A system for automated disease-specific  knowledge integration

Γυφτάκης, Κωνσταντίνος

A system for automated disease-specific knowledge integration

dc.contributor.advisor	Κριθαρά, Αναστασία
dc.contributor.advisor	Νεντίδης, Αναστάσιος
dc.contributor.author	Γυφτάκης, Κωνσταντίνος
dc.contributor.committee	Κριθαρά, Αναστασία
dc.contributor.committee	Τρυφωνόπουλος, Χρήστος
dc.contributor.committee	Παλιούρας, Γεώργιος
dc.contributor.department	Τμήμα Πληροφορικής και Τηλεπικοινωνιών	el
dc.contributor.faculty	Σχολή Οικονομίας και Τεχνολογίας	el
dc.contributor.master	Επιστήμη Δεδομένων	el
dc.date.accessioned	2025-06-24T09:41:08Z
dc.date.available	2025-06-24T09:41:08Z
dc.date.issued	2021-02-17
dc.description	Μ.Δ.Ε. 143	el
dc.description.abstract	Aπό την αυγή της Εποχής της Πληροφορίας, ο άνθρωπος αγωνίζεται να φέρει τάξη στον ολοένα αυξανόµενο όγκο Δεδοµένων. Εστιάζοντας στον τοµέα της Βιοϊατρικής, η ατέρµονη συσσώρευση βιβλιογραφίας σε συνδυασµό µε την αφθονία των διαθέσιµων γνωσιακών βάσεων καθιστά την ενσωµάτωση και πλοήγηση της υπάρχουσας γνώσης ένα πολύ δύσκολο έργο. Ορµώµενοι και αντλώντας έµπνευση από προηγούµενες έρευνες, προτείνουµε ένα ολοκληρωµένο σύστηµα για την ενσωµάτω- ση της γνώσης που σχετίζεται µε µια συγκεκριµένη ασθένεια σε ένα σηµασιολογικό γνωσιακό Γράφο. Το προτεινόµενο σύστηµα παρέχει µια αυτοµατοποιηµένη λύση για την ενσωµάτωση της γνώσης που συνοδεύεται από µια φιλική προς το χρήστη γραφική διεπαφή για τη διαχείριση και την εξερεύνηση του παραγόµενου γράφου. Επιπλέον, για να βελτιώσουµε την πλοήγηση των χρηστών, εκπαιδεύουµε και αξιολογούµε διαφορετικά µοντέλα µηχανικής εκµάθησης της κατάταξης σε δεδοµένα από το Γράφο µας, µε σκοπό την τελική επιλογή ενός µοντέλου που θα κατατάσσει τις οντότητες που αποτελούν το Γράφο µε βάση τη χρησιµότητά τους. Το µοντέλο που επιλέξαµε επιδεικνύει καλή απόδοση σε µια εργασία που αποδείχθηκε δύσκολη ακόµη και για ανθρώπους. Κλείνοντας τη δουλειά µας, συζητάµε τα ευρήµατα µας και παρουσιάζουµε µελλοντικές βελτιώσεις που θα µπορούσαν να εφαρµοστούν στο προτεινόµενο σύστηµα.	el
dc.description.abstracttranslated	Since the dawn of the Information Age, man struggled to bring order to the ever increasing amount of Data. Focusing on the Biomedical domain, the unyielding accumulation of literature in combination with the abundance of structured resources make the integration and navigation through existing knowledge a very challenging task. Developing and expanding on previous research, we propose an end-to-end system for integrating Disease-specific knowledge - from literature and structured resources - on a semantic Knowledge Graph. The proposed system provides an automated solution for knowledge integration accompanied by a user-friendly graphical interface for management and exploration of the produced Knowledge Graph. Furthermore, to enhance the user experience, we train and evaluate multiple ranking Machine Learning models on data from our graph, intending to select a model that will rank the entities on our graph based on their usefulness. The highest scoring model exhibits good performance in a task that has proved challenging even for human annotators. Closing our work, we discuss our findings and contemplate on future enhancements to the proposed system.	el
dc.format.extent	89	el
dc.identifier.uri	https://amitos.library.uop.gr/xmlui/handle/123456789/8989
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πελοποννήσου	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Βιοϊατρική τεχνολογία	el
dc.subject	Εποπτευόμενη μάθηση (Μηχανική μάθηση)	el
dc.subject	Θεωρία γραφημάτων	el
dc.subject	Biomedical engineering	el
dc.subject	Supervised learning (Machine learning)	el
dc.subject	Graph theory	el
dc.title	A system for automated disease-specific knowledge integration	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el

Files

Original bundle

Now showing 1 - 1 of 1

Name:: A_system_for_disease_specific_knowledge_integration.pdf
Size:: 1.58 MB
Format:: Adobe Portable Document Format
Description:

Download

License bundle

Now showing 1 - 1 of 1

Name:: license.txt
Size:: 933 B
Format:: Item-specific license agreed upon to submission
Description:

Download

Collections

Τμήμα Πληροφορικής και Τηλεπικοινωνιών (Μ. Δ. Ε.)