Marakakis, EmmanouilΜαρακάκης, ΕμμανουήλMetaxioti, MariaΜεταξιώτη, Μαρία2025-02-072025-02-072025-02-07https://apothesis.hmu.gr/handle/123456789/11218Breast cancer is a serious health issue, particularly among women. Early diagnosis is crucial as it significantly increases the chances of successful treatment. Recent advances in machine learning have demonstrated high accuracy in predicting breast cancer through numerous algorithms. Although these algorithms achieve high accuracy, most of them lack interpretability and explainability which are essential for understanding the decision-making process. Additionally, these algorithms often lack web-based accessible interfaces for users, making them challenging to interact with. This study presents the development of a high accuracy breast cancer diagnostic system using Bayesian networks. The system includes a web application designed for both ordinary users, i.e. potential patients, and the knowledge engineer. For ordinary users, the system allows them to input the necessary information and receive a diagnostic result based on the provided data. The knowledge engineer, through a specialized interface, can trigger the three modules of machine learning process, that is data preprocessing, creation of the model and model evaluation. The proposed solution promotes accessibility in breast cancer diagnosis. It improves accessibility of health services through web-based applications. This is of great help in the field of medicine due to efficient support to potential patients. Moreover, this study highlights on the importance of interpretability of the derived model and on the explainability of the diagnostic system. These characteristics have high impact in the use of machine learning technology particularly in medicine because they build trust.Ο καρκίνος του μαστού αποτελεί σοβαρό ζήτημα υγείας, ιδιαίτερα μεταξύ των γυναικών. Η έγκαιρη διάγνωση είναι κρίσιμη, καθώς αυξάνει σημαντικά τις πιθανότητες επιτυχούς θεραπείας. Οι πρόσφατες εξελίξεις στη μηχανική μάθηση έχουν δείξει υψηλή ακρίβεια στην πρόβλεψη του καρκίνου του μαστού μέσω διαφόρων αλγορίθμων. Αν και οι αλγόριθμοι αυτοί επιτυγχάνουν υψηλή ακρίβεια, οι περισσότεροι στερούνται ερμηνευσιμότητας και εξηγησιμότητας, που είναι απαραίτητες για την κατανόηση της διαδικασίας λήψης αποφάσεων. Επιπλέον, συχνά δεν διαθέτουν διαδικτυακές προσβάσιμες διεπαφές για τους χρήστες, καθιστώντας δύσκολη την αλληλεπίδραση μαζί τους. Η παρούσα μελέτη παρουσιάζει την ανάπτυξη ενός συστήματος υψηλής ακρίβειας για τη διάγνωση του καρκίνου του μαστού χρησιμοποιώντας Δίκτυα Bayes. Το σύστημα περιλαμβάνει μια διαδικτυακή εφαρμογή σχεδιασμένη τόσο για απλούς χρήστες, δηλαδή πιθανούς ασθενείς, όσο και για τον μηχανικό γνώσης. Για τους απλούς χρήστες, το σύστημα τους επιτρέπει να εισάγουν τις απαραίτητες πληροφορίες και να λαμβάνουν ένα διαγνωστικό αποτέλεσμα βάσει των δεδομένων που παρέχουν. Ο μηχανικός γνώσης, μέσω μιας εξειδικευμένης διεπαφής, μπορεί να ενεργοποιεί τις τρεις ενότητες της διαδικασίας μηχανικής μάθησης, δηλαδή την προεπεξεργασία δεδομένων, τη δημιουργία του μοντέλου και την αξιολόγηση του μοντέλου. Η προτεινόμενη λύση προάγει την προσβασιμότητα στη διάγνωση του καρκίνου του μαστού. Βελτιώνει την προσβασιμότητα στις υπηρεσίες υγείας μέσω διαδικτυακών εφαρμογών, κάτι που είναι ιδιαίτερα χρήσιμο στον τομέα της ιατρικής, παρέχοντας αποτελεσματική υποστήριξη στους πιθανούς ασθενείς. Επιπλέον, η μελέτη αυτή δίνει έμφαση στη σημασία της ερμηνευσιμότητας του προκύπτοντος μοντέλου και της εξηγησιμότητας του διαγνωστικού συστήματος. Αυτά τα χαρακτηριστικά έχουν μεγάλο αντίκτυπο στη χρήση της τεχνολογίας μηχανικής μάθησης, ιδιαίτερα στην ιατρική, καθώς ενισχύουν την εμπιστοσύνη.enAttribution-NonCommercial-NoDerivs 3.0 United StatesCancerArtificial intelligenceMachine learningProbabilistic logicΚαρκίνοςΤεχνητή νοημοσύνηΜηχανική μάθησηΠιθανοτική λογικήΜεταπτυχιακή Διατριβή