Μοντελοποίηση Ιατρικής Διάγνωσης με Αλγόριθμους Υπολογιστικής Νοημοσύνης: PAP-SMEAR Data Analysis using WEKA tools’
Ο Γιώργος Παπανικολάου [Παπανικολάου,1954] ανέπτυξε μια μεθοδολογία για τη διάγνωση προ-καρκινικών κυττάρων στον τράχηλο της μήτρας ώστε να δίνεται η κατάλληλη θεραπεία και να προλαμβάνεται το μη ιάσιμο στάδιο της νόσου. Η ταξινόμηση και διάγνωση των κυττάρων που λαμβάνονται κατά την εφαρμογή της με...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Δημοσίευση: |
2015
|
| Θέματα: | |
| Διαθέσιμο Online: | http://catalog.lib.aegean.gr/webopac/FullBB.csp?WebAction=ShowFullBB&EncodedRequest=*40U3h*C2*E3gd*5E*E0m*DA*FDNh*DF&Profile=Default&OpacLanguage=gre&NumberToRetrieve=50&StartValue=2&WebPageNr=1&SearchTerm1=2012.1.41668&SearchT1=&Index1=Keywordsbib&SearchMethod=Find_1&ItemNr=2 http://hdl.handle.net/11610/14587 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| _version_ | 1828460126662557696 |
|---|---|
| author | Μηνά, Αναστασία |
| author2 | Δούνιας, Γεώργιος |
| author_sort | Μηνά, Αναστασία |
| collection | DSpace |
| description | Ο Γιώργος Παπανικολάου [Παπανικολάου,1954] ανέπτυξε μια μεθοδολογία για τη διάγνωση προ-καρκινικών κυττάρων στον τράχηλο της μήτρας ώστε να δίνεται η κατάλληλη θεραπεία και να προλαμβάνεται το μη ιάσιμο στάδιο της νόσου. Η ταξινόμηση και διάγνωση των κυττάρων που λαμβάνονται κατά την εφαρμογή της μεθόδου γίνεται παραδοσιακά από έμπειρους κυτταρολόγους. Δεδομένου ότι κάθε δείγμα μπορεί να περιέχει μέχρι και 300.000 κύτταρα είναι προφανές ότι η διαδικασία είναι δύσκολη και χρονοβόρα. Η αξιολόγηση και κατάταξη θα μπορούσε να γίνει πιο εύκολη με την ανάπτυξη μιας αυτοματοποιημένης διαδικασίας, βασισμένης σε ηλεκτρονικό υπολογιστή, που θα μπορούσε να έχει επιτυχία συγκρίσιμη της παραδοσιακής διαδικασίας. Μια τέτοια τεχνική θα αποτελούσε σημαντικό εργαλείο για τους κυτταρολόγους.Στην παρούσα εργασία έγινε ανάλυση και ταξινόμηση δύο βάσεων ιατρικών δεδομένων, οι οποίες αναφέρονται στο πρόβλημα του καρκίνου του τραχήλου της μήτρας, με μεθόδους υπολογιστικής νοημοσύνης. Συγκεκριμένα, μία βάση εικόνων 500 κυττάρων από τη διατριβή της Byriel [Byriel, 1999] και μία βάση 917 κυττάρων από το Νοσοκομείο Herlev στη Δανία. Χρησιμοποιήθηκε η συλλογή αλγορίθμων του προγράμματος WEKA για την επίλυση του προβλήματος ταξινόμησης και διάγνωσης. Συγκεκριμένα χρησιμοποιήθηκαν συναρτησιακές προσεγγίσεις, αλγόριθμοι τύπου Bayes, δενδρικοί αλγόριθμοι, τεχνικές εξαγωγής κανόνων, αλγόριθμοι μετά-μάθησης και κανόνες αφελούς ταξινόμησης. Επιπλέον, έγινε προσπάθεια εντοπισμού των ταξινομητών εκείνων που παρέχουν ακρίβεια αλλά και απλότητα, έτσι ώστε τα αποτελέσματα να μπορούν εύκολα να γίνουν κατανοητά αλλά και αξιοποιήσιμα σε πολλές ιατρικές εφαρμογές. Πρωτεύων στόχος της εργασίας ήταν να εξαχθούν ορισμένοι σημαντικοί κανόνες ταξινόμησης περιστατικών καρκίνου του τραχήλου της μήτρας, έτσι ώστε να δρουν συμπληρωματικά (υποστηρικτικά) στην απόφαση του γιατρού. Επιπλέον, μέσω αυτών των κανόνων, ενδέχεται να προκύψουν και οι σημαντικότεροι παράγοντες, οι οποίοι παίζουν σημαντικό ρόλο στον εντοπισμό χαρακτηριστικών καρκίνου του τραχήλου της μήτρας. |
| id | oai:hellanicus.lib.aegean.gr:11610-14587 |
| institution | Hellanicus |
| language | Greek |
| publishDate | 2015 |
| record_format | dspace |
| title | Μοντελοποίηση Ιατρικής Διάγνωσης με Αλγόριθμους Υπολογιστικής Νοημοσύνης: PAP-SMEAR Data Analysis using WEKA tools’ |
| topic | Συλλογή αλγορίθμων του προγράμματος WEKA Μεθοδολογία για τη διάγνωση προ-καρκινικών κυττάρων Κανόνες Ταξινόμησης Methodology for diagnosing pre-cancerous cells Intelligent methods |
| url | http://catalog.lib.aegean.gr/webopac/FullBB.csp?WebAction=ShowFullBB&EncodedRequest=*40U3h*C2*E3gd*5E*E0m*DA*FDNh*DF&Profile=Default&OpacLanguage=gre&NumberToRetrieve=50&StartValue=2&WebPageNr=1&SearchTerm1=2012.1.41668&SearchT1=&Index1=Keywordsbib&SearchMethod=Find_1&ItemNr=2 http://hdl.handle.net/11610/14587 |
| work_keys_str_mv | AT mēnaanastasia montelopoiēsēiatrikēsdiagnōsēsmealgorithmousypologistikēsnoēmosynēspapsmeardataanalysisusingwekatools |