρχουν τεράστιος όγκος δεδομένων και περίπλοκοι αλγόριθμοι για την λήψη αποφάσεων η τεχνητή νοημοσύνη έχει ήδη αποδείξει τις δυνατότητες της. Σε αυτόν τον τομέα η διερεύνηση των μεταβολικών νοσημάτων (νοσημάτων που σχετίζονται με τον ανθρώπινο μεταβολισμό) αποτελεί χαρακτηριστικό και σύνθετο παράδειγμα εφαρμογής κανόνων μηχανικής μάθησης. Η ανάλυση Οργανικών Οξέων στα ούρα για την διερεύνηση μεταβολικών νοσημάτων αποτελεί μια σύνθετη εργαστηριακή ανάλυση που αποδίδει πληθώρα εργαστηριακών δεδομένων τα οποία απαιτούν ερμηνεία. Από αυτή την άποψη , η εκτίμηση των αποτελεσμάτων επιδέχεται χρήσης μοντέλων Μηχανικής μάθησης για την κατηγοριοποίηση των ασθενών σε φυσιολογικούς ή ανήκοντες σε μία κατηγορία μεταβολικού νοσήματος(Classification problem). Στην παρούσα εργασία χρησιμοποιήσαμε μοντέλα μηχανικής μάθησης για την κατηγοριοποίηση αποτελεσμάτων από μεγάλο αριθμό ασθενών σε φυσιολογικά η παθολογικά. Χρησιμοποιήθηκαν διάφοροι κατάλληλοι αλγόριθμοι και εκτιμήθηκε η ικανότητα των μοντέλων για την ορθή κατηγοριοποίηση των αποτελεσμάτων.	el
heal.sponsor	Neolab S.A.	en
heal.advisorName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Γεωργακίλας, Αλέξανδρος	el
heal.committeeMemberName	Παπαδόπουλος, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	79 σ.	el
heal.fullTextAvailability	false