Artificial Intelligence-empowered bio-medical applications
| dc.contributor.advisor | Tsihrintzis, George | |
| dc.contributor.advisor | Τσιχριντζής, Γεώργιος | |
| dc.contributor.author | Panagoulias, Dimitrios P. | |
| dc.contributor.author | Παναγούλιας, Δημήτριος Π. | |
| dc.date.accessioned | 2024-09-13T11:53:35Z | |
| dc.date.available | 2024-09-13T11:53:35Z | |
| dc.date.issued | 2024-06 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16743 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4165 | |
| dc.description | Not available until 31/12/2027 | en |
| dc.description.abstract | Αυτή η διδακτορική διατριβή εξετάζει τις προόδους στην εξατομικευμένη ιατρική, δίνοντας έμφαση στη μετάβαση από μια γενικευμένη προσέγγιση σε μια πιο προσαρμοσμένη στρατηγική στη διάγνωση ασθενειών και τη διαχείριση των ασθενών. Αυτή η αλλαγή διευκολύνεται από τη χρήση βιοδεικτών, οι οποίοι είναι κρίσιμοι για την ανάπτυξη και εκπαίδευση προγνωστικών μοντέλων και νευρωνικών δικτύων στους τομείς της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Η έρευνα αναδεικνύει σημαντικά επιτεύγματα στη χρήση τεχνικών μηχανικής μάθησης για την πρόβλεψη διαφόρων δεικτών υγείας. Για παράδειγμα, οι αιματολογικές εξετάσεις χρησιμοποιούνται για την ταξινόμηση του δείκτη μάζας σώματος με μέση ακρίβεια 84%, ενώ ταξινομητές με βάση το σύστημα SVM χρησιμοποιούνται για τον προσδιορισμό της συστολικής πίεσης με ακρίβεια 74%. Επιπλέον, έχει προταθεί και υλοποιηθεί ένα νέο σύστημα για την πρόβλεψη του μεταβολικού συνδρόμου με ακρίβεια 84%, βασισμένο σε πολλαπλές παραμέτρους αίματος, αποκλείοντας τους καθοριστικούς παράγοντές του, προτείνοντας έτσι εναλλακτικές διαγνωστικές οδούς. Εκτός από τα συγκεκριμένα διαγνωστικά εργαλεία, η διατριβή εξετάζει ευρύτερες εφαρμογές συστημάτων ενισχυμένων με τεχνητή νοημοσύνη, τα οποία χρησιμοποιούν μοντέλα μηχανικής μάθησης στην υγειονομική περίθαλψη μέσω μικροϋπηρεσιών σε κατανεμημένα συστήματα. Αυτές απλοποιούν τη διαχείριση και την κλιμάκωση μέσω του διαχωρισμού των λειτουργιών σε διακριτές υπηρεσίες. Εξετάζονται επίσης οι προκλήσεις ρύθμισης και επικύρωσης για τον καθορισμό βέλτιστων μονοπατιών ανάπτυξης και ψηφιακών αρχιτεκτονικών λύσεων, χρησιμοποιώντας το Rational Unified Process και διαισθητικές ροές εργασίας. Τονίζεται επίσης η ανάγκη για επεξηγησιμότητα και ερμηνευσιμότητα στα συστήματα τεχνητής νοημοσύνης, για την ενίσχυση της χρηστικότητας και της εμπιστοσύνης, ιδιαίτερα στον ιατρικό τομέα. Ένα νέο σύστημα (PINXEL) προτείνεται για τον ορισμό απαιτήσεων επεξηγησιμότητας χρησιμοποιώντας το Μοντέλο Αποδοχής Τεχνολογίας (TAM). Στη συνέχεια, αξιολογήθηκαν οι δυνατότητες και η αποτελεσματικότητα μεγάλων γλωσσικών μοντέλων, συγκεκριμένα του ChatGPT, στον ιατρικό τομέα. Η έμφαση δόθηκε στην ικανότητα αυτού του καινοτόμου συστήματος να συμβάλλει στη διάγνωση μέσω δομημένων αξιολογήσεων και ανάλυσης παρακολούθησης σε συγκεκριμένους τομείς. Στη συνέχεια, περιγράφηκε και εφαρμόστηκε μια μεθοδολογία για την περαιτέρω αξιολόγηση της ορθότητας και ακρίβειας του GPT-4V (Generative Pre-trained Transformer 4 with vision) μέσω πολυτροπικών ερωτήσεων πολλαπλής επιλογής στον τομέα της Γενικής Παθολογίας. Επιπλέον, χρησιμοποιώντας την προτεινόμενη μεθοδολογία μας, μπορούν να εξαχθούν απαιτήσεις για στοχευμένες παρεμβάσεις και βελτίωση των πιο σύγχρονων μοντέλων, για τη βελτιστοποίησή τους σε εργασίες συγκεκριμένων τομέων. Τέλος, αυτή η διδακτορική διατριβή προτείνει ένα καινοτόμο σύστημα τεχνητής νοημοσύνης σχεδιασμένο να παρέχει διαγνωστικές συμβουλές σε πρωτοβάθμια ιατρική περίθαλψη, χρησιμοποιώντας όλες τις τεχνολογίες που εξετάστηκαν κατά τη διάρκεια αυτής της έρευνας. Το σύστημα αυτό ενισχύει τα μεγάλα γλωσσικά μοντέλα και άλλα εργαλεία μηχανικής μάθησης με μια προσέγγιση βασισμένη σε κανόνες, προσφέροντας εξατομικευμένες ιατρικές συμβουλές μέσω ενός διαδραστικού βοηθού τεχνητής νοημοσύνης με το όνομα «Med|Primary AI assistant» και «Dermacen Analytica». Αυτά τα συστήματα αξιοποιούν την επεξεργασία φυσικής γλώσσας, την ανάλυση και τμηματοποίηση εικόνας, τη γνώση ειδικών τομέων και πολυτροπικά μεγάλα γλωσσικά μοντέλα για να δημιουργήσουν μια εξατομικευμένη αλληλεπίδραση χρήστη, η οποία αξιολογείται μέσω ενός αυστηρού πλαισίου μεθοδολογίας που βασίζεται στα συμφραζόμενα και στον διάλογο. Αυτή η ολιστική προσέγγιση υπογραμμίζει την ενσωμάτωση της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη, με στόχο να βοηθήσει τους επαγγελματίες υγείας στη διάγνωση και διαχείριση των ασθενών με υψηλή ακρίβεια και εξατομικευμένη προσαρμοστικότητα. | el |
| dc.format.extent | 320 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| 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.title | Artificial Intelligence-empowered bio-medical applications | el |
| dc.title.alternative | Βιοϊατρικές εφαρμογές ενισχυμένες με τεχνητή νοημοσύνη | el |
| dc.type | Doctoral Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This doctoral dissertation examines the advancements in personalized medicine, emphasizing the transition from a generalized "one-size-fits-all" approach to a more tailored strategy in disease diagnosis and patient management. This shift is facilitated by the use of biomarkers, which are critical in developing and training prognostic models and neural networks within the fields of machine learning and artificial intelligence. Biomarkers, defined as measurable and reproducible medical signs, serve as objective indicators of a patient’s medical state. The research highlights significant achievements in using machine learning techniques to predict various health indicator. For example, blood exams are utilized to classify body mass index with an average accuracy of 84%, while cascaded SVM- based classifiers are used to determine systolic blood pressure with a 74% accuracy. Furthermore, a new system has been proposed and implemented to predict metabolic syndrome with an 84% accuracy, relying on multiple blood parameters excluding defining factors of it, thus proposing alternative diagnostic pathways. In addition to specific diagnostic tools, this dissertation explores broader applications of AI-empowered systems that use machine learning models, in healthcare through microservices in distributed systems, which simplify management and scaling by segregating functions into distinct services. In addition the regulatory and validation challenges are also considered and investigated to define optimum development paths and digital architecture solutions using the Rational Unified Process and intuitive workflows. It also addresses the necessity of explainability and interpretability in AI systems to enhance usability and trust, particularly in the medical domain. A novel framework (PINXEL) is introduced to define explainability requirements using the Technology Acceptance Model (TAM). Following that, the capabilities and effectiveness of large language models were evaluated, particularly ChatGPT, in the medical domain. The focus was on this novel system’s ability to aid in medical diagnosis through structured evaluations and domain- specific follow-up analysis. Then a methodology was outlined and implemented to further assess correctness and accuracy of GPT-4V (Generative Pre-trained Transformer 4 with vision) using multimodal multiple-choice questions in the domain of General Pathology. In addition to that using our proposed methodology, requirements can be extracted for targeted interventions and fine-tuning of state-of-the art models, for their optimisation in domain specific tasks. Finally, this doctoral dissertation proposes a novel AI-powered system designed to provide diagnostic advice in primary care settings, employing all technologies explored during this research. This system enhances large language models and other machine learning tools with a rule-based approach, offering tailored medical advice through interactive AI assistant named “Med|Primary AI assistant” and “Dermacen Analytica”. This systems leverage natural language processing, image analysis and segmentation, domain-specific knowledge and multi-modal LLMs to create a personalized user interaction, which is evaluated through a rigorous context and dialogue-based methodological framework. This holistic approach underscores the integration of AI into healthcare, aiming to assist medical professionals in patient diagnosis and management with high accuracy and user-specific adaptability. | el |
| dc.subject.keyword | Artificial intelligence | el |
| dc.subject.keyword | Large language models | el |
| dc.subject.keyword | Bio-informatics | el |
| dc.subject.keyword | Algorithms | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Rational unified process | el |
| dc.subject.keyword | Microservices | el |
| dc.subject.keyword | AI-explainability | el |
| dc.date.defense | 2024-07-08 |
Αρχεία σε αυτό το τεκμήριο
| Αρχεία | Μέγεθος | Τύπος | Προβολή |
|---|---|---|---|
|
Δεν υπάρχουν αρχεία που να σχετίζονται με αυτό το τεκμήριο. |
|||
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα