Τεχνικές μηχανικής μάθησης για την πρόβλεψη της αποτελεσματικότητας των TMS, TDCS στην αντιμετώπιση της κατάθλιψης

Machine learning techniques for the prediction of effectiveness of TMS, TDCS in treatment of depression (Αγγλική)

  1. MSc thesis
  2. ΧΑΡΑΛΑΜΠΟΣ ΜΗΤΡΟΓΙΑΝΝΗΣ
  3. Βιοπληροφορική και Νευροπληροφορική (ΒΝΠ)
  4. 19 Ιουλίου 2025
  5. Ελληνικά
  6. 84
  7. Αλκίνοος Αθανασίου
  8. Αλκίνοος Αθανασίου | Γεώργιος Δημητρακόπουλος | Θεμιστοκλής Έξαρχος
  9. Kατάθλιψη | Πρόβλεψη | Θεραπεία | Διακρανιακός μαγνητικός συντονισμός | Διακρανιακός ηλεκτρικός ερεθισμός | Μηχανική μάθηση
  10. ΒΝΠΔΕ
  11. 3
  12. 132
  13. Περιλαμ΄βανει: Εικόνες, Πίνακες
    • Η εργασία εξερευνά τη χρήση τεχνικών και αλγορίθμων μηχανικής μάθησης με σκοπό την πρόβλεψη της αποτελεσματικότητας των μη επεμβατικών τεχνικών νευροτροποποίησης, του διακρανιακού μαγνητικού συντονισμού και του διακρανιακού ηλεκτρικού ερεθισμού, στη θεραπεία της κατάθλιψης. Ο ρόλος του εγκεφάλου στην ανάπτυξη της νόσου είναι σημαντικός με διαφορετικά νευροβιολογικά μονοπάτια να συμβάλλουν στην εμφάνισή της. Οι μη επεμβατικές τεχνικές νευροτροποποίησης αποτελούν εργαλεία για την αντιμετώπιση της κατάθλιψης μέσω διέγερσης συγκεκριμένων περιοχών του εγκεφάλου με σκοπό την αποκατάσταση της ισορροπίας. Η μηχανική μάθηση μπορεί να συμβάλλει στη βελτιστοποίηση της διαδικασίας αυτής χρησιμοποιώντας ισχυρούς αλγορίθμους όπως οι μηχανές διανυσματικής υποστήριξης και τα τεχνητά νευρωνικά δίκτυα. Γίνεται συγκριτική ανάλυση 11 διαφορετικών μελετών που χρησιμοποίησαν αλγορίθμους μηχανικής μάθησης για να προβλέψουν τα αποτελέσματα της θεραπείας με χρήση των τεχνικών του διακρανιακού μαγνητικού συντονισμού και του διακρανιακού ηλεκτρικού ερεθισμού . Έτσι υπογραμμίζει την αξία της μηχανικής μάθησης στη μείωση των επιπτώσεων της κατάθλιψης παγκοσμίως.
    • The thesis explores the use of machine learning techniques and algorithms in order to predict the effectiveness of non-invasive neuromodulation techniques, transcranial magnetic stimulation and transcranial direct current stimulation, in the treatment of depression. The role of the brain in the development of the disease is important with different neurobiological paths contributing to its onset. Non-invasive neuromodulation techniques comprise tools for the treatment of depression through stimulation of specific brain regions in order to restore balance. Machine learning can contribute to the optimization of this process by utilizing powerful algorithms such as support vector machines and artificial neural networks. A comparative analysis of 11 different studies that used machine learning algorithms to predict treatment outcomes of transcranial magnetic stimulation and transcranial direct current stimulation techniques is performed. Thus, it underscores the value of machine learning in mediating the effects of depression globally.
  15. Hellenic Open University
  16. Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές