Your browser does not support JavaScript!

Αρχική    Συλλογές    Σχολή/Τμήμα    Ιατρική Σχολή    Τμήμα Ιατρικής    Μεταπτυχιακές εργασίες ειδίκευσης  

Μεταπτυχιακές εργασίες ειδίκευσης

Εντολή Αναζήτησης : Συγγραφέας="Μπριασούλης"  Και Συγγραφέας="Γεώργιος"

Τρέχουσα Εγγραφή: 10 από 767

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000426737
h
Τίτλος Predicting the behavior of immune cell populations from single cell proteomic data.
Άλλος τίτλος Προβλέποντας τη συμπεριφορά πληθυσμών ανοσοποιητικών κυττάρων απο δεδομένα πρωτεϊνικής κυτταρομετρίας
Συγγραφέας Angelova, Nelina
Σύμβουλος διατριβής Τσαμαρδίνος, Ιωάννης
Περίληψη Από τις αρχές τις ανθρωπότητας, το είδος μας αντιμετωπίζει ασθένειες των οποίων τους μηχανισμούς είναι δύσκολο να αποκρυπτογραφήσει. Ο καρκίνος και η άνοια, είναι λίγα από τα απτά αυτά παραδείγματα, μόνο που σήμερα, οι άνθρωποι έχουν ένα πλεονέκτημα σε σχέση με το παρελθόν: τις έξυπνες μηχανές. Η μηχανική μάθηση, κλάδος του πεδίου της τεχνητής νοημοσύνης, στοχεύει στη δημιουργία συστημάτων ικανών να μάθουν και να αριστεύσουν σε μία δοσμένη εργασία. Ερευνητές που δουλεύουν στο πεδίο της Βιοπληροφορικής, μετατρέπουν αυτή την εργασία σε εύρεση βιοδεικτών, κατηγοριοποίηση ασθενών ή αναλύσεις επιβίωσης. Πέραν όμως της προόδου στο πεδίο της μηχανικής μάθησης, ταυτόχρονα υπάρχουν εξελίξεις και στα πεδία των επιστημών ζωής. Το πρόβλημα είναι πως οι εξελίξεις των δύο αυτών κατευθύνσεων δε συγχρονίζονται πάντα. Αυτό συμβαίνει και στην περίπτωση της τεχνολογίας της κυτταρομετρίας, μίας αυτοματοποιημένης μεθόδου μέσω της οποίας επιτυγχάνεται η παρατήρηση, ποσοτικοποίηση και ο διαχωρισμός μεμονωμένων κυττάρων. Η πληθώρα πληροφοριών που η τεχνική αυτή αποδίδει είναι υψίστης σημασίας για την κατανόηση των πολύπλοκων ασθενειών που η ιατρική κοινότητα πασχίζει να αντιμετωπίσει, η μηχανική μάθηση όμως, δεν διαθέτει ακόμα τους κατάλληλους αλγορίθμους για την πλήρη και αποτελεσματική ανάλυση και κατανόηση τέτοιου τύπου δεδομένων. Παρ'όλη την προσπάθεια των τελευταίων χρόνων, και τη δημιουργία νέων ή την προσαρμογή παλαιών αλγορίθμων στην δοθείσα πρόκληση, η κοινότητα των επιστημόνων που ασχολούνται με το συγκεκριμένο πρόβλημα είναι σε βρεφικό στάδιο και η ανάγκη για νέες ιδέες και προσεγγίσεις είναι άμεση. Η παρούσα διπλωματική προτείνει μία νέα μέθοδο ανάλυσης των δεδομένων κυτταρομετρίας, και συγκεκριμένα της δίτιμης κατηγοριοποίησης δειγμάτων. Η μέθοδος εμπεριέχει τη σύγκριση πινάκων κυτταρομετρίας μέσω της μέτρησης της ομοιότητας των κατανομών τους. Δύο αλγόριθμοι προτείνονται, αναπτύσσονται και συγκρίνονται μεταξύ τους αλλά και με άλλους, ήδη υπάρχοντες, καινοτόμους αλγορίθμους, μέσω οκτώ διαφορετικών σετ δεδομένων: o MMD-KNN, που ακολουθεί τη λογική του αλγορίθμου του πλησιέστερου γείτονα (KNN) και έχει για μετρική του τον MMD (Maximum- Mean Discrepancy), και ο KBCsvm, ένας υβριδικός αλγόριθμος, που μετράει τις ίδιες αποστάσεις αλλά σε άλλη μαθηματική διάσταση (new feature space) μέσω χρήσης Kernel μετασχηματισμών, και ενσωματώνει τις αποστάσεις αυτές σε έναν SVMs αλγόριθμο για την κατηγοριοποίηση των δειγμάτων. Τα αποτελέσματα των συγκρίσεων δείχνουν πως οι αλγόριθμοι πετυχαίνουν αρκετά υψηλές αποδόσεις, ανταγωνίζονται επάξια άλλες σύγχρονες μεθόδους ανάλυσης, και ταυτόχρονα, διαθέτουν χαρακτηριστικά που τους καθιστούν εύχρηστους και κατάλληλους και για περεταίρω είδη αναλύσεων, όπως αυτή της παλινδρόμησης, με ελάχιστες προσαρμογές.
Φυσική περιγραφή 51 σ. : πίν. σχήμ. ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Classification
Cytometry
Machine learning
Κατηγοριοποίηση
Μηχανική μάθηση
Ημερομηνία έκδοσης 2019-12-11
Συλλογή   Σχολή/Τμήμα--Ιατρική Σχολή--Τμήμα Ιατρικής--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/b/7/7/metadata-dlib-1577177011-957596-2071.tkl Bookmark and Share
Εμφανίσεις 42

Ψηφιακά τεκμήρια
No preview available

Προβολή Εγγράφου
Εμφανίσεις : 2