Back to search

National and Kapodistrian University of Athens

Machine Learning Techniques and Cell Irradiation

Abstract

dc:description

Αυτή είναι μία εργασία πάνω στο πως τεχνικές μηχανικής μάθησης (Machine Learning) μπορούν να χρησιμοποιηθούν ώστε να προβλέψουν το βιολογικό αποτέλεσμα την ακτινοβόλησης κυττάρων. Το πρόβλημα συνίσταται στην πρόβλεψη των ποσοτήτων του Σχετική Βιολογικής Επίδρασης (RBE) και των παραμέτρων α και β του τετραγωνικού προτύπου. Η ποσότητες λαμβάνουν συνεχείς τιμές, αρά πρόκειται για να πρόβλημα πολυπαραγοντικής παλινδρόμησης. Η ποσότητα RBE στην περίπτωση μας, σηματοδοτεί, το εύρος του αποτελέσματος της ακτινοβολίας στην επιβίωσης των κυττάρων. Οι παράμετροι α και β, αναπαριστούν την γραμμική και τετραγωνική συνεισφορά, σε σχέση με τη δόση, στον κυτταρικό θάνατο αντίστοιχα. Γίνεται χρήση 3 αλγορίθμων και 2 συνόλων δεδομένων. Οι αλγόριθμοι που χρησιμοποιήθηκαν ήταν, Gradient Boosting Decision Trees (GBDT), ο Random Forest Regression (RF) και Support Vector Regression (SVR). Δύο υλοποιήσεις του GBDT αλγορίθμου χρησιμοποιήθηκαν. Σαν επιπλέον δοκιμή εφαρμόστηκε και ο αλγόριθμος voting regression (VR) ως μέθοδο ψηφοφορίας επί όλων των προηγούμενων μοντέλων, ο οποίος προβλέπει τις εξαρτημένες μεταβλητές βάσει μιας μεθόδου συναίνεσης. Οι αλγόριθμοι που χρησιμοποιήθηκαν είχαν ριζικά διαφορετική αρχιτεκτονική και προσέγγιση στο πρόβλημα, μεταξύ τους. Ο στόχος ήταν, να συνδυαστούν διαφορετικές τεχνικές και να δειχθεί ότι ένα συνδυαστικό μοντέλο αποδίδει καλύτερα σε προβλεπτική ικανότητα και δυνατότητα γενίκευσης. Τα αποτελέσματα δείχνουν ότι αλγόριθμος CatBoost που είναι μια υλοποίηση του GBDT αλγορίθμου αποδίδει σχετικά καλύτερα στην πρόβλεψη και στη γενίκευση. Τα σύνολα δεδομένων μας συνίστανται σε πειράματα ακτινοβόλησης ιονίζουσας ακτινοβολίας με ιόντα και φορτισμένα σωμάτια, και περιέχουν μεταβλητές σχετικές με την αντικείμενο της ακτινοβόλησης όπως το είδος του κυττάρου, φάση του κυτταρικού κύκλου, καρκινικά ή μη κύτταρα και αφετέρου ιδιότητες της ακτινοβολίας όπως τη Γραμμική Μεταφορά Ενέργειας (LET), ειδική ενέργεια, το είδος του ιόντος και την τροπικότητα της ακτινοβόλησης. Τα σύνολα δεδομένων είναι σχετικά μικρά, αποτελούμενα από πειράματα που έχουν γίνει με διαφορετικές μεθόδους και γενικώς δεν μπορούν να ληφθούν ως "μαύρο κουτί". Δείχνεται ότι τα δεδομένα είναι κάπως θορυβώδη και περιέχουν πολλαπλές συγγραμικότητες. Η όλη εργασία έχει ως σκοπό την επίδειξη της χρησιμότητας των τεχνικών ensemble και των τεχνικών συναίνεσης στην πρόβλεψη των αναφερθέντων ποσοτήτων. Αναβάθμιση της προβλεπτικής ικανότητας των προηγούμενων ποσοτήτων πριν την ραδιοθεραπεία είναι εφικτή με χρήση πιο μεγάλου και πιο συνεκτικού συνόλου δεδομένων. Επίσης, χρειάζεται μια πιο εις βάθος ανάλυση ώστε, να καταλήξουμε σε ποιες μεταβλητές είναι πιο καθοριστικές στην πρόβλεψη. Περαιτέρω ενσωμάτωση δεδομένων που αφορούν σε φωτονική ακτινοβόληση χρειάζεται ώστε να γίνουν οι εκτιμητές μας πιο γενικής χρήσης σε ευρύτερο πλαίσιο της ραδιοβιολογίας.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Παπακωνσταντίνου Δημήτριος
  • Papakonstantinou Dimitris

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:2885292

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Παπακωνσταντίνου Δημήτριος; Papakonstantinou Dimitris. Machine Learning Techniques and Cell Irradiation. 2019. https://pergamos.lib.uoa.gr/uoa/dl/object/2885292