| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Παπαθανασίου, Βασιλική | |
| dc.date.accessioned | 2019-09-25T10:52:17Z | |
| dc.date.available | 2019-09-25T10:52:17Z | |
| dc.date.issued | 2019-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/12166 | |
| dc.description.abstract | Σύμφωνα με τις στατιστικές, ο καρκίνος αποτελεί τη δεύτερη αιτία θανάτου παγκοσμίως. Παρότι η έγκαιρη ανίχνευση και διάγνωση αποτελούν τα σημαντικότερα βήματα για τη θεραπεία, η πρόγνωση του καρκίνου παραμένει σημαντικότατο βήμα για την αντιμετώπισή του. Η πρόγνωση στην ουσία αποτελεί την πρόβλεψη της πιθανότητας εμφάνισης καρκίνου, την πρόβλεψη υποτροπής των ασθενών και την πρόβλεψη επιβίωσης (προσδόκιμο ζωής). Η εν λόγω πρόβλεψη η οποία μπορεί να βοηθήσει τους θεράποντες ιατρούς στη λήψη αποφάσεων για τους ασθενείς, αποτέλεσε αντικείμενο μελέτης σε πολλές δημοσιευμένες έρευνες τα τελευταία χρόνια. Οι συγγραφείς–ερευνητές επιχείρησαν, χρησιμοποιώντας μεθόδους μηχανικής μάθησης και αλγορίθμους ταξινόμησης, να αναπτύξουν συστήματα και εφαρμογές που θα παράγουν μια πρόβλεψη για την κατάσταση του ασθενούς με ικανοποιητική, συνήθως, ακρίβεια.
Μπορούμε να υποστηρίξουμε πλέον, βασιζόμενοι στις έρευνες και μελέτες των τελευταίων χρόνων ότι η εφαρμογή αλγορίθμων μηχανικής μάθησης αποτελεί πλέον τη νέα πραγματικότητα στις μοντέρνες μεθόδους ανάλυσης δεδομένων. Ο μεγάλος αριθμός μεθόδων αλλά και των παραμέτρων που μπορεί να εφαρμοστούν σε κάθε περίπτωση ανάλυσης κλινικών δεδομένων, επιτρέπει στις μοντέρνες μεθόδους ανάλυσης δεδομένων μεγάλη ευελιξία αλλά ταυτόχρονα οδηγεί τον αναλυτή σε προσεκτικότερη επιλογή αυτών των μεθόδων. Η επιλογή των μεθόδων εξαρτάται από πολλές παραμέτρους, όπως το περιεχόμενο του dataset το οποίο αποτελεί έναν από τους βασικότερους παράγοντες για την εξαγωγή αποτελεσμάτων ακρίβειας.
Στην παρούσα διπλωματική εργασία, πραγματοποιήθηκε συγκριτική μελέτη των μεθόδων μηχανικής μάθησης, με σκοπό την αξιολόγηση των πιο διαδεδομένων και μοντέρνων αλγορίθμων που χρησιμοποιούνται στην εξόρυξη δεδομένων. Η σύγκριση αφορούσε τη λεπτομερή εξέταση προηγούμενων ερευνών με την μετά-ανάλυση και τη μετέπειτα εφαρμογή των αλγορίθμων σε κλινικά δεδομένα με τη βοήθεια του στατιστικού λογισμικού R με σκοπό την πρόγνωση του καρκίνου του μαστού. Τα αποτελέσματα της εφαρμογής ήρθαν σε συμφωνία με αυτά των προηγούμενων ερευνών και επιβεβαίωσαν τη χρήση των αλγορίθμων ανά εξεταζόμενη περίπτωση αλλά και ανάλογα με τον τρόπο μέτρησης της ακρίβειας των μεθόδων. Ανάμεσα στους αλγορίθμους με την υψηλότερη ακρίβεια ήταν οι ΝΝ και ΚΝΝ. | el |
| dc.format.extent | 93 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Ανάλυση κλινικών δεδομένων με χρήση των αλγορίθμων μηχανικής μάθησης για την πρόβλεψη του καρκίνου | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Cancer has proven to be the plague of our time, as it is being placed by the statistics as the second cause of death worldwide. Although early cancer detection and diagnosis are major steps for fighting the disease, cancer prognosis remains equally important. Prognosis relates with the prediction of the likelihood of cancer, as well as the prediction of a patient’s relapse or survival (life expectancy). All the above have been the object in several recently published studies. The researchers have attempted to develop integrated clinical decision support systems by using machine learning methods and classification algorithms. These systems are able to produce an accurate prediction of the patient’s outcome, which may help clinicians in personalized decision-making.
The application of machine learning algorithms is now the new reality in modern data analysis methods. The large number of methods and the parameters that can be applied in each case allows them to be flexible and at the same time make the analyst more careful in his choice. This choice depends on many parameters such as the content of the dataset and is the key factor for extracting precision results.
A comparative study was performed to evaluate the most characteristic and modern algorithms used in data mining. The comparison concerned the detailed examination of previous investigations with the help of meta-analysis and their application to clinical data with the help of statistical software R. The results of the study agreed with those of previous investigations and confirmed the use of algorithms on a case-by-case basis, but also depending on how the methods are measured accurately. Among the highest-precision algorithms were NN and ΚNN. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Εξόρυξη δεδομένων | el |
| dc.subject.keyword | Σύγκριση αλγορίθμων μηχανικής μάθησης | el |
| dc.subject.keyword | WBC dataset | el |
| dc.subject.keyword | Αλγόριθμοι ταξινόμησης | el |
| dc.subject.keyword | Αναγνώριση προτύπων | el |
| dc.subject.keyword | Τεχνητά νευρωνικά δίκτυα | el |
| dc.subject.keyword | Μπεϋζιανά δίκτυα | el |
| dc.date.defense | 2019-09-23 | |
