Συγκριτική ανάλυση μοντέλων μηχανικής μάθησης για την πρόβλεψη θνησιμότητας σε εγκεφαλικούς όγκους

Προκοπίου, Στυλιανός; Prokopiou, Stylianos

dc.contributor.author	Προκοπίου, Στυλιανός	el
dc.contributor.author	Prokopiou, Stylianos	en
dc.date.accessioned	2025-05-02T09:13:03Z
dc.date.available	2025-05-02T09:13:03Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61843
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29539
dc.rights	Default License
dc.subject	Radiomics	en
dc.subject	Εξαγωγή Χαρακτηριστικών	el
dc.subject	Απεικόνιση Μαγνητικού Συντονισμού (MRI)	el
dc.subject	Ταξινόμηση Θανάτου	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Exploratory Data Analysis	en
dc.title	Συγκριτική ανάλυση μοντέλων μηχανικής μάθησης για την πρόβλεψη θνησιμότητας σε εγκεφαλικούς όγκους	el
heal.type	bachelorThesis
heal.classification	Βιοιατρική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-11-29
heal.abstract	Οι όγκοι εγκεφάλου, ιδιαίτερα οι μεταστατικοί όγκοι που προέρχονται από άλλους καρκίνους, αποτελούν σημαντική πρόκληση στην πρόγνωση και τον σχεδιασμό θεραπείας των ασθενών. Αυτή η διατριβή εξερευνά την εφαρμογή της μηχανικής μάθησης (Machine Learning, ML) για την ταξινόμηση του θανάτου σε ασθενείς με όγκους εγκεφάλου, χρησιμοποιώντας δεδομένα πολλαπλών τρόπων. Το αρχικό τμήμα παρέχει μια επισκόπηση των όγκων εγκεφάλου, των μεταστάσεων και της κλινικής τους σημασίας. Στη συνέχεια, εμβαθύνει στα θεμελιώδη στοιχεία της μηχανικής μάθησης, εξηγώντας διάφορες μεθόδους και τις δυνατότητές τους για την ανάλυση ιατρικών προβλημάτων. Ακολούθως, η διατριβή περιγράφει λεπτομερώς την εξέταση ενός δείγματος δεδομένων (n = 200) που αποκτήθηκε από το Αρχείο Εικόνων Καρκίνου (TCIA). Τα δεδομένα περιλαμβάνουν εικόνες MRI, διατμηματώσεις και αντίστοιχες κλινικές πληροφορίες (ηλικία, φύλο, κατάσταση θανάτου κ.λπ.). Για τον ποσοτικό προσδιορισμό των χαρακτηριστικών του όγκου από τις εικόνες MRI χρησιμοποιούνται τεχνικές εξαγωγής χαρακτηριστικών radiomics . Στη συνέχεια, τα εξαχθέντα χαρακτηριστικά υποβάλλονται σε προεπεξεργασία για να διασφαλιστεί η καταλληλότητά τους για αλγορίθμους μηχανικής μάθησης. Το βασικότερο κομμάτι της διατριβής περιλαμβάνει την εξαγωγή χαρακτηριστικών radiomics και την μελέτη της προβλεπτικής τους ικανότητας και κατ’ επέκταση τη συγκριτική ανάλυση και βελτιστοποίηση διαφορετικών μεθόδων μηχανικής μάθησης για την ταξινόμηση του θανάτου των ασθενών. Αυτές οι μέθοδοι περιλαμβάνουν μια σειρά από αλγορίθμους επιβλεπόμενης μάθησης που χρησιμοποιούνται συνήθως σε ιατρικές εφαρμογές. Το τμήμα των αποτελεσμάτων παρουσιάζει μια ολοκληρωμένη σύγκριση των μετρήσεων επιδόσεων που επιτεύχθηκαν από κάθε μέθοδο μηχανικής μάθησης. Περιλαμβάνει μια λεπτομερή ανάλυση των παραγόντων που επηρεάζουν την ακρίβεια ταξινόμησης και τον εντοπισμό του βέλτιστου αλγορίθμου για την πρόβλεψη θανάτου σε αυτήν την ειδική ομάδα ασθενών. Τέλος, η διατριβή ολοκληρώνεται με τη συζήτηση των συνεπειών των ευρημάτων, των πιθανών περιορισμών της μελέτης και των κατευθύνσεων για μελλοντική έρευνα στην ταξινόμηση όγκων εγκεφάλου χρησιμοποιώντας προηγμένες προσεγγίσεις μηχανικής μάθησης. Αυτό το έργο συμβάλλει στην ανάπτυξη πιο ισχυρών και ακριβών μεθόδων για την πρόβλεψη των αποτελεσμάτων των ασθενών σε περιπτώσεις όγκων εγκεφάλου, συμβάλλοντας τελικά σε εξατομικευμένες στρατηγικές θεραπείας και βελτιωμένη φροντίδα των ασθενών.	el
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.committeeMemberName	Παναγόπουλος, 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	136 σ.	el
heal.fullTextAvailability	false