Μηχανική μάθηση στην υγεία

Abstract

Η παρούσα διπλωματική εργασία με τίτλο «Συστήματα Μηχανικής Μάθησης στην Υγεία» αναφέρεται στην εφαρμογή της τεχνητής νοημοσύνης στον τομέα της υγείας. Πιο συγκεκριμένα, επιχειρήθηκε η δημιουργία τεσσάρων μοντέλων μηχανικής μάθησης αξιοποιώντας το Breast Cancer Wisconsin (Diagnostic) Dataset το οποίο αντλήθηκε από την πλατφόρμα Kaggle (www.kaggle.com). Τα μοντέλα αξιολογήθηκαν με τη χρήση πέντε αξιολογητών και έπειτα πραγματοποιήθηκε η μεταξύ τους σύγκριση. Η εργασία βασίστηκε στη διεθνή βιβλιογραφία και επιστημονικά περιοδικά. Για την κατασκευή των μοντέλων, αξιοποιήθηκαν γραμμικοί και δενδροειδείς αλγόριθμοι της επιβλεπόμενης μηχανικής μάθησης όπως η λογιστική παλινδρόμηση, οι μηχανές διανυσμάτων στήριξης, το τυχαίο δάσος ταξινόμησης και ο gradient boosting machine. Έπειτα, πραγματοποιήθηκε η συγκριτική αξιολόγηση των μοντέλων με τη χρήση πέντε αξιολογητών όπως, το ποσοστό αρτιότητας, το ποσοστό του αξιολογητή f1 score, η καμπύλη χαρακτηριστικών λειτουργίας δέκτη, το ποσοστό ακρίβειας και ευαισθησίας. Τα αποτελέσματα των μοντέλων φάνηκε να είναι ιδιαίτερα ενθαρρυντικά, όσον αφορά στα συγκεκριμένα μοντέλα που χρησιμοποιήθηκαν για την εργασία, καθώς το μεγαλύτερο ποσοστό επιτυχίας που σημειώθηκε ανέρχεται στο 97,35%. Όλοι οι αλγόριθμοι που χρησιμοποιήθηκαν βρίσκονται υλοποιημένοι στη βιβλιοθήκη της Python, την Scikit-Learn. Αξιοποιώντας τη μηχανική μάθηση και χρησιμοποιώντας ακριβή και σωστά σύνολα δεδομένων ως δεδομένα εισόδου, είναι δυνατό να δημιουργηθούν μοντέλα που συμβάλλουν στη θεμελίωση της πρόγνωσης διάφορων τομέων της υγείας, όπως είναι η νευρολογία, η καρδιολογία και η καρκινολογία. Φυσικά, η μηχανική μάθηση δύναται να χρησιμοποιηθεί και σε άλλους τομείς της υγείας που δεν αφορούν αποκλειστικά στην πρόβλεψη της ασθένειας.