Χρήση τεχνικών μηχανικής μάθησης στην ιατρική πληροφορική

Abstract

In the present dissertation our research effort concerns the scientific field of Machine Learning in clinical data. More specifically, the contribution of this doctoral dissertationi s that a systematic study and research was carried out in order to design, implement and evaluate an innovative data preprocessing method which transforms the original data set into a new data set with a smaller feature size, improves the classification performance in some classifiers and greatly reduces the classification time since the transformed dataset has fewer variables than the original.The method was tested in five data sets where it was compared with other data preprocessing methods such as Principal Component Analysis and Evolutionary Search.The results of our research showed that the proposed method greatly improves the classification performance compared to the other two data preprocessing methods in all data sets applied.

Στην παρούσα διδακτορική διατριβή η ερευνητική μας προσπάθεια αφορά το επιστημονικό πεδίο της Μηχανικής Μάθησης σε κλινικά δεδομένα. Πιο συγκεκριμένα, η συνεισφορά της παρούσης διδακτορικής διατριβής είναι ότι διεξήχθη συστηματική μελέτη και έρευνα με σκοπό το σχεδιασμό, την υλοποίηση και την αξιολόγηση μιας καινοτόμας μεθόδου προεπεξεργασίας δεδομένων η οποία μετασχηματίζοντας το αρχικό σετ δεδομένων σε ένα νέο σετ δεδομένων με μικρότερη διάσταση χαρακτηριστικών, βελτιώνει την απόδοση ταξινόμησης σε κάποιους ταξινομητές και μειώνει σε μεγάλο βαθμό το χρόνο ταξινόμησης εφόσον το μετασχηματισμένο σετ δεδομένων έχει λιγότερες μεταβλητές από το αρχικό. Η μέθοδος δοκιμάστηκε σε πέντε σετ δεδομένων όπου έγινε και σύγκριση με άλλες μεθόδους προεπεξεργασίας δεδομένων όπως η Principal Component Analysis και η Evolutionary Search. Τα αποτελέσματα της έρευνάς μας έδειξαν ότι η προτεινόμενη μέθοδος βελτιώνει κατά πολύ την απόδοση ταξινόμησης σε σχέση με τις άλλες δύο μεθόδους προεπεξερασίας δεδομένων σε όλα τα σετ δεδομένων που εφαρμόστηκε.