Εφαρμογές μηχανικής μάθησης στην νόσο του Alzheimer
| dc.contributor.advisor | Μπερσίμης, Σωτήριος | |
| dc.contributor.author | Κουλούρη, Μαρία - Δήμητρα | |
| dc.date.accessioned | 2024-03-14T11:39:46Z | |
| dc.date.available | 2024-03-14T11:39:46Z | |
| dc.date.issued | 2024-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16276 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3698 | |
| dc.description.abstract | Η Νόσος του Alzheimer είναι μία μορφή άνοιας, με ιδιαίτερα περίπλοκη παθολογία και συμπτωματολογία, ενώ αποτελεί μία από τις πιο συχνές αιτίες θανάτου του γηραιoύ πληθυσμού. Ο εντοπισμός της νόσου πριν την εκδήλωση σοβαρών συμπτωμάτων, είναι πολύ σημαντικός, διότι με κατάλληλες παρεμβάσεις είναι δυνατή η επιβράδυνση της εξέλιξής της. Η ήπια νοητική διαταραχή θεωρείται ως προάγγελος τη νόσου, διότι εξελίσσεται σε αυτή κατά ένα σημαντικό ποσοστό. Αυτό σημαίνει ότι, η διάγνωση αυτής της διαταραχής έναντι της Νόσου Alzheimer παρουσιάζει μεγάλο ενδιαφέρον. Παρόλα αυτά, η απουσία πλήρους κατανόησης των μηχανισμών που την προκαλούν και την διέπουν, καθιστά την διάγνωσή της ιδιαίτερα απαιτητική, ιδίως στα αρχικά στάδια. Επιπροσθέτως, τα κοινά χαρακτηριστικά με άλλες μορφές άνοιας, γνωστικές διαταραχές ή ακόμη και άλλες παθολογικές καταστάσεις αποτελούν εμπόδια στην έγκαιρη ανίχνευσή της. Ένας τρόπος υπερπήδησης αυτών των προκλήσεων, καθώς και της υποκειμενικότητας που χαρακτηρίζει την διάγνωση ενός γιατρού, είναι η χρήση μοντέλων μηχανικής μάθησης. Η παρούσα διπλωματική εργασία εστιάζει στην μελέτη και σύγκριση διάφορων τεχνικών μηχανικής μάθησης, με σκοπό την διάγνωση της Νόσου Alzheimer έναντι της ήπιας νοητικής διαταραχής. Τα δεδομένα, που αξιοποιήθηκαν, περιλαμβάνουν δημογραφικά χαρακτηριστικά, βαθμολογίες σε γνωστικούς δείκτες και τους όγκους 31 περιοχών ενδιαφέροντος από κάθε ημισφαίριο του εγκεφάλου, και που έχουν εξαχθεί από μαγνητικές τομογραφίες. Τα αποτελέσματα που προέκυψαν εφαρμόζοντας 10-fold cross validation, οδήγησαν στο συμπέρασμα ότι, ο ακριβέστερος διαχωρισμός, λαμβάνοντας υπόψη το σύνολο των μέτρων αξιολόγησης, επιτυγχάνεται από έναν SVM κατηγοριοποιητή. Το μοντέλο σημείωσε μέσο accuracy 92% και μέσο AUC 0,94. Η υψηλή απόδοση θεωρείται ότι, είναι αποτέλεσμα των γνωστικών τεστ, στα οποία στηρίζεται η διάγνωση, αλλά ενισχύεται και από τα δεδομένα των μαγνητικών τομογραφιών. | el |
| dc.format.extent | 155 | el |
| dc.language.iso | el | 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 | Εφαρμογές μηχανικής μάθησης στην νόσο του Alzheimer | el |
| dc.title.alternative | Application of machine learning in Alzheimer disease | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | Alzheimer's Disease (AD) is a type of dementia with particularly complex pathology and symptoms, and it is one of the most common causes of death in the elderly population. The identification of the disease in its early stages, before serious symptoms’ manifestation, is very important. The reason is that an appropriate intervention, as soon as possible, could slow down the progression of the disease. Mild Cognitive Impairment (MCI) can be an early stage because a significant proportion of individuals with MCI develop AD. This means that the diagnosis of this disorder against AD presents a great deal of interest. Nevertheless, the lack of a complete understanding of the mechanisms that cause and govern AD makes its diagnosis challenging, especially in the initial stages. In addition, common features with other types of dementia, cognitive disorders, or even other pathological conditions are obstacles to early detection. One way to overcome these challenges, as well as the subjectivity that characterizes a doctor's diagnosis, is to use machine learning models. This thesis focuses on the study and comparison of various machine learning techniques, aiming to identify AD versus MCI. The data includes demographic characteristics, scores on cognitive tests, and the volumes of 31 regions of interest in each hemisphere, extracted from MRI scans. The results of 10-fold cross validation show that the SVM classifier achieves the most accurate identification, compared to other classifiers. The model recorded an average accuracy rate of 92% and an average AUC of 94%. It is considered that the high performance is a result of the cognitive tests, since the diagnosis was based on MMSE, but it is enhanced by the MRI data. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Alzheimer disease | el |
| dc.date.defense | 2024-02-14 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
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