Βιοϊατρικές εφαρμογές ενδυναμωμένες από τεχνητή νοημοσύνη

Περίληψη

Η παρούσα διατριβή εξετάζει τις εξελίξεις στον τομέα της εξατομικευμένης ιατρικής, δίνοντας έμφαση στη μετάβαση από τη γενικευμένη προσέγγιση «μία λύση για όλους» σε μια περισσότερο εξατομικευμένη στρατηγική για τη διάγνωση ασθενειών και τη διαχείριση των ασθενών. Η μετάβαση αυτή διευκολύνεται από τη χρήση βιοδεικτών, οι οποίοι διαδραματίζουν καθοριστικό ρόλο στην ανάπτυξη και εκπαίδευση προγνωστικών μοντέλων και νευρωνικών δικτύων στους τομείς της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Οι βιοδείκτες, οι οποίοι ορίζονται ως μετρήσιμα και αναπαραγώγιμα ιατρικά χαρακτηριστικά, αποτελούν αντικειμενικούς δείκτες της κατάστασης της υγείας ενός ασθενούς. Η έρευνα αναδεικνύει σημαντικά επιτεύγματα στην αξιοποίηση τεχνικών μηχανικής μάθησης για την πρόβλεψη διαφόρων δεικτών υγείας. Ενδεικτικά, αιματολογικές εξετάσεις χρησιμοποιούνται για την ταξινόμηση του δείκτη μάζας σώματος (BMI) με μέση ακρίβεια 84%, ενώ ταξινομητές διανυσμάτων υποστήριξης (SVM) σε διαδοχική διάταξη αξιοποιούνται γ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

This thesis examines the advancements in personalized medicine, emphasizing the transition from a generalized “one-size-fits-all” approach to a more tailored strategy in disease diagnosis and patient management. This shift is facilitated by the use of biomarkers, which are critical in developing and training prognostic models and neural networks within the fields of machine learning and artificial intelligence. Biomarkers, defined as measurable and reproducible medical signs, serve as objective indicators of a patient’s medical state. The research highlights significant achievements in using machine learning techniques to predict various health indicators. For example, blood exams are utilized to classify body mass index with an average accuracy of 84%, while cascaded SVM-based classifiers are used to determine systolic blood pressure with 74% accuracy. Furthermore, a new system has been proposed and implemented to predict metabolic syndrome with 84% accuracy, relying on multiple blood ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/62060
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/62060
ND
62060
Εναλλακτικός τίτλος
Artificial Intelligence-empowered bio-medical applications
Συγγραφέας
Παναγούλιας, Δημήτριος (Πατρώνυμο: Πέτρος)
Ημερομηνία
07/2024
Ίδρυμα
Πανεπιστήμιο Πειραιώς. Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής
Εξεταστική επιτροπή
Τσιχριντζής Γεώργιος
Σωτηρόπουλος Διονύσιος
Τασούλας Ιωάννης
Μπουρμπάκης Νικόλαος
Αλέπης Ευθύμιος
Σακκόπουλος Ευάγγελος
Μαρινάκης Ευάγγελος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και Τεχνολογία ➨ Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Τεχνολογία μέσων
Λέξεις-κλειδιά
Βιοϊατρικές εφαρμογές; Τεχνητή νοημοσύνη
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.