Η ανάγκη έγκαιρης, γρήγορης και εξειδικευμένης διάγνωσης του Καρκίνου έβαλε την
τεχνολογία στον χώρο της Υγείας. Η Μηχανική Μάθηση(Machine Learning) εδώ και πολλά
χρόνια προσφέρει πολύτιμες διαγνώσεις, συμβουλές και θεραπείες σε πλήθος ασθενειών.
Λέξεις όπως Αλγόριθμοι, Μηχανική Μάθηση, Βαθιά Μάθηση, Ανάλυση Δεδομένων,
Νευρωνικά Δίκτυα, Δέντρα Αποφάσεων, θα πίστευε κανείς ότι έχουν να κάνουν με χώρο
της τεχνολογίας αλλά εδώ και πολλά χρόνια βρίσκουν μια διαρκώς και πιο εξειδικευμένη
χρήση σε αποφάσεις που αφορούν την Υγεία των ανθρώπων. Η παρακάτω Διπλωματική
εργασία, αναλύει και επεξηγεί εις βάθος κατηγορίες Αλγορίθμων Μηχανικής Μάθησης που
εφαρμόζονται σήμερα στην διάγνωση και τον εντοπισμό περιστατικών Καρκίνου του
Μαστού. Η μελέτη περιγράφει 5 κατηγορίες αλγορίθμων(k-NN, Adaboost-NN-DT, Bayes,
Wavelet-ANN, SVM-DLA όπου χρησιμοποιούνται σήμερα στις διαγνώσεις, εντοπισμό,
θεραπεία, πρόληψη, περιστατικών Καρκίνου του Μαστού. Αποτελούν πολύτιμα ‘εργαλεία’
στα χέρια των εξειδικευμένων ιατρών και μπορούν να καλύψουν το κενό μεταξύ
ανθρώπινου λάθους, μη-σωστής διάγνωσης από κόπωση, αρχικά στάδια Καρκίνου, μηορατότητας του όγκου, πυκνότητας μαστού, πολυπλοκότητα. Συνεργασία Αλγορίθμων
δίνει εξαιρετικά αποτελέσματα στην έγκαιρη διάγνωση και την αποφυγή επιδείνωσης της
υγείας, συμμετέχοντας δραστικά στην πρόληψη και την αποφυγή επιδείνωσης της
ασθένειας, με κίνδυνο απώλειας της ζωής. Η Μηχανική Μάθηση φτάνει σε επίπεδα
εγκυρότητας σχεδόν 100% περιγράφοντας ακριβώς την ασθένεια, το μέγεθος, τη θεραπεία
που πρέπει να ακολουθηθεί, το στάδιο, συμμετέχοντας παράλληλα στην διάγνωση,
πρόληψη και θεραπεία των ασθενών.

The need for early, rapid and specialised diagnosis of cancer has brought technology into
the field of healthcare. Machine Learning has for many years provided valuable diagnosis,
advice and treatments for a multitude of diseases. Words such as Algorithms, Machine
Learning, Deep Learning, Data Analysis, Neural Networks, Decision Trees would be
thought to be related to area of technology but for many years they have been finding an
increasingly specialized use in decisions related to Human Health. The following Diploma
thesis, analyses and explains in depth categories of Machine Learning Algorithms that are
currently applied in the diagnosis and detection of Breast Cancer cases. The paper
describes 5 categories of algorithms(k-NN, Adaboost-NN-DT, Bayes, Wavelet-ANN,
SVM-DLA where currently used in diagnosis, detection, treatment, prevention, Breast
Cancer cases. They are valuable 'tools' in the hands of specialized physicians and can
bridge the gap between human error, non-correct diagnosis by fatigue, early stages of
Cancer, non-visibility of the tumor, complexity. Collaborative Algorithms gives excellent
results in early diagnosis and avoiding deterioration of health, actively participating in
preventing and avoiding deterioration of disease, in terms of loss of life. Machine
Learning reaches almost 100% validity levels by accurately describing the disease, the
size, the treatment to be followed, the stage, while participating in the diagnosis,
prevention and treatment of patients.