Μονάδα:
Τμήμα ΙατρικήςΒιβλιοθήκη Επιστημών Υγείας
Ημερομηνία κατάθεσης:
2024-04-11
Συγγραφέας:
Καλατζής Δημήτριος
Στοιχεία επταμελούς επιτροπής:
Ευστάθιος Ευσταθόπουλος, Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ
Αικατερίνη Μαλαγάρη, Καθηγήτρια, Ιατρική Σχολή, ΕΚΠΑ
Νικόλαος Κελέκης, Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ
Παντελής Καραΐσκος, Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ
Παναγιώτης Μπαμίδης, Καθηγητής, Ιατρική Σχολή, ΑΠΘ
Καλλιόπη Πλατώνη, Αναπληρώτρια Καθηγήτρια, Ιατρική Σχολή, ΕΚΠΑ
Κωνσταντίνος Λουκάς, Αναπληρωτής Καθηγητής, Ιατρική Σχολή, ΕΚΠΑ
Πρωτότυπος Τίτλος:
Μέθοδοι Βαθιάς Μάθησης (Deep Learning) για την ανάλυση φασματοσκοπικών μεθόδων
Γλώσσες διατριβής:
Ελληνικά
Μεταφρασμένος τίτλος:
Μέθοδοι Βαθιάς Μάθησης (Deep Learning) για την ανάλυση φασματοσκοπικών μεθόδων
Περίληψη:
Η φασματοσκοπία Raman τείνει να αναδειχθεί ως ένα ισχυρό εργαλείο στον ιατρικό τομέα για τη βιοχημική ανάλυση ουσιών και τη διάκριση ιστών. Η ενσωμάτωση αλγορίθμων Τεχνητής Νοημοσύνης στη Φασματοσκοπία Raman έχει βελτιώσει σημαντικά τις δυνατότητές της, επιτρέποντας ακριβείς και σε πραγματικό χρόνο αναλύσεις των φασματικών δεδομένων.
Στο πλαίσιο της παρούσας διδακτορικής διατριβής μελετήθηκε η εφαρμογή αλγορίθμων τεχνητής νοημοσύνης για τη διάκριση φασματικών αποτυπωμάτων ανθρώπινων υγειών/καρκινικών ιστών του παχέους εντέρου και του ορθού. Απώτερος σκοπός είναι η εξατομικευμένη ταχεία διάγνωση σε ανοικτό χειρουργείο καρκινικών δομών/κυττάρων σε πραγματικό χρόνο.
Αρχικά, συλλέχθηκαν φασματικά δείγματα από 22 ασθενείς που υποβλήθηκαν σε ανοιχτή χειρουργική επέμβαση του παχέος εντέρου και του ορθού. Τα δείγματα προήλθαν τόσο από υγιείς όσο και από καρκινικούς ιστούς, για τη δημιουργία της φασματικής βιβλιοθήκης και στη συνέχεια τη διάκριση των φασματικών αποτυπωμάτων με τη χρήση της Τεχνητής Νοημοσύνης.
Η έρευνα περιλάμβανε την πρόταση μεθόδων και αλγορίθμων προ-επεξεργασίας για τη βελτίωση των αποτελεσμάτων ταξινόμησης, όπως η αφαίρεση υπόβαθρου, η κανονικοποίηση L2, το φιλτράρισμα και η PCA. Αυτές οι μέθοδοι είχαν ως αποτέλεσμα μια συνολική βελτίωση της ακρίβειας κατά 16,1%. Πραγματοποιήθηκε, επίσης μια διεξοδική μελέτη για να συγκριθούν αλγόριθμοι Μηχανικής Μάθησης και Βαθιάς Μάθησης, εστιάζοντας στην προώθηση της κλινικής εφαρμογής της Φασματοσκοπίας Raman. Τα μοντέλα Μηχανικής Μάθησης, αποδείχθηκαν αποτελεσματικά στην ταξινόμηση τόσο των φυσιολογικών όσο και των μη φυσιολογικών ιστών. Τα μοντέλα Βαθιάς Μάθησης, ιδιαίτερα το 1D-CNN, επέδειξαν ανώτερη απόδοση στην ταξινόμηση των μη φυσιολογικών περιπτώσεων.
Στην συνέχεια, αντιμετωπίστηκε η πρόκληση των απαιτήσεων στην συλλογή μεγάλου όγκου δεδομένων για τις μεθόδους Βαθιάς Μάθησης, αναπτύσσοντας μοντέλα Μεταφοράς Γνώσης. Προ-εκπαιδευμένα μοντέλα εκπαιδεύτηκαν επιτυχώς σε μια ανοιχτή βάση δεδομένων Raman με φάσματα παθογόνων βακτηρίων, επιτυγχάνοντας ακρίβεια 88% στη διάκριση υγιών και καρκινικών ιστών.
Τέλος, αξιοποιήθηκε η ικανότητα του 1D-CNN με Μεταφορά Γνώσης, για την ταξινόμηση in-vivo φασμάτων Raman από μύες επιτυγχάνοντας αξιοσημείωτη ακρίβεια 91,2%. Τα μοντέλα ξεπερνώντας τους περιορισμούς του μεγάλου πλήθους συλλογής δεδομένων δείχνουν τη αποτελεσματικότητα τους σε περιβάλλον ex-vivo και in-vivo. Συνολικά, όλα τα αποτελέσματα έφεραν την φασματοσκοπία Raman ένα βήμα πιο κοντά στην κλινική εφαρμογή ως βοηθητικό εργαλείο για βιοψία και χειρουργική καθοδήγηση σε πραγματικό χρόνο.
Κύρια θεματική κατηγορία:
Επιστήμες Υγείας
Λέξεις-κλειδιά:
Φασματοσκοπία raman, Ορθοκολικός καρκίνος, Διάκριση ιστών, Μηχανική μάθηση, Βαθιά μάθηση, Μεταφορά γνώσης
Αρ. σελίδων ευρετηρίου:
0
Αρ. βιβλιογραφικών αναφορών:
102
Αρχείο:
Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.
Kalatzis_Dimitrios_PhD.pdf
3 MB
Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.
