{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2963114"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2963114","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Gradient Boosted Trees on Transcriptomics: Diagnosis of Acute Myeloid Leukaemia","abstract":"Η οξεία μυελογενής λευχαιμία (ΟΜΛ) είναι ένας τύπος καρκίνου που εμφανίζεται κυρίως σε ενήλικες με περιστασιακή έλλειψη συμπτωμάτων. Χαρακτηρίζεται από τον πολλαπλασιασμό, τη μη φυσιολογική διαφοροποίηση και σπάνια από την ατελή διαφοροποίηση των αιμοποιητικών κυττάρων. Επηρεάζει 0.3 με 5.3 ανά 100000 άτομα παγκοσμίως κάθε χρόνο. Εάν ένας ασθενής με ΟΜΛ δε λάβει την κατάλληλη θεραπεία, η μέση επιβίωση είναι περίπου 2 μήνες. Η γρήγορη διάγνωση είναι πολύ σημαντική και μπορεί να ωφελήσει τη συνολική επιβίωση. Στην παρούσα διπλωματική εργασία, τεχνικές μηχανικής μάθησης εφαρμόζονται σε δεδομένα μεταγραφωματικής με σκοπό την ανάπτυξη ενός εργαλείου που θα προβλέπει εάν ένα άτομο είναι ασθενής ΟΜΛ ή είναι υγιής. Συγκεκριμένα, ένας σύγχρονος αλγόριθμος μηχανικής μάθησης που ανήκει στην κατηγορία των δέντρων ενισχυμένης μάθησης, ο CatBoost, εφαρμόζεται σε δεδομένα μικροσυστοιχιών γονιδιακής έκφρασης που αποτελούνται από 3374 άτομα, ασθενείς ΟΜΛ και υγιείς, και 34 probe sets ως χαρακτηριστικά (CatBoost34) και σε ένα υποσύνολο των 3374 ατόμων που αποτελείται από 2177 άτομα, την ηλικία τους και 26 probe sets ως χαρακτηριστικά (CatBoost26). Η απόδοση του CatBoost26 μοντέλου είναι η καλύτερη στη βιβλιογραφία αναφορικά με τη πρόβλεψη της ΟΜΛ χρησιμοποιώντας παρόμοια ή όχι δεδομένα.","abstract_html":"Η οξεία μυελογενής λευχαιμία (ΟΜΛ) είναι ένας τύπος καρκίνου που εμφανίζεται κυρίως σε ενήλικες με περιστασιακή έλλειψη συμπτωμάτων. Χαρακτηρίζεται από τον πολλαπλασιασμό, τη μη φυσιολογική διαφοροποίηση και σπάνια από την ατελή διαφοροποίηση των αιμοποιητικών κυττάρων. Επηρεάζει 0.3 με 5.3 ανά 100000 άτομα παγκοσμίως κάθε χρόνο. Εάν ένας ασθενής με ΟΜΛ δε λάβει την κατάλληλη θεραπεία, η μέση επιβίωση είναι περίπου 2 μήνες. Η γρήγορη διάγνωση είναι πολύ σημαντική και μπορεί να ωφελήσει τη συνολική επιβίωση. Στην παρούσα διπλωματική εργασία, τεχνικές μηχανικής μάθησης εφαρμόζονται σε δεδομένα μεταγραφωματικής με σκοπό την ανάπτυξη ενός εργαλείου που θα προβλέπει εάν ένα άτομο είναι ασθενής ΟΜΛ ή είναι υγιής. Συγκεκριμένα, ένας σύγχρονος αλγόριθμος μηχανικής μάθησης που ανήκει στην κατηγορία των δέντρων ενισχυμένης μάθησης, ο CatBoost, εφαρμόζεται σε δεδομένα μικροσυστοιχιών γονιδιακής έκφρασης που αποτελούνται από 3374 άτομα, ασθενείς ΟΜΛ και υγιείς, και 34 probe sets ως χαρακτηριστικά (CatBoost34) και σε ένα υποσύνολο των 3374 ατόμων που αποτελείται από 2177 άτομα, την ηλικία τους και 26 probe sets ως χαρακτηριστικά (CatBoost26). Η απόδοση του CatBoost26 μοντέλου είναι η καλύτερη στη βιβλιογραφία αναφορικά με τη πρόβλεψη της ΟΜΛ χρησιμοποιώντας παρόμοια ή όχι δεδομένα.","abstract_has_math":false,"creators":["Σουλιώτη Ιωάννα","Soulioti Ioanna"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:43:57Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2963114"],"render_values":[{"text":"uoadl:2963114","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2963114","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2963114","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%3A2963114","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σουλιώτη Ιωάννα","Soulioti Ioanna"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"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:2963114","https://pergamos.lib.uoa.gr/uoa/dl/object/2963114"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η οξεία μυελογενής λευχαιμία (ΟΜΛ) είναι ένας τύπος καρκίνου που εμφανίζεται κυρίως σε ενήλικες με περιστασιακή έλλειψη συμπτωμάτων. Χαρακτηρίζεται από τον πολλαπλασιασμό, τη μη φυσιολογική διαφοροποίηση και σπάνια από την ατελή διαφοροποίηση των αιμοποιητικών κυττάρων. Επηρεάζει 0.3 με 5.3 ανά 100000 άτομα παγκοσμίως κάθε χρόνο. Εάν ένας ασθενής με ΟΜΛ δε λάβει την κατάλληλη θεραπεία, η μέση επιβίωση είναι περίπου 2 μήνες. Η γρήγορη διάγνωση είναι πολύ σημαντική και μπορεί να ωφελήσει τη συνολική επιβίωση. Στην παρούσα διπλωματική εργασία, τεχνικές μηχανικής μάθησης εφαρμόζονται σε δεδομένα μεταγραφωματικής με σκοπό την ανάπτυξη ενός εργαλείου που θα προβλέπει εάν ένα άτομο είναι ασθενής ΟΜΛ ή είναι υγιής. Συγκεκριμένα, ένας σύγχρονος αλγόριθμος μηχανικής μάθησης που ανήκει στην κατηγορία των δέντρων ενισχυμένης μάθησης, ο CatBoost, εφαρμόζεται σε δεδομένα μικροσυστοιχιών γονιδιακής έκφρασης που αποτελούνται από 3374 άτομα, ασθενείς ΟΜΛ και υγιείς, και 34 probe sets ως χαρακτηριστικά (CatBoost34) και σε ένα υποσύνολο των 3374 ατόμων που αποτελείται από 2177 άτομα, την ηλικία τους και 26 probe sets ως χαρακτηριστικά (CatBoost26). Η απόδοση του CatBoost26 μοντέλου είναι η καλύτερη στη βιβλιογραφία αναφορικά με τη πρόβλεψη της ΟΜΛ χρησιμοποιώντας παρόμοια ή όχι δεδομένα.","Acute myeloid leukaemia (AML) is a type of cancer which mostly occurs in adults with occasionally lack of symptoms. It is characterized by proliferative, abnormally differentiated and infrequently poorly differentiated hemopoietic cells. It affects 0.3 to 5.3 per 100000 people around the world each year. If the AML patients do not undergo treatment, the median survival is approximately 2 months. Its quick diagnosis is very important and can benefit the overall survival. In the current diploma thesis, machine learning techniques are applied on transcriptomics data in order to develop a new screening tool which could predict if an individual has AML or is healthy. More specifically, a state-of-the-art machine learning algorithm which belongs to the category of gradient boosted trees, CatBoost, is applied on gene expression microarray datasets that consist of 3374 individuals, AML patients and healthy subjects, and 34 probe sets as features (CatBoost34) and a subset of 3374 subjects which consists of 2177 individuals, their age and 26 probe sets as features (CatBoost26). The performance of CatBoost26 model is the best one in the literature as regards the prediction of AML using similar or not data."]},{"key":"dc:title","label":"Title","values":["Gradient Boosted Trees on Transcriptomics: Diagnosis of Acute Myeloid Leukaemia"]}]}],"canonical_facts":{"dc:creator":["Σουλιώτη Ιωάννα","Soulioti Ioanna"],"dc:date":["2021"],"dc:description":["Η οξεία μυελογενής λευχαιμία (ΟΜΛ) είναι ένας τύπος καρκίνου που εμφανίζεται κυρίως σε ενήλικες με περιστασιακή έλλειψη συμπτωμάτων. Χαρακτηρίζεται από τον πολλαπλασιασμό, τη μη φυσιολογική διαφοροποίηση και σπάνια από την ατελή διαφοροποίηση των αιμοποιητικών κυττάρων. Επηρεάζει 0.3 με 5.3 ανά 100000 άτομα παγκοσμίως κάθε χρόνο. Εάν ένας ασθενής με ΟΜΛ δε λάβει την κατάλληλη θεραπεία, η μέση επιβίωση είναι περίπου 2 μήνες. Η γρήγορη διάγνωση είναι πολύ σημαντική και μπορεί να ωφελήσει τη συνολική επιβίωση. Στην παρούσα διπλωματική εργασία, τεχνικές μηχανικής μάθησης εφαρμόζονται σε δεδομένα μεταγραφωματικής με σκοπό την ανάπτυξη ενός εργαλείου που θα προβλέπει εάν ένα άτομο είναι ασθενής ΟΜΛ ή είναι υγιής. Συγκεκριμένα, ένας σύγχρονος αλγόριθμος μηχανικής μάθησης που ανήκει στην κατηγορία των δέντρων ενισχυμένης μάθησης, ο CatBoost, εφαρμόζεται σε δεδομένα μικροσυστοιχιών γονιδιακής έκφρασης που αποτελούνται από 3374 άτομα, ασθενείς ΟΜΛ και υγιείς, και 34 probe sets ως χαρακτηριστικά (CatBoost34) και σε ένα υποσύνολο των 3374 ατόμων που αποτελείται από 2177 άτομα, την ηλικία τους και 26 probe sets ως χαρακτηριστικά (CatBoost26). Η απόδοση του CatBoost26 μοντέλου είναι η καλύτερη στη βιβλιογραφία αναφορικά με τη πρόβλεψη της ΟΜΛ χρησιμοποιώντας παρόμοια ή όχι δεδομένα.","Acute myeloid leukaemia (AML) is a type of cancer which mostly occurs in adults with occasionally lack of symptoms. It is characterized by proliferative, abnormally differentiated and infrequently poorly differentiated hemopoietic cells. It affects 0.3 to 5.3 per 100000 people around the world each year. If the AML patients do not undergo treatment, the median survival is approximately 2 months. Its quick diagnosis is very important and can benefit the overall survival. In the current diploma thesis, machine learning techniques are applied on transcriptomics data in order to develop a new screening tool which could predict if an individual has AML or is healthy. More specifically, a state-of-the-art machine learning algorithm which belongs to the category of gradient boosted trees, CatBoost, is applied on gene expression microarray datasets that consist of 3374 individuals, AML patients and healthy subjects, and 34 probe sets as features (CatBoost34) and a subset of 3374 subjects which consists of 2177 individuals, their age and 26 probe sets as features (CatBoost26). The performance of CatBoost26 model is the best one in the literature as regards the prediction of AML using similar or not data."],"dc:identifier":["uoadl:2963114","https://pergamos.lib.uoa.gr/uoa/dl/object/2963114"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Gradient Boosted Trees on Transcriptomics: Diagnosis of Acute Myeloid Leukaemia"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:57Z"}