Σχεδιασμός και υλοποίηση μοντέλου νευρωνικού δικτύου για διάγνωση άσθματος με βάση προσωπικά και υγειονομικά δεδομένα

Abstract

Η παρούσα πτυχιακή εργασία εστιάζει στην ανάπτυξη και αξιολόγηση ενός μοντέλου νευρωνικού δικτύου τύπου Multilayer Perceptron (MLP) με στόχο την πρόβλεψη της διάγνωσης άσθματος. Το μοντέλο υλοποιήθηκε στο περιβάλλον Python με τη χρήση της βιβλιοθήκης scikit-learn και συνοδεύτηκε από ενδελεχή προεπεξεργασία δεδομένων, συμπεριλαμβανομένης της κανονικοποίησης, της ανίχνευσης και αντιμετώπισης ακραίων τιμών, καθώς και τεχνικών εξισορρόπησης δεδομένων όπως SMOTE και Tomek Links. Στο πλαίσιο της εργασίας, εξετάστηκαν διάφορες παραμετροποιήσεις του δικτύου, ενώ για τη βέλτιστη επιλογή πλήθους κρυφών επιπέδων και νευρώνων αξιοποιήθηκε η μέθοδος Elbow Method. Τα πειραματικά αποτελέσματα έδειξαν ότι το προτεινόμενο μοντέλο επιτυγχάνει υψηλή ακρίβεια πρόβλεψης, με ποσοστό 92%, υπερτερώντας έναντι άλλων μοντέλων που έχουν παρουσιαστεί στη βιβλιογραφία. Η εργασία αναδεικνύει τη σημασία της σωστής προεπεξεργασίας και επιλογής παραμέτρων, ενώ παράλληλα επιβεβαιώνει τη δυναμική της Τεχνητής Νοημοσύνης και των νευρωνικών δικτύων ως χρήσιμα εργαλεία για την υποβοήθηση της ιατρικής διάγνωσης. Τέλος, προτείνονται μελλοντικές επεκτάσεις της μελέτης, όπως η αξιοποίηση πιο σύνθετων αρχιτεκτονικών (RNN, CNN) ή η εφαρμογή του μοντέλου σε πραγματικά κλινικά δεδομένα για περαιτέρω επικύρωση και ενσωμάτωση σε συστήματα υγειονομικής περίθαλψης.