Nowadays the medical profession is faced with a number of challenges since
numerous diseases can be treated effectively if diagnosed correctly at an early stage. In this
battle, the science of computing and some of its techniques come to our aid. To this end, there
is a continuing effort to create mathematical models (classifiers) to act supportively in the
correct diagnosis of illnesses such as cancer, diabetes, Alzheimer's, heart disease, etc. The
classifiers act either separately or combined to ensure maximum effectiveness.
The calculating power of computing has increased significantly so it can process a bulk of
data quickly in order to diagnose multifactorial diseases. The objective of this work is to study
and implement the combination of these classifiers in a particular method through its
application in ten datasets of different illnesses.
The aim of this dissertation is to show that when the method of combining heterogenic
classifiers is implemented in medical data, it can yield better illness predictions than the use
of single classifiers would. This is why it has been implemented in ten different medical
problems, each with its own distinctive features, so as to have as a broader view of the results
it may yield as possible.
The source we gathered the data of the diseases from has been of great importance in drawing
conclusions. This is why we received data only from hospital doctors as well as databases
available on the net. We made use of the WEKA tool and Excel to implement the classifiers used in our study, on
which we developed our own computer program.
Στις μέρες μας ο κλάδος της ιατρικής έχει να αντιμετωπίσει πολλές προκλήσεις
μιας και ένας, μεγάλος αριθμός από ασθένειες πλέον μπορούν να αντιμετωπιστούν
αποτελεσματικά, αν υπάρχει έγκαιρη και σωστή διάγνωση. Σ’ αυτό τον αγώνα που κάνει η
σύγχρονη ιατρική έρχεται να βοηθήσει με διάφορες τεχνικές και η επιστήμη της
πληροφορικής. Για τον σκοπό αυτό, τα τελευταία χρόνια παρατηρείται μία συνεχής
προσπάθεια δημιουργίας μαθηματικών μοντέλων (ταξινομητών) που θα μπορούν να δρουν
βοηθητικά στην σωστή διάγνωση διαφόρων ασθενειών όπως ο καρκίνος, ο διαβήτης, το
αλτσχάιμερ, οι καρδιοπάθειες, κ.λ.π. Οι ταξινομητές λειτουργούν είτε ως μεμονωμένα
στοιχεία είτε συνδυάζονται για να πετύχουν πιθανώς καλύτερη απόδοση.
Η υπολογιστική ισχύ έχει αυξηθεί σημαντικά και έτσι είναι πλέον εφικτό, ένα υπολογιστικό
σύστημα, να επεξεργαστεί, εφαρμόζοντας την κατάλληλη μέθοδο, μέσα σε εύλογο χρονικό
διάστημα, ένα πολύ μεγάλο σύνολο δεδομένων όπως απαιτείται για την διάγνωση μιας
πολυπαραγοντικής ασθένειας. Αντικείμενο αυτής της εργασίας αποτελεί η μελέτη και η
υλοποίηση του συνδυασμού αυτών των ταξινομητών με μια συγκεκριμένη μέθοδο, μέσα από
την εφαρμογή της σε δέκα σύνολα δεδομένων datasets, δέκα διαφορετικών ασθενειών. Η διατριβή προσπαθεί να δείξει ότι η μέθοδο του συνδυασμού ετερογενών ταξινομητών όταν
εφαρμόζεται σε ιατρικά δεδομένα μπορεί να δώσει καλύτερα αποτελέσματα πρόβλεψης
ασθενειών από ότι δίνει η χρήση μονών ταξινομητών. Γι’ αυτό το λόγο εφαρμόστηκε σε
δέκα διαφορετικά ιατρικά προβλήματα, το κάθε ένα από αυτά με τις δικές του
ιδιαιτερότητες, έτσι ώστε να έχουμε όσο γίνεται μια σφαιρική εικόνα για το είδος των
αποτελεσμάτων που μπορεί να μας προσφέρει.
Μεγάλο ρόλο για την εξαγωγή των αποτελεσμάτων έπαιξε η πηγή από την οποία λάβαμε τα
δεδομένα για αυτές τις ασθένειες. Έτσι λάβαμε δεδομένα τόσο από βάσεις δεδομένων που
μας παραχώρησαν νοσοκομειακοί ιατροί, όσο και βάσεις δεδομένων που υπάρχουν ελεύθερες
στον παγκόσμιο ιστό.
Για την εφαρμογή της μεθόδου χρησιμοποιήθηκε το προγραμματιστικό περιβάλλον WEKA
καθώς και τα υπολογιστικά φύλλα του EXCEL στα οποία αναπτύξαμε ένα δικό μας
υπολογιστικό πρόγραμμα .
Hellenic Open University
Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.
