Μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας
Η τεχνητή νοημοσύνη στη βιοπληροφορική θεωρείται ένα πολύ σημαντικό βήμα αναφορικά με την κατηγοριοποίηση των ασθενειών, ακόμα και τη θεραπεία αυτών. Μέσω των νευρωνικών δικτύων τεχνητής νοημοσύνης μπορούμε να επεξεργαστούμε ιατρική πληροφορία και να κατηγοριοποιήσουμε μοτίβα καίριας σημασίας όσον α...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2015
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/8329 |
| id |
nemertes-10889-8329 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-83292022-09-05T06:57:12Z Μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας Σταματοπούλου, Κωνσταντίνα - Μαρία Τσακαλίδης, Αθανάσιος Τσακαλίδης, Αθανάσιος Σιούτας, Σπύρος Τζήμας, Γιάννης Stamatopoulou, Konstantina - Maria Τεχνητή νοημοσύνη Ασαφής λογική Νευρωνικά δίκτυα Συστήματα λήψης ιατρικής απόφασης Καρδιολογικές ασθένειες Artificial intelligence Fuzzy logic Neural networks Medical decision making systems Cardiovascular diseases 006.32 Η τεχνητή νοημοσύνη στη βιοπληροφορική θεωρείται ένα πολύ σημαντικό βήμα αναφορικά με την κατηγοριοποίηση των ασθενειών, ακόμα και τη θεραπεία αυτών. Μέσω των νευρωνικών δικτύων τεχνητής νοημοσύνης μπορούμε να επεξεργαστούμε ιατρική πληροφορία και να κατηγοριοποιήσουμε μοτίβα καίριας σημασίας όσον αφορά την ιατρική διάγνωση. Βέβαια, καθώς στη λήψη αποφάσεων πάντα εισχωρεί ο παράγοντας της αβεβαιότητας, μία από τις πιο κατάλληλες προσεγγίσεις, η οποία προσομοιώνει τον τρόπο που κάθε άνθρωπος λαμβάνει αποφάσεις, είναι η ασαφής λογική. Συνδιάζοντας την ασαφή λογική με τη γνώση ειδικών μπορούμε να μοντελοποιήσουμε σύνθετα φαινόμενα και να αποφανθούμε για τη φύση αυτών. Σε αυτή τη διπλωματική εργασία υλοποιείται ένα ασαφές έξυπνο σύστημα που έχει ως σκοπό να μοντελοποιήσει πέντα καρδιολογικής φύσεως ασθένειες, χρησιμοποιώντας υλικό το οποίο προέρχεται από τη γνώση ειδικών στον τομέα της καρδιολογίας: στεφανιαία νόσος, υπέρταση, κολπική μαρμαρυγή, καρδιακή ανεπάρκεια, διαβήτης. Επιπλέον, το σύστημα, σε συνεργασία με το αρμόδιο ιατρικό προσωπικό, παραμετροποιήθηκε και στη συνέχεια έγινε προσπάθεια βελτιστοποίησής του μέσω της ενσωμάτωσης νευρωνικών δικτύων. Η αποδοτικότητά του αξιολογήθηκε ευνοϊκά μέσα από μία ομάδα ιατρών, δίνοντας ελπίδες για μία νέα εποχή στον τρόπο διεξαγωγής ιατρικής διάγνωσης. Το συγκεκριμένο σύστημα θα αποτελέσει τμήμα του Cardiosmart365, ενός ολοκληρωμένου συστήματος για τη δια βίου παρακολούθηση ασθενών με καρδιολογικά προβλήματα, την έγκαιρη διάγνωση και τη βέλτιστη διαχείριση περιπτώσεων εκτάκτου ανάγκης. Σε αυτό το έξυπνο ασαφές σύστημα προσαρτάται η γνώση που προκύπτει μέσα από τα νευρωνικά δίκτυα, με την οποία και επιτυγχάνεται αυτόματα η βελτιστοποίησή του. Arti cial intelligence (AI) in bioinformatics is considered to be a great step towards disease classi cation, or even disease treatment. AI gives the opportunity through arti cial neural networks (ANNs) to process medical information and classify pat- terns, something of great importance, as far as medical diagnosis is conserned. How- ever, since there is always the factor of uncertainty in decision making, fuzzy logic is considered to be one of the most suitable approximations, since it deals with reason- ing that is approximate rather than xed and exact, thus closer to human reasoning. Therefore, based on human expert knowledge they are capable of modeling complex phenomena. In this diploma thesis, we implement a fuzzy expert system, consisting of ve subsystems, concerning ve cariological diseases, incorporating expert knowledge on this particular eld: coronary artery disease, hypertension, atrial brillation, heart failure, and diabetes. Moreover, the parameters were con gured, in cooperation with experts on the eld, and optimization e orts were made through the integration of neural networks. Evaluated by a group of doctors, the e ciency was rated as satisfactory, giving hope for a new era in the way medical diagnosis is conducted. This system will be a part of Cardiosmart365, an integrated system for lifelong cardiologic patient monitoring, early detection of emergency, and optimal process management of the emergency incident. In the fuzzy expert system implemented, knowledge through neural networks is incorporated, thus achieving automatic opti- mization. 2015-02-05T16:18:25Z 2015-02-05T16:18:25Z 2014-10-03 2015-02-05 Thesis http://hdl.handle.net/10889/8329 gr 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Τεχνητή νοημοσύνη Ασαφής λογική Νευρωνικά δίκτυα Συστήματα λήψης ιατρικής απόφασης Καρδιολογικές ασθένειες Artificial intelligence Fuzzy logic Neural networks Medical decision making systems Cardiovascular diseases 006.32 |
| spellingShingle |
Τεχνητή νοημοσύνη Ασαφής λογική Νευρωνικά δίκτυα Συστήματα λήψης ιατρικής απόφασης Καρδιολογικές ασθένειες Artificial intelligence Fuzzy logic Neural networks Medical decision making systems Cardiovascular diseases 006.32 Σταματοπούλου, Κωνσταντίνα - Μαρία Μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας |
| description |
Η τεχνητή νοημοσύνη στη βιοπληροφορική θεωρείται ένα πολύ σημαντικό βήμα αναφορικά με την κατηγοριοποίηση των ασθενειών, ακόμα και τη θεραπεία αυτών. Μέσω των νευρωνικών δικτύων τεχνητής νοημοσύνης μπορούμε να επεξεργαστούμε ιατρική πληροφορία και να κατηγοριοποιήσουμε μοτίβα καίριας σημασίας όσον αφορά την ιατρική διάγνωση. Βέβαια, καθώς στη λήψη αποφάσεων πάντα εισχωρεί ο παράγοντας της αβεβαιότητας, μία από τις πιο κατάλληλες προσεγγίσεις, η οποία προσομοιώνει τον τρόπο που κάθε άνθρωπος λαμβάνει αποφάσεις, είναι η ασαφής λογική. Συνδιάζοντας την ασαφή λογική με τη γνώση ειδικών μπορούμε να μοντελοποιήσουμε σύνθετα φαινόμενα και να αποφανθούμε για τη φύση αυτών. Σε αυτή τη διπλωματική εργασία υλοποιείται ένα ασαφές έξυπνο σύστημα που έχει ως σκοπό να μοντελοποιήσει πέντα καρδιολογικής φύσεως ασθένειες, χρησιμοποιώντας υλικό το οποίο προέρχεται από τη γνώση ειδικών στον τομέα της καρδιολογίας: στεφανιαία νόσος, υπέρταση, κολπική μαρμαρυγή, καρδιακή ανεπάρκεια, διαβήτης. Επιπλέον, το σύστημα, σε συνεργασία με το αρμόδιο ιατρικό προσωπικό, παραμετροποιήθηκε και στη συνέχεια έγινε προσπάθεια βελτιστοποίησής του μέσω της ενσωμάτωσης νευρωνικών δικτύων. Η αποδοτικότητά του αξιολογήθηκε ευνοϊκά μέσα από μία ομάδα ιατρών, δίνοντας ελπίδες για μία νέα εποχή στον τρόπο διεξαγωγής ιατρικής διάγνωσης. Το συγκεκριμένο σύστημα θα αποτελέσει τμήμα του Cardiosmart365, ενός ολοκληρωμένου συστήματος για τη δια βίου παρακολούθηση ασθενών με καρδιολογικά προβλήματα, την έγκαιρη διάγνωση και τη βέλτιστη διαχείριση περιπτώσεων εκτάκτου ανάγκης. Σε αυτό το έξυπνο ασαφές σύστημα προσαρτάται η γνώση που προκύπτει μέσα από τα νευρωνικά δίκτυα, με την οποία και επιτυγχάνεται αυτόματα η βελτιστοποίησή του. |
| author2 |
Τσακαλίδης, Αθανάσιος |
| author_facet |
Τσακαλίδης, Αθανάσιος Σταματοπούλου, Κωνσταντίνα - Μαρία |
| format |
Thesis |
| author |
Σταματοπούλου, Κωνσταντίνα - Μαρία |
| author_sort |
Σταματοπούλου, Κωνσταντίνα - Μαρία |
| title |
Μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας |
| title_short |
Μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας |
| title_full |
Μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας |
| title_fullStr |
Μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας |
| title_full_unstemmed |
Μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας |
| title_sort |
μελέτη και χρήση τεχνικών τεχνητής νοημοσύνης για διαχείριση ιατρικής πληροφορίας |
| publishDate |
2015 |
| url |
http://hdl.handle.net/10889/8329 |
| work_keys_str_mv |
AT stamatopouloukōnstantinamaria meletēkaichrēsētechnikōntechnētēsnoēmosynēsgiadiacheirisēiatrikēsplērophorias |
| _version_ |
1771297170539937792 |
