Μηχανική μάθηση στη διάγνωση του διαβήτη

Μήτσης, Αντώνιος; Mitsis, Antonios

dc.contributor.author	Μήτσης, Αντώνιος	el
dc.contributor.author	Mitsis, Antonios	en
dc.date.accessioned	2025-03-06T09:57:17Z
dc.date.available	2025-03-06T09:57:17Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61217
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28913
dc.rights	Default License
dc.subject	Μαθηματικά	el
dc.subject	Στατιστική	el
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Machine Learning	en
dc.subject	Python	en
dc.subject	Statistics	en
dc.subject	Julia	en
dc.subject	Artificial Intelligence	en
dc.title	Μηχανική μάθηση στη διάγνωση του διαβήτη	el
heal.type	bachelorThesis
heal.classification	Μαθηματικά Πληροφορικής	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-09-27
heal.abstract	Η παρούσα διατριβή εξετάζει τη χρήση τεχνικών μηχανικής μάθησης για την πρόβλεψη του κινδύνου εμφάνισης διαβήτη, χρησιμοποιώντας κλινικά και δημογραφικά δεδομένα. Χρησιμοποιήθηκαν τόσο επιβλεπόμενες όσο και μη επιβλεπόμενες μέθοδοι μηχανικής μάθησης για την ανάπτυξη μοντέλων που μπορούν να εντοπίσουν άτομα με υψηλό κίνδυνο. Κύριοι επιβλεπόμενοι αλγόριθμοι, όπως η Λογιστική Παλινδρόμηση, το Random Forest και οι Support Vector Machines (SVM), υλοποιήθηκαν και συγκρίθηκαν για την εύρεση του πιο ακριβούς μοντέλου. Για τη βελτίωση της απόδοσης και της ερμηνευσιμότητας των μοντέλων, χρησιμοποιήθηκαν τεχνικές μείωσης διαστάσεων, όπως η Ανάλυση Κύριων Συνιστωσών (PCA) και η Γραμμική Διακριτή Ανάλυση (LDA). Αφού βρέθηκε το βέλτιστο μοντέλο, ακολούθησε λεπτομερής ανάλυση για να εξηγηθεί η σημασία των χαρακτηριστικών που επηρεάζουν την πρόβλεψη του διαβήτη. Εντοπίστηκαν τα πιο σημαντικά χαρακτηριστικά, όπως τα επίπεδα γλυκόζης και η ηλικία, και αξιολογήθηκε η συμβολή τους στις προβλέψεις του μοντέλου. Η ερμηνευσιμότητα αυτή είναι απαραίτητη για τη διασφάλιση της ευθυγράμμισης των προβλέψεων με την κλινική γνώση και για την ενίσχυση της εμπιστοσύνης των χρηστών στη χρήση του μοντέλου. Για την επίδειξη της πρακτικής εφαρμογής, αναπτύχθηκε μια διαδικτυακή διεπαφή χρησιμοποιώντας τη γλώσσα προγραμματισμού Julia και το πλαίσιο Dash.jl. Αυτή η διεπαφή επιτρέπει στους χρήστες να εισάγουν κλινικά δεδομένα και να λαμβάνουν προβλέψεις σε πραγματικό χρόνο για τον κίνδυνο εμφάνισης διαβήτη. Η εφαρμογή αξιοποιεί τις υψηλές επιδόσεις της Julia, διασφαλίζοντας αποδοτικότητα και κλιμάκωση, και είναι κατάλληλη για χρήση τόσο σε κλινικά όσο και σε ερευνητικά περιβάλλοντα. Η μελέτη αυτή αναδεικνύει το δυναμικό της μηχανικής μάθησης στον τομέα της υγείας, ιδιαίτερα στην προγνωστική ανάλυση για την έγκαιρη διάγνωση και πρόληψη του διαβήτη. Παράλληλα, παρέχει μια βάση για μελλοντική έρευνα σε πιο σύνθετους ιατρικούς τομείς, όπου η μηχανική μάθηση μπορεί να οδηγήσει σε περαιτέρω καινοτομίες.	el
heal.advisorName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Στεφανέας, Πέτρος	en
heal.committeeMemberName	Πότικας, Πέτρος	en
heal.committeeMemberName	Καρώνη, Χρυσηίς	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false