Υλοποίηση συστήματος διάγνωσης ασθένειας μέσω τεχνικών μηχανικής μάθησης
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Σιούτας, Σπυρίδων | |
| datacite.contributor.Supervisor | Ηλίας, Αριστείδης | |
| dc.contributor.author | Φουσέκη, Αθηνά | |
| dc.contributor.other | Fouseki, Athina | |
| dc.date.accessioned | 2024-11-06T07:21:19Z | |
| dc.date.available | 2024-11-06T07:21:19Z | |
| dc.date.issued | 2024-10-14 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | H χρήση πληροφορικής στην ιατρική διάγνωση έχει αποδόσει σημαντικά εργαλεία για την βελτίωση της ακρίβειας και την αποτελεσματικότητα στην διάγνωση ασθενειών. Η παρούσα διπλωματική εργασία παρουσιάζει ένα νέο σύστημα, το οποίο έχει σχεδιαστεί με σκοπό την παροχή βοήθειας στον θεράποντα ιατρό στη διαδικασία της διάγνωσης, μέσω της ανάλυσης της συμπτωματολογίας του ασθενή, του ιατρικού του ιστορικού, αλλά και πληροφοριών του ασθενή, όπως το φύλο και η ηλικία του. Το σύστημα αξιοποιεί μεθόδους μηχανικής μάθησης αλλά και τη δομή του ανεστραμμένου ευρετηρίου στην υλοποίηση του, έτσι ώστε να προσφέρει ποιοτικές προβλέψεις για την ασθένεια από την οποία νοσεί ο ασθενής. Ο κύριος σκοπός της εργασίας είναι η υλοποίηση ενός διμερούς διαγνωστικού συστήματος. Το πρώτο μέρος αποτελείται από το ανεστραμμένο ευρετήριο, το οποίο χρησιμοποιείται για την εύρεση των πιθανών διαγνώσεων, βάσει μόνο των συμπτωμάτων που εμφανίζει ο ασθενής. Το δεύτερο μέρος του συστήματος, χρήσει μεθόδων μηχανικής μάθησης, συγκεκριμένα των αλγορίθμων node2vec και KDE, και ενός γράφου ως πηγή δεδομένων, επιδιώκει την βελτίωση των αποτελεσμάτων της αναζήτησης από το ανεστραμμένο ευρετήριο, δημιουργώντας μια κατάταξη των αποτελεσμάτων βάσει του ιστορικού του ασθενή, της ηλικίας και του φύλου του. Συγκεκριμένα, το ανεστραμμένο ευρετήριο αποτελείται από ένα λεξιλόγιο, το οποίο απαρτίζεται από τα συμπτώματα που παρουσιάζονται στο σύνολο των ασθενειών που το σύστημα έχει την ικανότητα να διαγιγνώσκει. Με κάθε λέξη του λεξιλογίου, δηλαδή με κάθε σύμπτωμα είναι συσχετισμένη μία λίστα από ασθένειες, οι οποίες είναι αυτές που εμφανίζουν το κάθε σύμπτωμα. Για το δεύτερο μέρος του συστήματος, αξιοποιούμε την πληροφορία που μας δίνει ο γράφος. Ο γράφος αποτελείται από κόμβους που αναπαριστούν ασθένειες και από κόμβους που αναπαριστούν συμπτώματα. Κόμβοι ασθένειες έχουν ακμές μεταξύ τους βάσει του σημείου του σώματος όπου επιδρά η νόσος, για παράδειγμα, το γλοιοβλάστωμα πολυμορφικό του εγκεφάλου είναι ένας τύπος όγκου του εγκεφάλου, και ο όγκος του εγκεφάλου είναι ένας τύπος καρκίνου του εγκεφάλου και την αιτιολογία της ασθένειας, για παράδειγμα, η νόσος Brill-Zinsser είναι μια μορφή επιδημικού τύφου, και ο επιδημικός τύφος είναι μια μορφή τύφου. Κόμβοι που αναπαριστούν ασθένειες έχουν ακμές με κόμβους που αναπαριστούν συμπτώματα όταν μια ασθένεια εμφανίζει το συγκεκριμένο σύμπτωμα. Κόμβοι συμπτώματα έχουν ακμές μεταξύ τους όταν αυτά τα συμπτώματα συνεμφανίζονται στην ίδια ασθένεια. Από αυτόν τον γράφο, χρήσει του αλγορίθμου node2vec, εξάγουμε embeddings, δηλαδή διανυσματικές αναπαραστάσεις, για κάθε μία από τις ασθένειες, τα οποία χρησιμοποιούμε στη συνέχεια για την αναπαράσταση του ιατρικού ιστορικού του ασθενή και κατεπέκταση την αναπαράστη του ασθενή. Αυτή η ιατρική αναπαράσταση του ασθενή, σε συνδυασμό με τις προσωπικές του πληροφορίες, δίνονται ως δεδομένα στον αλγόριθμο KDE, με σκοπό την εύρεση της πιο πιθανής διάγνωσης, από το σύνολο διαγνώσεων που μας έχει δώσει το ανεστραμμένο ευρετήριο,με βάση την εμφάνιση σε επίπεδο πληθυσμού. Η παρούσα εργασία τονίζει τις δυνατότητες του συνυφασμού των παραδοσιακών τεχνικών ανάκτησης πληροφορίας, με μεθόδους μηχανικής μάθησης πάνω σε γράφους, με στόχο την βελτίωση της διαδικασίας της ιατρικής διάγνωσης. Το σύστημα που προτείνουμε αποτελεί μια προσέγγιση που θα μπορούσε να αποτελέσει εφαλτήριο για την δημιουργία περισσοτέρων εργαλείων που θα ενισχύσουν την εξατομικευμένη ιατρική διάγνωση και θα βελτιώσουν την ακρίβεια των διαγνωστικών διαδικασιών, επιφέροντας σημαντικές εξελίξεις, τόσο στην κλινική πρακτική, όσο και στη μελλοντική έρευνα στην πληροφορική της ιατρικής. | |
| dc.identifier.uri | https://hdl.handle.net/10889/28599 | |
| dc.language.iso | el | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Ιατρική διάγνωση | |
| dc.subject | Ανάλυση δεδομένων | |
| dc.subject | Οντολογία ασθενειών | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Python | |
| dc.subject.alternative | Medical diagnosis | |
| dc.subject.alternative | Artificial intelligence | |
| dc.subject.alternative | Data analysis | |
| dc.subject.alternative | Disease ontology | |
| dc.subject.alternative | Node2vec | |
| dc.subject.alternative | Kernel density estimation | |
| dc.title | Υλοποίηση συστήματος διάγνωσης ασθένειας μέσω τεχνικών μηχανικής μάθησης | |
| dc.title.alternative | Implementation of medical diagnosis system using machine learning techniques |