{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2885984"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2885984","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"«Aξιοποίηση μηχανικής μάθησης για τη μελέτη ιατροβιολογικών δεδομένων σχετικών με τον καρκίνο»","abstract":"Σε μια εποχή που η επιστημονική πληροφορία παράγεται με ραγδαίους ρυθμούς, η ανάγκη της σταχυολόγησης της από ερευνητές του βιοϊατρικού χώρου και κλινικούς ιατρούς γίνεται άκρως σημαντική. Για αυτόν το λόγο, μια από τις μεγαλύτερες σύγχρονες προκλήσεις της Ιατρικής Πληροφορικής και της Βιοπληροφορικής είναι η δημιουργία συστημάτων που να παρέχουν με αυτοματοποιημένο τρόπο, αξιόπιστες απαντήσεις σε ερωτήσεις βιοϊατρικού περιεχομένου, σε πραγματικό χρόνο. Κύριος σκοπός της παρούσας εργασίας είναι η ανάλυση και ταξινόμηση ερωτήσεων ιατρικού-κλινικού περιεχομένου με έμφαση στις ερωτήσεις που αφορούν την Ογκολογία. Η επεξεργασία των ερωτήσεων επιχειρήθηκε με μεθόδους της Μηχανικής Μάθησης και της Επεξεργασίας Φυσικής Γλώσσας με απώτερο σκοπό τη εύρεση των βέλτιστων απαντήσεων σε αυτές σύμφωνα με τους κανόνες της Ιατρικής Βασισμένης σε Στοιχεία. Το σύνολο δεδομένων της παρούσας εργασίας, αντλήθηκε από τη βάση δεδομένων του BioASQ Challenge. To BioASQ Challenge συνίσταται σε ένα παγκόσμιο διαγωνισμό επεξεργασίας επιστημονικών κειμένων και δημιουργίας συστημάτων αυτοματοποιημένης απάντησης στο βιοϊατρικό χώρο. Οι ερωτήσεις χαρακτηρίστηκαν και κατηγοριοποιήθηκαν από δύο ανεξάρτητους ειδικούς, σύμφωνα με κανόνες της Ιατρικής Βασισμένη σε Στοιχεία. Η αλληλουχία της επεξεργασίας των ερωτήσεων διαχωρίστηκε σε τρία στάδια, καθένα από τα οποία εστίασε σε διαφορετικές ιδιότητες των ερωτήσεων. Στο πρώτο, επιχειρήθηκε η αυτόματη ταξινόμηση των ερωτήσεων σε ερωτήσεις τύπου background, δηλαδή σε ερωτήσεις των οποίων η απάντηση είναι γενικής φύσης, ξεκάθαρη και παγιωμένη και σε ερωτήσεις foreground των οποίων η απάντηση αφορά συγκεκριμένες κλινικές περιπτώσεις και/ή αφορά γνώση που δεν έχει ακόμη ξεκάθαρη απάντηση και αποτελεί αντικείμενο αντιπαράθεσης To δεύτερο στάδιο αφορούσε την αυτόματη ανίχνευση της ύπαρξης των στοιχείων PICO (patient, intervention, comparison, outcome) στις ερωτήσεις foreground. To τρίτο και τελευταίο στάδιο περιείχε την κατηγοριοποίηση των ερωτήσεων σε ερωτήσεις που αφορούν τη θεραπεία, τη διάγνωση, την πρόγνωση ασθενειών καθώς και τη συσχέτιση διαφόρων παραγόντων με ασθένειες. Σε αυτό το πλαίσιο, καταφέραμε να χαρακτηρίσουμε και να ταξινομήσουμε με επιτυχία, με συνδυασμό διάφορων μοντέλων Μηχανικής Μάθησης κλινικές ερωτήσεις του BioASQ challenge. Συγκεκριμένα, σε καθένα από τα στάδια κατασκευάσαμε μοντέλα που ταξινόμησαν τις ερωτήσεις σε στατιστικά σημαντικό βαθμό σε σχέση με την τυχαιότητα και αρκετές φορές σε επίπεδα συγκρίσιμα με αυτά της ιδανικής ταξινόμησης. Η απόδοση των μοντέλων θεωρήθηκε σημαντική όταν συγκρίθηκε και με τη συμφωνία ανθρώπων - κριτών στην ταξινόμηση των ερωτήσεων. Η κατηγοριοποίηση των ερωτήσεων με αυτόν τον τρόπο αποσκοπεί στη διευκόλυνση της αναζήτησης των βέλτιστων απαντήσεων στους τύπους κλινικών μελετών που αντιστοιχούν σε κάθε κατηγορία. Φιλοδοξία της παρούσας εργασίας είναι να θέσει τα θεμέλια για τη δημιουργία ενός ολοκληρωμένου συστήματος αυτοματοποιημένης απάντησης βιοϊατρικών ερωτήσεων που να παρέχει απαντήσεις σεβόμενο την ιεράρχηση των στοιχείων της σύγχρονης Ιατρικής Βασισμένης σε Στοιχεία.","abstract_html":"Σε μια εποχή που η επιστημονική πληροφορία παράγεται με ραγδαίους ρυθμούς, η ανάγκη της σταχυολόγησης της από ερευνητές του βιοϊατρικού χώρου και κλινικούς ιατρούς γίνεται άκρως σημαντική. Για αυτόν το λόγο, μια από τις μεγαλύτερες σύγχρονες προκλήσεις της Ιατρικής Πληροφορικής και της Βιοπληροφορικής είναι η δημιουργία συστημάτων που να παρέχουν με αυτοματοποιημένο τρόπο, αξιόπιστες απαντήσεις σε ερωτήσεις βιοϊατρικού περιεχομένου, σε πραγματικό χρόνο. Κύριος σκοπός της παρούσας εργασίας είναι η ανάλυση και ταξινόμηση ερωτήσεων ιατρικού-κλινικού περιεχομένου με έμφαση στις ερωτήσεις που αφορούν την Ογκολογία. Η επεξεργασία των ερωτήσεων επιχειρήθηκε με μεθόδους της Μηχανικής Μάθησης και της Επεξεργασίας Φυσικής Γλώσσας με απώτερο σκοπό τη εύρεση των βέλτιστων απαντήσεων σε αυτές σύμφωνα με τους κανόνες της Ιατρικής Βασισμένης σε Στοιχεία. Το σύνολο δεδομένων της παρούσας εργασίας, αντλήθηκε από τη βάση δεδομένων του BioASQ Challenge. To BioASQ Challenge συνίσταται σε ένα παγκόσμιο διαγωνισμό επεξεργασίας επιστημονικών κειμένων και δημιουργίας συστημάτων αυτοματοποιημένης απάντησης στο βιοϊατρικό χώρο. Οι ερωτήσεις χαρακτηρίστηκαν και κατηγοριοποιήθηκαν από δύο ανεξάρτητους ειδικούς, σύμφωνα με κανόνες της Ιατρικής Βασισμένη σε Στοιχεία. Η αλληλουχία της επεξεργασίας των ερωτήσεων διαχωρίστηκε σε τρία στάδια, καθένα από τα οποία εστίασε σε διαφορετικές ιδιότητες των ερωτήσεων. Στο πρώτο, επιχειρήθηκε η αυτόματη ταξινόμηση των ερωτήσεων σε ερωτήσεις τύπου background, δηλαδή σε ερωτήσεις των οποίων η απάντηση είναι γενικής φύσης, ξεκάθαρη και παγιωμένη και σε ερωτήσεις foreground των οποίων η απάντηση αφορά συγκεκριμένες κλινικές περιπτώσεις και/ή αφορά γνώση που δεν έχει ακόμη ξεκάθαρη απάντηση και αποτελεί αντικείμενο αντιπαράθεσης To δεύτερο στάδιο αφορούσε την αυτόματη ανίχνευση της ύπαρξης των στοιχείων PICO (patient, intervention, comparison, outcome) στις ερωτήσεις foreground. To τρίτο και τελευταίο στάδιο περιείχε την κατηγοριοποίηση των ερωτήσεων σε ερωτήσεις που αφορούν τη θεραπεία, τη διάγνωση, την πρόγνωση ασθενειών καθώς και τη συσχέτιση διαφόρων παραγόντων με ασθένειες. Σε αυτό το πλαίσιο, καταφέραμε να χαρακτηρίσουμε και να ταξινομήσουμε με επιτυχία, με συνδυασμό διάφορων μοντέλων Μηχανικής Μάθησης κλινικές ερωτήσεις του BioASQ challenge. Συγκεκριμένα, σε καθένα από τα στάδια κατασκευάσαμε μοντέλα που ταξινόμησαν τις ερωτήσεις σε στατιστικά σημαντικό βαθμό σε σχέση με την τυχαιότητα και αρκετές φορές σε επίπεδα συγκρίσιμα με αυτά της ιδανικής ταξινόμησης. Η απόδοση των μοντέλων θεωρήθηκε σημαντική όταν συγκρίθηκε και με τη συμφωνία ανθρώπων - κριτών στην ταξινόμηση των ερωτήσεων. Η κατηγοριοποίηση των ερωτήσεων με αυτόν τον τρόπο αποσκοπεί στη διευκόλυνση της αναζήτησης των βέλτιστων απαντήσεων στους τύπους κλινικών μελετών που αντιστοιχούν σε κάθε κατηγορία. Φιλοδοξία της παρούσας εργασίας είναι να θέσει τα θεμέλια για τη δημιουργία ενός ολοκληρωμένου συστήματος αυτοματοποιημένης απάντησης βιοϊατρικών ερωτήσεων που να παρέχει απαντήσεις σεβόμενο την ιεράρχηση των στοιχείων της σύγχρονης Ιατρικής Βασισμένης σε Στοιχεία.","abstract_has_math":false,"creators":["Σπύρου Νικόλαος","Spyrou Nikolaos"],"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":"2026-11-19T05:36:31Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2885984"],"render_values":[{"text":"uoadl:2885984","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2885984","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2885984","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%3A2885984","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σπύρου Νικόλαος","Spyrou Nikolaos"]}]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2885984","https://pergamos.lib.uoa.gr/uoa/dl/object/2885984"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σε μια εποχή που η επιστημονική πληροφορία παράγεται με ραγδαίους ρυθμούς, η ανάγκη της σταχυολόγησης της από ερευνητές του βιοϊατρικού χώρου και κλινικούς ιατρούς γίνεται άκρως σημαντική. Για αυτόν το λόγο, μια από τις μεγαλύτερες σύγχρονες προκλήσεις της Ιατρικής Πληροφορικής και της Βιοπληροφορικής είναι η δημιουργία συστημάτων που να παρέχουν με αυτοματοποιημένο τρόπο, αξιόπιστες απαντήσεις σε ερωτήσεις βιοϊατρικού περιεχομένου, σε πραγματικό χρόνο. Κύριος σκοπός της παρούσας εργασίας είναι η ανάλυση και ταξινόμηση ερωτήσεων ιατρικού-κλινικού περιεχομένου με έμφαση στις ερωτήσεις που αφορούν την Ογκολογία. Η επεξεργασία των ερωτήσεων επιχειρήθηκε με μεθόδους της Μηχανικής Μάθησης και της Επεξεργασίας Φυσικής Γλώσσας με απώτερο σκοπό τη εύρεση των βέλτιστων απαντήσεων σε αυτές σύμφωνα με τους κανόνες της Ιατρικής Βασισμένης σε Στοιχεία. Το σύνολο δεδομένων της παρούσας εργασίας, αντλήθηκε από τη βάση δεδομένων του BioASQ Challenge. To BioASQ Challenge συνίσταται σε ένα παγκόσμιο διαγωνισμό επεξεργασίας επιστημονικών κειμένων και δημιουργίας συστημάτων αυτοματοποιημένης απάντησης στο βιοϊατρικό χώρο. Οι ερωτήσεις χαρακτηρίστηκαν και κατηγοριοποιήθηκαν από δύο ανεξάρτητους ειδικούς, σύμφωνα με κανόνες της Ιατρικής Βασισμένη σε Στοιχεία. Η αλληλουχία της επεξεργασίας των ερωτήσεων διαχωρίστηκε σε τρία στάδια, καθένα από τα οποία εστίασε σε διαφορετικές ιδιότητες των ερωτήσεων. Στο πρώτο, επιχειρήθηκε η αυτόματη ταξινόμηση των ερωτήσεων σε ερωτήσεις τύπου background, δηλαδή σε ερωτήσεις των οποίων η απάντηση είναι γενικής φύσης, ξεκάθαρη και παγιωμένη και σε ερωτήσεις foreground των οποίων η απάντηση αφορά συγκεκριμένες κλινικές περιπτώσεις και/ή αφορά γνώση που δεν έχει ακόμη ξεκάθαρη απάντηση και αποτελεί αντικείμενο αντιπαράθεσης To δεύτερο στάδιο αφορούσε την αυτόματη ανίχνευση της ύπαρξης των στοιχείων PICO (patient, intervention, comparison, outcome) στις ερωτήσεις foreground. To τρίτο και τελευταίο στάδιο περιείχε την κατηγοριοποίηση των ερωτήσεων σε ερωτήσεις που αφορούν τη θεραπεία, τη διάγνωση, την πρόγνωση ασθενειών καθώς και τη συσχέτιση διαφόρων παραγόντων με ασθένειες. Σε αυτό το πλαίσιο, καταφέραμε να χαρακτηρίσουμε και να ταξινομήσουμε με επιτυχία, με συνδυασμό διάφορων μοντέλων Μηχανικής Μάθησης κλινικές ερωτήσεις του BioASQ challenge. Συγκεκριμένα, σε καθένα από τα στάδια κατασκευάσαμε μοντέλα που ταξινόμησαν τις ερωτήσεις σε στατιστικά σημαντικό βαθμό σε σχέση με την τυχαιότητα και αρκετές φορές σε επίπεδα συγκρίσιμα με αυτά της ιδανικής ταξινόμησης. Η απόδοση των μοντέλων θεωρήθηκε σημαντική όταν συγκρίθηκε και με τη συμφωνία ανθρώπων - κριτών στην ταξινόμηση των ερωτήσεων. Η κατηγοριοποίηση των ερωτήσεων με αυτόν τον τρόπο αποσκοπεί στη διευκόλυνση της αναζήτησης των βέλτιστων απαντήσεων στους τύπους κλινικών μελετών που αντιστοιχούν σε κάθε κατηγορία. Φιλοδοξία της παρούσας εργασίας είναι να θέσει τα θεμέλια για τη δημιουργία ενός ολοκληρωμένου συστήματος αυτοματοποιημένης απάντησης βιοϊατρικών ερωτήσεων που να παρέχει απαντήσεις σεβόμενο την ιεράρχηση των στοιχείων της σύγχρονης Ιατρικής Βασισμένης σε Στοιχεία.","Living in an era when scientific information is voluminously produced, the need for its critical evaluation is all the more pronounced. For this reason, the construction of tools that provide reliable answers, to biomedical questions, in an automated manner, is one of the greatest modern challenges of Biomedical Informatics. The main target of this work is to analyze and classify questions of medical-clinical content, with emphasis put on the field of Medical Oncology. The questions used as initial data in this Thesis, were processed with various methods of Natural Language Processing and Machine Learning, with the overarching goal of matching them to the best source that may facilitate to their answer, based on rules of Evidence Based Medicine. The dataset of the current Thesis was drawn from the question database of the BioASQ Challenge. The BioASQ Challenge is an international biomedical text analysis competition. The questions included in our dataset were further analyzed and classified by two biomedical experts. The sequence of analysis of the dataset was divided in three stages, each focusing in different ontological aspects of the questions. First, we attempted to automatically classify the set in background questions i.e. questions that have a clear, well defined answer that can be sought into textbooks, and foreground questions i.e. questions that concern specific cases of patients, therapies or diseases and their answer is a subject of controversy, being in the edge of knowledge and should be sought in research repositories (eg Pubmed). The second stage, regarded the automated identification of PICO elements (patient, intervention, comparison, outcome) in the subset of foreground questions. The last step considered the classification of foreground questions to ones of therapy, diagnosis, prognosis and outcome. The main aim of these stages was to identify elements that would point to certain directions as per what type of clinical research evidence would be the best source for answering each question. In this context, we managed to successfully classify the dataset of clinical questions, with a combination of Machine Learning methods. Specifically, in each of the three stages we constructed models that classified questions not only better than a random classifier, but also, in many cases, approached the performance of ideal classification. Our ambition, stemming from this Thesis, is the construction of an automated clinical question answering system that sets the respect of the Evidence Based Medicine rules as its top priority."]},{"key":"dc:title","label":"Title","values":["«Aξιοποίηση μηχανικής μάθησης για τη μελέτη ιατροβιολογικών δεδομένων σχετικών με τον καρκίνο»"]}]}],"canonical_facts":{"dc:creator":["Σπύρου Νικόλαος","Spyrou Nikolaos"],"dc:date":["2019"],"dc:description":["Σε μια εποχή που η επιστημονική πληροφορία παράγεται με ραγδαίους ρυθμούς, η ανάγκη της σταχυολόγησης της από ερευνητές του βιοϊατρικού χώρου και κλινικούς ιατρούς γίνεται άκρως σημαντική. Για αυτόν το λόγο, μια από τις μεγαλύτερες σύγχρονες προκλήσεις της Ιατρικής Πληροφορικής και της Βιοπληροφορικής είναι η δημιουργία συστημάτων που να παρέχουν με αυτοματοποιημένο τρόπο, αξιόπιστες απαντήσεις σε ερωτήσεις βιοϊατρικού περιεχομένου, σε πραγματικό χρόνο. Κύριος σκοπός της παρούσας εργασίας είναι η ανάλυση και ταξινόμηση ερωτήσεων ιατρικού-κλινικού περιεχομένου με έμφαση στις ερωτήσεις που αφορούν την Ογκολογία. Η επεξεργασία των ερωτήσεων επιχειρήθηκε με μεθόδους της Μηχανικής Μάθησης και της Επεξεργασίας Φυσικής Γλώσσας με απώτερο σκοπό τη εύρεση των βέλτιστων απαντήσεων σε αυτές σύμφωνα με τους κανόνες της Ιατρικής Βασισμένης σε Στοιχεία. Το σύνολο δεδομένων της παρούσας εργασίας, αντλήθηκε από τη βάση δεδομένων του BioASQ Challenge. To BioASQ Challenge συνίσταται σε ένα παγκόσμιο διαγωνισμό επεξεργασίας επιστημονικών κειμένων και δημιουργίας συστημάτων αυτοματοποιημένης απάντησης στο βιοϊατρικό χώρο. Οι ερωτήσεις χαρακτηρίστηκαν και κατηγοριοποιήθηκαν από δύο ανεξάρτητους ειδικούς, σύμφωνα με κανόνες της Ιατρικής Βασισμένη σε Στοιχεία. Η αλληλουχία της επεξεργασίας των ερωτήσεων διαχωρίστηκε σε τρία στάδια, καθένα από τα οποία εστίασε σε διαφορετικές ιδιότητες των ερωτήσεων. Στο πρώτο, επιχειρήθηκε η αυτόματη ταξινόμηση των ερωτήσεων σε ερωτήσεις τύπου background, δηλαδή σε ερωτήσεις των οποίων η απάντηση είναι γενικής φύσης, ξεκάθαρη και παγιωμένη και σε ερωτήσεις foreground των οποίων η απάντηση αφορά συγκεκριμένες κλινικές περιπτώσεις και/ή αφορά γνώση που δεν έχει ακόμη ξεκάθαρη απάντηση και αποτελεί αντικείμενο αντιπαράθεσης To δεύτερο στάδιο αφορούσε την αυτόματη ανίχνευση της ύπαρξης των στοιχείων PICO (patient, intervention, comparison, outcome) στις ερωτήσεις foreground. To τρίτο και τελευταίο στάδιο περιείχε την κατηγοριοποίηση των ερωτήσεων σε ερωτήσεις που αφορούν τη θεραπεία, τη διάγνωση, την πρόγνωση ασθενειών καθώς και τη συσχέτιση διαφόρων παραγόντων με ασθένειες. Σε αυτό το πλαίσιο, καταφέραμε να χαρακτηρίσουμε και να ταξινομήσουμε με επιτυχία, με συνδυασμό διάφορων μοντέλων Μηχανικής Μάθησης κλινικές ερωτήσεις του BioASQ challenge. Συγκεκριμένα, σε καθένα από τα στάδια κατασκευάσαμε μοντέλα που ταξινόμησαν τις ερωτήσεις σε στατιστικά σημαντικό βαθμό σε σχέση με την τυχαιότητα και αρκετές φορές σε επίπεδα συγκρίσιμα με αυτά της ιδανικής ταξινόμησης. Η απόδοση των μοντέλων θεωρήθηκε σημαντική όταν συγκρίθηκε και με τη συμφωνία ανθρώπων - κριτών στην ταξινόμηση των ερωτήσεων. Η κατηγοριοποίηση των ερωτήσεων με αυτόν τον τρόπο αποσκοπεί στη διευκόλυνση της αναζήτησης των βέλτιστων απαντήσεων στους τύπους κλινικών μελετών που αντιστοιχούν σε κάθε κατηγορία. Φιλοδοξία της παρούσας εργασίας είναι να θέσει τα θεμέλια για τη δημιουργία ενός ολοκληρωμένου συστήματος αυτοματοποιημένης απάντησης βιοϊατρικών ερωτήσεων που να παρέχει απαντήσεις σεβόμενο την ιεράρχηση των στοιχείων της σύγχρονης Ιατρικής Βασισμένης σε Στοιχεία.","Living in an era when scientific information is voluminously produced, the need for its critical evaluation is all the more pronounced. For this reason, the construction of tools that provide reliable answers, to biomedical questions, in an automated manner, is one of the greatest modern challenges of Biomedical Informatics. The main target of this work is to analyze and classify questions of medical-clinical content, with emphasis put on the field of Medical Oncology. The questions used as initial data in this Thesis, were processed with various methods of Natural Language Processing and Machine Learning, with the overarching goal of matching them to the best source that may facilitate to their answer, based on rules of Evidence Based Medicine. The dataset of the current Thesis was drawn from the question database of the BioASQ Challenge. The BioASQ Challenge is an international biomedical text analysis competition. The questions included in our dataset were further analyzed and classified by two biomedical experts. The sequence of analysis of the dataset was divided in three stages, each focusing in different ontological aspects of the questions. First, we attempted to automatically classify the set in background questions i.e. questions that have a clear, well defined answer that can be sought into textbooks, and foreground questions i.e. questions that concern specific cases of patients, therapies or diseases and their answer is a subject of controversy, being in the edge of knowledge and should be sought in research repositories (eg Pubmed). The second stage, regarded the automated identification of PICO elements (patient, intervention, comparison, outcome) in the subset of foreground questions. The last step considered the classification of foreground questions to ones of therapy, diagnosis, prognosis and outcome. The main aim of these stages was to identify elements that would point to certain directions as per what type of clinical research evidence would be the best source for answering each question. In this context, we managed to successfully classify the dataset of clinical questions, with a combination of Machine Learning methods. Specifically, in each of the three stages we constructed models that classified questions not only better than a random classifier, but also, in many cases, approached the performance of ideal classification. Our ambition, stemming from this Thesis, is the construction of an automated clinical question answering system that sets the respect of the Evidence Based Medicine rules as its top priority."],"dc:identifier":["uoadl:2885984","https://pergamos.lib.uoa.gr/uoa/dl/object/2885984"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["«Aξιοποίηση μηχανικής μάθησης για τη μελέτη ιατροβιολογικών δεδομένων σχετικών με τον καρκίνο»"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:31Z"}