Μοντελοποίηση συμπεριφοράς βιοϊατρικών δεδομένων

Abstract

This thesis is devoted to the development of Artificial Neural Networks (ANN) and Bayesian Networks (Bayesian Networks), since they can be used in clinical diagnostic areas as suitable classifiers where the mathematical requirements of the parameters that describe the objects are not adequately met. The algorithms and statistical indicators mentioned and implemented in this PhD thesis are pioneers in the field of medical informatics to draw conclusions on various diseases (acute appendicitis) and medical experiments (haemostatic tapes) in order to improve and expedite the treatment of Medical conditions. This thesis attempts the introduction of neural networks RBF and MLP as well as Bayesian classifiers such as Naïve Bayes in hip fracture Bayesian networks are applied to patients with depression in order to find the appropriate model for the fastest diagnosis of the disease. In a set of psychiatric patients, pre-treatment methods are used to enhance the effectiveness of mechanical learning methods. Finally, for the purpose of faster prognosis and prevention of osteoporosis, genetic algorithms, artificial neural networks and pre-treatment methods are used.

Αυτή η διατριβή είναι αφιερωμένη στην ανάπτυξη τεχνητών νευρωνικών δικτύων (ANN) και μπεϋζιανών νευρωνικών δικτύων (Bayesian Networks), δεδομένου ότι μπορούν να χρησιμοποιηθούν σε περιοχές κλινικής διάγνωσης ως κατάλληλοι ταξινομητές όπου οι μαθηματικές προϋποθέσεις των παραμέτρων που περιγράφουν τα αντικείμενα που δεν ικανοποιούνται επαρκώς. Οι αλγόριθμοι και οι στατιστικοί δείκτες που αναφέρονται και υλοποιούνται σε αυτή τη διδακτορική διατριβή είναι πρωτοπόροι στο τομέα της ιατρικής πληροφορικής για την εξαγωγή συμπερασμάτων σε διάφορες ασθένειες (οξεία σκωληκοειδίτιδα) και σε ιατρικά πειράματα (ίσχαιμος περίδεσης) με σκοπό την βελτίωση και την γρηγορότερη αντιμετώπιση των ιατρικών παθήσεων. Στην παρούσα διατριβή επιχειρείται η εισαγωγή των νευρωνικών δικτύων RBF και MLP όπως και μπεϋζιανών ταξινομητών όπως ο Naïve Bayes στην έρευνα του κατάγματος ισχίου με σκοπό την προσαρμοστικότητα ενός νέου παράγοντα στον ελληνικό πληθυσμό. Η ασαφής λογική και τα μπεϋζιανά δίκτυα εφαρμόζονται στους ασθενείς με κατάθλιψη με στόχο να βρεθεί το κατάλληλο μοντέλο για την γρηγορότερη διάγνωση της νόσου. Σε σύνολο δεδομένων ψυχικά ασθενών εφαρμόζονται μέθοδοι προ-επεξεργασίας με σκοπό την ενίσχυση της αποτελεσματικότητας των μεθόδων μηχανικής μάθησης. Τέλος, με σκοπό την γρηγορότερη πρόγνωση και πρόληψη της οστεοπόρωσης χρησιμοποιούνται γενετικοί αλγόριθμοι, τεχνητά νευρωνικά δίκτυα και μέθοδοι προ-επεξεργασίας.