Διάγνωση εγκεφαλικού επεισοδίου με χρήση μεθόδων Μηχανικής Μάθησης

Τζουρμανά, Ελευθερία; Tzourmana, Eleftheria

dc.contributor.author	Τζουρμανά, Ελευθερία	el
dc.contributor.author	Tzourmana, Eleftheria	en
dc.date.accessioned	2025-07-30T10:16:24Z
dc.date.available	2025-07-30T10:16:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62227
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29923
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	Diagnosis	en
dc.subject	Machine learning	en
dc.subject	Feature selection	en
dc.subject	Extracellular vesicles (EVs)	en
dc.subject	Stroke	en
dc.subject	Εγκεφαλικό επεισόδιο	el
dc.subject	Διάγνωση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Επιλογή χαρακτηριστικών	el
dc.subject	Εξωκυτταρικά κυστίδια	el
dc.title	Διάγνωση εγκεφαλικού επεισοδίου με χρήση μεθόδων Μηχανικής Μάθησης	el
dc.title	Stroke diagnosis using Machine Learning	en
heal.type	bachelorThesis
heal.classification	Βιοιατρική Μηχανική - Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-17
heal.abstract	Τα εγκεφαλικά επεισόδια συνιστούν μια σοβαρή ιατρική κατάσταση που προκαλείται από τη διαταραχή της ροής του αίματος προς συγκεκριμένες περιοχές του εγκεφάλου, με αποτέλεσμα τη βλάβη στα εγκεφαλικά κύτταρα. Η έγκαιρη διάγνωση του εγκεφαλικού επεισοδίου είναι ζωτικής σημασίας, καθώς η καθυστέρηση στην ιατρική παρέμβαση αυξάνει σημαντικά τον κίνδυνο μη αναστρέψιμων εγκεφαλικών βλαβών. Η παρούσα εργασία επικεντρώνεται στην εξερεύνηση του ρόλου των εξωκυτταρικών κυστιδίων (EVs) ως μη επεμβατικοί βιοδείκτες για την έγκαιρη διάγνωση και παρακολούθηση του εγκεφαλικού λόγω της δυνατότητάς τους να αντανακλούν την κυτταρική δραστηριότητα και να διαπερνούν τον αιματοεγκεφαλικό φραγμό. Η μελέτη βασίζεται σε δεδομένα που συλλέχθηκαν από το Πανεπιστημιακό Ιατρικό Κέντρο του Άμστερνταμ, περιλαμβάνοντας κλινικές και δημογραφικές πληροφορίες των ασθενών καθώς χαρακτηριστικά των EVs. Η μεθοδολογία της εργασίας επικεντρώνεται σε δύο άξονες: την επιλογή χαρακτηριστικών για την αναγνώριση των κρίσιμων παραμέτρων του εγκεφαλικού και την εφαρμογή αλγορίθμων μηχανικής μάθησης Gradient Boosting, XGBoost, Random Forest, Naïve Bayes, SVM, KNN και Decision Trees) για την ταξινόμηση των ασθενών. Στο πρώτο μέρος της ανάλυσης, εξετάζεται η διάγνωση του εγκεφαλικού επεισοδίου. Τα αποτελέσματα δείχνουν ότι ο βιοδείκτης CD235a-PE+ είναι ο πιο αποδοτικός, έχοντας επιλέξει τα εξής χαρακτηριστικά: Age, RR syst., Thrombocytes, wbc, glucose, Total, Total Concentration, Mean, Median, kurtosis και σημειώνοντας ακρίβεια 88%, recall 97%, precision 89%, f1 – score 93% και τιμή AUC 80%. Στο δεύτερο στάδιο, η διάκριση των τύπων εγκεφαλικού παρουσίασε ακρίβεια που κυμαίνεται από 40.5% έως 52.4%, με κοινά χαρακτηριστικά όπως Age, RR syst., Thrombocytes, wbc, και glucose. Στο τρίτο μέρος της έρευνας, εφαρμόζεται η μέθοδος "Two-Stage Hybrid Data Classifiers" για διάγνωση σε δύο στάδια: το πρώτο στάδιο κατηγοριοποιεί τους ασθενείς ανάλογα αν έχουν υποστεί εγκεφαλικό ή όχι, ενώ το δεύτερο εστιάζει στην ανίχνευση του τύπου εγκεφαλικού. Εξετάζονται δύο προσεγγίσεις: η επιλογή χαρακτηριστικών μόνο στο πρώτο στάδιο ή η επιλογή χαρακτηριστικών και στα δύο στάδια για την βελτίωση της απόδοσης του μοντέλου. Στην πρώτη περίπτωση, ο βιοδείκτης CD235a-PE+ παρουσίασε την υψηλότερη ακρίβεια (73%), με τιμές Precision 57% και Recall 50%. Στη δεύτερη περίπτωση, για τον ίδιο βιοδείκτη παρατηρήθηκε η μεγαλύτερη ακρίβεια (59%). Τέλος στο 4ο στάδιο, εξετάζεται μια εναλλακτική ταξινόμηση σε τρεις κατηγορίες (Control, Ischemic Stroke, Bleeding).. Η μετάβαση στη νέα ταξινόμηση έδειξε σημαντική βελτίωση στην ακρίβεια και στη διαγνωστική αξία των μοντέλων, με τον βιοδείκτη CD235a-PE+ να επιτυγχάνει ακρίβεια 73.8% και F1-score 61.1%, ενώ ο CD14-PB+ παρουσίασε το υψηλότερο AUC (73%) για τη διάκριση μεταξύ ισχαιμικού και αιμορραγικού εγκεφαλικού επεισοδίου.	el
heal.abstract	Stroke is a serious medical condition caused by disruption of blood flow to specific areas of the brain, resulting in damage to brain cells. Early diagnosis of stroke is crucial, as delay in medical intervention significantly increases the risk of irreversible brain damage. This study focuses on exploring the role of extracellular vesicles (EVs) as non-invasive biomarkers for the early diagnosis and monitoring of strokes, owing to their ability to reflect cellular activity and traverse the blood-brain barrier. The study is based on data collected from the Amsterdam University Medical Center, including clinical and demographic information from patients, as well as characteristics of EVs.The methodology of this study is structured around two primary axes: the selection of features to identify critical biological and clinical parameters associated with stroke and the application of machine learning algorithms (Gradient Boosting, XGBoost, Random Forest, Naïve Bayes, SVM, KNN, and Decision Trees) for the classification of patients. In the first stage of the analysis, stroke diagnosis is examined. The results indicate that the biomarker CD235a-PE+ is the most efficient, with selected features including Age, RR syst., Thrombocytes, wbc, glucose, Total, Total Concentration, Mean, Median, and kurtosis, achieving an accuracy of 88%, recall of 97%, precision of 89%, an F1-score of 93%, and an AUC of 80%. In the second stage, the differentiation of stroke types presented accuracy ranging from 40.5% to 52.4%, with common features such as Age, RR syst., Thrombocytes, wbc, and glucose. In the third part of the study, the "Two-Stage Hybrid Data Classifiers" method is employed for two-stage diagnosis: the first stage categorizes patients based on whether they have experienced a stroke, while the second stage focuses on detecting the type of stroke. Two approaches are examined: feature selection only in the first stage, and feature selection in both stages for enhanced model performance. In the first approach, the biomarker CD235a-PE+ achieved the highest accuracy (73%), with Precision at 57% and Recall at 50%. In the second approach, the same biomarker showed the highest accuracy of 59%. Finally, in the fourth stage, an alternative classification into three categories (Control, Ischemic Stroke, Bleeding) was explored. The transition to this new classification demonstrated a significant improvement in accuracy and diagnostic value, with the biomarker CD235a-PE+ achieving an accuracy of 73.8% and an F1-score of 61.1%, while CD14-PB+ presented the highest AUC (73%) for distinguishing between ischemic and hemorrhagic strokes.	en
heal.advisorName	Ματσόπολος, 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	139 σ.	el
heal.fullTextAvailability	false