Διάγνωση Σχιζοφρένειας με χρήση Μηχανικής Μάθησης

Abstract

Στόχος της παρούσας διπλωματικής εργασίας είναι η διάγνωση της σχιζοφρένειας από δεδομένα που λαμβάνονται από την απεικόνιση του εγκεφάλου με τη χρήση της μεθόδου fMRI χρησιμοποιώντας βασικούς ταξινομητές και μοντέλα βαθιάς μάθησης. Τα δεδομένα που χρησιμοποιήθηκαν ελήφθησαν από τη βάση δεδομένων του Centre for Biomedical Research Excellence (COBRE), η οποία έχει συλλέξει δεδομένα απεικόνισης νευροεγκεφάλου από εργαστήρια σε όλο τον κόσμο. Στη συνέχεια, το σύνολο δεδομένων περιέχει δεδομένα από 72 ασθενείς με σχιζοφρένεια και 75 υγιή δείγματα (ηλικίες που κυμαίνονται από 18 έως 65 σε κάθε ομάδα). Οι βασικοί ταξινομητές που χρησιμοποιούνται σε αυτή τη διπλωματική εργασία είναι ο ταξινομητής kNN, ο ταξινομητής SVM και η λογιστική παλινδρόμηση. Επιπλέον, εξετάζεται μια προσέγγιση βαθιάς μάθησης χρησιμοποιώντας συνελικτικά νευρωνικά δίκτυα, LSTM και συνελικτικό δίκτυο γραφημάτων. Πειραματιστήκαμε με διάφορες παραλλαγές της αρχιτεκτονικής του CNN και με διαφορετικές παραμέτρους των ταξινομητών, και καταφέραμε να επιτύχουμε ακρίβεια πρόβλεψης έως και 72,39%.