Choroby nowotworowe stanowią jedną z głównych przyczyn zgonów na całym świecie. Mimo zwiększania nakładów finansowych na wczesną diagnostykę, nowoczesny sprzęt, wykwalifikowaną kadrę, działania profilaktyczne czy badania przesiewowe z każdym rokiem rośnie liczba osób zmarłych z powodów chorób onkologicznych. Jedną z możliwości wsparcia systemów ochrony zdrowia w walce z chorobami nowotworowymi jest wykorzystanie metod sztucznej inteligencji, w szczególności algorytmów uczenia maszynowego. W ramach tej rozprawy doktorskiej autor skupił się na zagadnieniu przewidywania długości życia pacjentów chorych na nowotwór wątrobokomórkowy i przeprowadził szereg eksperymentów mających na celu opracować skuteczne modele uczenia maszynowego umożliwiające poprawną klasyfikację w problemie przewidywania przeżywalności pacjentów, bazując na klasycznych algorytmach uczenia maszynowego, algorytmach genetycznych, uczeniu zespołowym oraz zaawansowanych metodach inżynierii cech. Zaproponowane przez autora rozwiązania cechowały się wysoką skutecznością i innowacyjnością.
Wyniki badań zostały opublikowane w renomowanych czasopismach z listy filadelfijskiej, gdzie osiągnięte rezultaty zostały porównane z aktualnymi wynikami w literaturze. Dodatkowo należy podkreślić, że zaprojektowane modele mogą być wykorzystywane w innych zagadnieniach biomedycznych.
Cancer is one of the leading causes of death worldwide. Despite increasing financial outlays for early diagnostics, modern equipment, qualified staff, preventive measures and screening tests, the number of people who die from oncological diseases is growing every year. One of the possibilities to support health care systems in the fight against cancer is the use of artificial intelligence methods, especially machine learning algorithms. As part of this doctoral dissertation, the author focused on the issue of predicting life expectancy of patients with hepatocellular carcinoma and conducted a number of experiments aimed at developing effective machine learning models enabling correct classification in the problem of predicting patient survival based on classic machine learning algorithms, genetic algorithms, team learning and advanced features engineering methods. The solutions proposed by the author were highly effective and innovative. The research were published in reputable journals from the Philadelphia list, where the achieved results were compared with current studies available in the literature.
Wydział
Wydział Informatyki i Telekomunikacji
Status pracy dyplomowej
przed obroną
Licencja
Licencja PK. Brak możliwości edycji i druku.
Prawa dostępu
Zasób dostępny dla zalogowanych użytkowników lub z komputerów w domenie PK
