Κατηγοριοποίηση ασθενών με χρήση στοχαστικής μοντελοποίησης και αλγορίθμων μηχανικής μάθησης
Loading...
Date
2026-06-30
Authors
Γιακαλλής, Κωνσταντίνος-Φανούριος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η ανάλυση βιοϊατρικών δεδομένων αποτελεί ένα από τα πιο απαιτητικά προβλήματα της σύγχρονης υπολογιστικής βιολογίας καθώς συνδυάζει εξαιρετικά υψηλή διάσταση σε σχέση με τα δείγματα, έντονη ετερογένεια ανάμεσα σε γονιδιακές, μεταβολικές και νοσολογικές πηγές, σημαντικό θόρυβο, ανισορροπία κλάσεων και την ανάγκη για ερμηνεύσιμα μοντέλα σε ένα κλινικά ευαίσθητο πλαίσιο. Η πολυπαραγοντική φύση νοσημάτων όπως ο σακχαρώδης διαβήτης και η υπερχοληστερολαιμία απαιτεί την μοντελοποίηση πολλαπλών επιπέδων πληροφορίας καθιστώντας τη μετάβαση από τα ακατέργαστα δεδομένα σε αξιόπιστη διάγνωση ιδιαίτερα δύσκολη. Στην παρούσα διπλωματική εργασία αναλύεται ο αλγόριθμος Random Walk with Restart σε πολυεπίπεδα ετερογενή δίκτυα (RWR-MH) και προτείνεται μια βελτιωμένη υλοποίηση του. Η κύρια συνεισφορά είναι μια πλήρως διανυσματοποιημένη εκδοχή του πίνακα μετάβασης με χρήση BLAS/LAPACK βιβλιοθηκών που επιτρέπει κλιμάκωση σε πραγματικά δίκτυα και δύο νέες στρατηγικές κλαδέματος ακμών, ένα ποσοστιαίο φιλτράρισμα Top-K και ένα φιλτράρισμα εμπνευσμένο από την ElasticNet, που ενισχύουν τη διαχωρισιμότητα των ασθενών. Ο αλγόριθμος αξιολογείται έναντι τεσσάρων ταξινομητών μηχανικής μάθησης Logistic Regression, SVM, Random Forest και XGBoost με συστηματική ρύθμιση υπερπαραμέτρων μέσω cross-validation και τέσσερις στρατηγικές αντιμετώπισης ανισορροπίας κλάσεων, με κύρια μετρική το macro-F1 σκορ. Τα πειραματικά αποτελέσματα δείχνουν σημαντική βελτίωση τόσο στην υπολογιστική απόδοση όσο και στην ποιότητα της ταξινόμησης σε σχέση με την αρχική υλοποίηση, καθιστώντας την προτεινόμενη προσέγγιση ένα ιδιαίτερα ελπιδοφόρο πλαίσιο για την ανάλυση πολυεπίπεδων βιοϊατρικών δικτύων και ανοίγοντας τον δρόμο για επεκτάσεις σε μεγαλύτερα σετ δεδομένων ασθενών και υβριδικά σχήματα με αρχιτεκτονικές βαθιάς μάθησης.
Description
Keywords
Κατηγοριοποίηση ασθενών, Αλγόριθμοι δικτύων, Μηχανική μάθηση, Πολυεπίπεδα ετερογενή δίκτυα