{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2885292"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2885292","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Machine Learning Techniques and Cell Irradiation","abstract":"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.","abstract_html":"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 &quot;μαύρο κουτί&quot;. 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.","abstract_has_math":false,"creators":["Παπακωνσταντίνου Δημήτριος","Papakonstantinou Dimitris"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:36:25Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2885292"],"render_values":[{"text":"uoadl:2885292","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2885292","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2885292","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2885292","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παπακωνσταντίνου Δημήτριος","Papakonstantinou Dimitris"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2885292","https://pergamos.lib.uoa.gr/uoa/dl/object/2885292"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","This is study on how Machine Learning (ML) techniques can be used to predict the outcome of ionizing radiation on cells. The problem consists of predicting the quantities of Relative Biological Effectiveness (RBE) and the α and β coefficients of the quadratic model. The quantities to be predicted are continuous, so in essence it is a multi-variable regression problem. The RBE quantity in our case, signifies, what effect the radiation has on cell survival. The α and β coefficients, represent the linear and quadratic contributions to cell death respectively. There are 3 different ML algorithms used, using 2 separate datasets. The algorithms used were, Gradient Boosting Decision Trees (GBDT), the Random Forest Regression (RF) and Support Vector Regression (SVR). Two implementations of the GDBT were used. As a further trial, a voting regression (VR) is implemented across all previous algorithms, that predicts the dependent variables based on a consensus method. The algorithms employed were of radically different design and approach. The aim was to combine different techniques and show that the combined model fairs better in predictive performance and generalization. The results show that VR fairs quite better in generalizing and predicting. Our datasets consists of mainly HZE irradiation features, i.e they contain cell specific data like cell line, cell phase and tumorous state, as well as radiation features like LET , specific energy and ion species. The Datasets are quite small, compiled by different methods and generally cannot been seen as a black box. It is shown that the datasets are somewhat noisy and contain multi-collinearities The whole work is meant to be a showcase of the usefulness of ensemble and consensus techniques in predicting the aforementioned quantities. A bigger, more cohesive and consistent dataset is required, in order to predict, prior to a radiotherapy treatment, the outcome in a more robust and less arbitrary way. A more in-depth feature analysis is required, to assess which features are essential to the predictions. To make our estimators intended for a more general use in the scope of radiobiology, further integration with data from photon irradiation data are needed."]},{"key":"dc:title","label":"Title","values":["Machine Learning Techniques and Cell Irradiation"]}]}],"canonical_facts":{"dc:creator":["Παπακωνσταντίνου Δημήτριος","Papakonstantinou Dimitris"],"dc:date":["2019"],"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.","This is study on how Machine Learning (ML) techniques can be used to predict the outcome of ionizing radiation on cells. The problem consists of predicting the quantities of Relative Biological Effectiveness (RBE) and the α and β coefficients of the quadratic model. The quantities to be predicted are continuous, so in essence it is a multi-variable regression problem. The RBE quantity in our case, signifies, what effect the radiation has on cell survival. The α and β coefficients, represent the linear and quadratic contributions to cell death respectively. There are 3 different ML algorithms used, using 2 separate datasets. The algorithms used were, Gradient Boosting Decision Trees (GBDT), the Random Forest Regression (RF) and Support Vector Regression (SVR). Two implementations of the GDBT were used. As a further trial, a voting regression (VR) is implemented across all previous algorithms, that predicts the dependent variables based on a consensus method. The algorithms employed were of radically different design and approach. The aim was to combine different techniques and show that the combined model fairs better in predictive performance and generalization. The results show that VR fairs quite better in generalizing and predicting. Our datasets consists of mainly HZE irradiation features, i.e they contain cell specific data like cell line, cell phase and tumorous state, as well as radiation features like LET , specific energy and ion species. The Datasets are quite small, compiled by different methods and generally cannot been seen as a black box. It is shown that the datasets are somewhat noisy and contain multi-collinearities The whole work is meant to be a showcase of the usefulness of ensemble and consensus techniques in predicting the aforementioned quantities. A bigger, more cohesive and consistent dataset is required, in order to predict, prior to a radiotherapy treatment, the outcome in a more robust and less arbitrary way. A more in-depth feature analysis is required, to assess which features are essential to the predictions. To make our estimators intended for a more general use in the scope of radiobiology, further integration with data from photon irradiation data are needed."],"dc:identifier":["uoadl:2885292","https://pergamos.lib.uoa.gr/uoa/dl/object/2885292"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Machine Learning Techniques and Cell Irradiation"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:25Z"}