Please use this identifier to cite or link to this item:
http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19469
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Κοτζιάς, Γεώργιος | - |
dc.date.accessioned | 2025-02-24T19:58:10Z | - |
dc.date.available | 2025-02-24T19:58:10Z | - |
dc.date.issued | 2025-02-18 | - |
dc.identifier.uri | http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19469 | - |
dc.description.abstract | Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή μεθόδων Εξηγή- σιμης Τεχνητής Νοημοσύνης (ΕΤΝ) στην ταξινόμηση και διάγνωση τυχαιωμά- των επινεφριδίων, ένα κρίσιμο πεδίο της σύγχρονης ιατρικής. Στο πλαίσιο της έρευνας, αναλύθηκε ένα σύνολο δεδομένων 262 ασθενών, το οποίο περιλάμ- βανε πλήθος κλινικών, εργαστηριακών και απεικονιστικών παραμέτρων. Η με- λέτη επικεντρώθηκε στην ανάπτυξη ενός αξιόπιστου και ερμηνεύσιμου μοντέ- λου για την υποστήριξη κλινικών αποφάσεων, με ιδιαίτερη έμφαση στην ικα- νότητα του συστήματος να παρέχει κατανοητές εξηγήσεις για τις προβλέψεις του. Στο πλαίσιο της μεθοδολογικής προσέγγισης, εφαρμόστηκαν και αξιολο- γήθηκαν συστηματικά διάφοροι αλγόριθμοι μηχανικής μάθησης. Μέσα από μια ενδελεχή διαδικασία συγκριτικής αξιολόγησης, ο XGBoost αναδείχθηκε ως το βέλτιστο μοντέλο, επιτυγχάνοντας εξαιρετική ακρίβεια στη διασταυρού- μενη επικύρωση, με αξιοσημείωτη σταθερότητα στις προβλέψεις του. Ιδιαίτερη έμφαση δόθηκε στην ερμηνευσιμότητα των αποτελεσμάτων μέσω των προηγ- μένων μεθόδων SHAP (SHapley Additive exPlanations) και LIME (Local Inter- pretable Model-agnostic Explanations), οι οποίες επέτρεψαν τη λεπτομερή κα- τανόηση των παραγόντων που επηρεάζουν τις προβλέψεις του μοντέλου. Η ανάλυση των αποτελεσμάτων ανέδειξε συγκεκριμένα κλινικά χαρακτηριστικά που διαδραματίζουν καθοριστικό ρόλο στη διάγνωση των τυχαιωμάτων επινε- φριδίων, παρέχοντας πολύτιμες πληροφορίες για τους κλινικούς ιατρούς. Τα αποτελέσματα υποδεικνύουν ότι η ενσωμάτωση τεχνικών ΕΤΝ μπορεί να συμ- βάλει σημαντικά στην αξιοπιστία και αποδοχή των συστημάτων τεχνητής νοη- μοσύνης στην κλινική πράξη, προσφέροντας όχι μόνο υψηλή ακρίβεια αλλά και τη δυνατότητα κατανόησης της συλλογιστικής πίσω από κάθε πρόβλεψη. Η έρευνα αυτή ευελπιστούμε να αποτελέσει ένα σημαντικό βήμα προς την κα- τεύθυνση της ανάπτυξης αξιόπιστων και διαφανών συστημάτων υποστήριξης κλινικών αποφάσεων, τα οποία μπορούν να ενσωματωθούν αποτελεσματικά στην καθημερινή κλινική πρακτική, βελτιώνοντας την ποιότητα της παρεχόμε- νης φροντίδας υγείας. | en_US |
dc.language | el | en_US |
dc.subject | Εξηγήσιμη Τεχνητή Νοημοσύνη | en_US |
dc.subject | Τυχαιώματα Επινεφριδίων | en_US |
dc.subject | Συστήματα Υποστήριξης Κλινικών Αποφάσεων | en_US |
dc.title | Η εξηγησιμότητα μοντέλων μηχανικής μάθησης στη βιοϊατρική μηχανική και η εφαρμογή της σε συστήματα ψευδοτυχαιωμάτων επινεφριδίων | en_US |
dc.description.pages | 72 | en_US |
dc.contributor.supervisor | Ματσόπουλος Γιώργος | en_US |
dc.department | Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών | en_US |
dc.description.notes | Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή μεθόδων Εξηγή- σιμης Τεχνητής Νοημοσύνης (ΕΤΝ) στην ταξινόμηση και διάγνωση τυχαιωμά- των επινεφριδίων, ένα κρίσιμο πεδίο της σύγχρονης ιατρικής. Στο πλαίσιο της έρευνας, αναλύθηκε ένα σύνολο δεδομένων 262 ασθενών, το οποίο περιλάμ- βανε πλήθος κλινικών, εργαστηριακών και απεικονιστικών παραμέτρων. Η με- λέτη επικεντρώθηκε στην ανάπτυξη ενός αξιόπιστου και ερμηνεύσιμου μοντέ- λου για την υποστήριξη κλινικών αποφάσεων, με ιδιαίτερη έμφαση στην ικα- νότητα του συστήματος να παρέχει κατανοητές εξηγήσεις για τις προβλέψεις του. Στο πλαίσιο της μεθοδολογικής προσέγγισης, εφαρμόστηκαν και αξιολο- γήθηκαν συστηματικά διάφοροι αλγόριθμοι μηχανικής μάθησης. Μέσα από μια ενδελεχή διαδικασία συγκριτικής αξιολόγησης, ο XGBoost αναδείχθηκε ως το βέλτιστο μοντέλο, επιτυγχάνοντας εξαιρετική ακρίβεια στη διασταυρού- μενη επικύρωση, με αξιοσημείωτη σταθερότητα στις προβλέψεις του. Ιδιαίτερη έμφαση δόθηκε στην ερμηνευσιμότητα των αποτελεσμάτων μέσω των προηγ- μένων μεθόδων SHAP (SHapley Additive exPlanations) και LIME (Local Inter- pretable Model-agnostic Explanations), οι οποίες επέτρεψαν τη λεπτομερή κα- τανόηση των παραγόντων που επηρεάζουν τις προβλέψεις του μοντέλου. Η ανάλυση των αποτελεσμάτων ανέδειξε συγκεκριμένα κλινικά χαρακτηριστικά που διαδραματίζουν καθοριστικό ρόλο στη διάγνωση των τυχαιωμάτων επινε- φριδίων, παρέχοντας πολύτιμες πληροφορίες για τους κλινικούς ιατρούς. Τα αποτελέσματα υποδεικνύουν ότι η ενσωμάτωση τεχνικών ΕΤΝ μπορεί να συμ- βάλει σημαντικά στην αξιοπιστία και αποδοχή των συστημάτων τεχνητής νοη- μοσύνης στην κλινική πράξη, προσφέροντας όχι μόνο υψηλή ακρίβεια αλλά και τη δυνατότητα κατανόησης της συλλογιστικής πίσω από κάθε πρόβλεψη. Η έρευνα αυτή ευελπιστούμε να αποτελέσει ένα σημαντικό βήμα προς την κα- τεύθυνση της ανάπτυξης αξιόπιστων και διαφανών συστημάτων υποστήριξης κλινικών αποφάσεων, τα οποία μπορούν να ενσωματωθούν αποτελεσματικά στην καθημερινή κλινική πρακτική, βελτιώνοντας την ποιότητα της παρεχόμε- νης φροντίδας υγείας. | en_US |
Appears in Collections: | Διπλωματικές Εργασίες - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
main.pdf | Διπλωματική Εργασία Κοτζιάς Γεώργιος | 5.47 MB | Adobe PDF | View/Open |
Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.