Εφαρμογές μηχανικής μάθησης σε ιατρικά δεδομένα
Machine learning applications in medical data
Λέξεις-κλειδιά
Μηχανική μάθηση ; Κατηγοριοποίηση ; Ανομοιογενή δεδομένα ; Ιατρικά δεδομέναΠερίληψη
Ο σκοπός της διπλωματικής αυτής εργασίας είναι να γίνει αντιληπτό από τον αναγνώστη το πως μπορεί να εφαρμοστεί η Μηχανική Μάθηση και ποιοι μέθοδοι χρησιμοποιούνται στα τωρινά προβλήματα που αφορούν την επιστήμη της ιατρικής. Αρχικά, παρουσιάζονται η έννοια της Μηχανικής Μάθησης και θεωρητικά η διαδικασία εφαρμογής αυτής ανά βήμα. Έπειτα, παρουσιάζονται διαφορετικά παραδείγματα εφαρμογής της Μηχανικής Μάθησης σε διάφορους τομείς της ιατρικής, με την μέθοδο που αντιμετωπίστηκαν και την επίδοση που παρουσίασαν. Τέλος, με την βοήθεια της γλώσσας προγραμματισμού Python, πρακτικά έγινε η εφαρμογή της Μηχανικής Μάθησης για δύο διαφορετικά σύνολα πραγματικών δεδομένων όπου το πρώτο αφορά ασθενείς εγκεφαλικών επεισοδίων και το δεύτερο σύνολο αφορά δεδομένα καρδιοτοκογραφίας εγκύων γυναικών. Στο πρώτο σύνολο εξετάστηκε αν η Μηχανική Μάθηση είναι ικανή να προβλέψει καταστάσεις ασθενών με εγκεφαλικό επεισόδιο, ενώ στο δεύτερο σύνολο αν αυτή είναι ικανή να προβλέψει την κατάσταση της καρδιακής λειτουργίας του εμβρύου.
Περίληψη
This thesis aims to provide the reader with an understanding of how Machine Learning can be applied and which methods are used in today's problems related to the science of medicine. Firstly, the concept of Machine Learning and how it is applied step by step are presented theoretically. Then, various examples of application of Machine Learning in different areas of medicine are introduced, including the method they were dealt with and how they performed. Finally, by using the Python programming language, the application of Machine Learning was practically done for two different real-world datasets where the first one is
for stroke patients and the second dataset is for cardiotocography data of pregnant women. In the first set it was investigated whether Machine Learning is capable of predicting the situations of stroke patients, while in the second set whether it is capable
of predicting the Fetal Heart Rate condition.
Αριθμός σελίδων
82Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και ΠαραγωγήςΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές