<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=179934"><dc:title>Razvoj in validacija personaliziranega diferencialno-diagnostičnega klasifikacijskega algoritemskega okolja na osnovi mrežne analize FDG-PET slik možganov</dc:title><dc:creator>Petek,	Gašper	(Avtor)
	</dc:creator><dc:creator>Simončič,	Urban	(Mentor)
	</dc:creator><dc:creator>Rus,	Tomaž	(Komentor)
	</dc:creator><dc:subject>PET</dc:subject><dc:subject>klasifikacija</dc:subject><dc:subject>strojno učenje</dc:subject><dc:subject>nevrodegenerativne bolezni</dc:subject><dc:subject>algoritem</dc:subject><dc:description>Razvili in validirali smo prilagodljivo algoritemsko okolje na osnovi strojnega učenja, ki omogoča personalizirano diferencialno diagnostiko nevrodegenerativnih bolezni glede na konkretno klinično vprašanje. Razlikovanje nevrodegenerativnih bolezni, ki se kažejo s kognitivnim upadom ali motnjami gibanja, zlasti v zgodnjih fazah, ostaja velik klinični izziv. Slikanje z 18F-FDG PET sicer pomembno izboljša diagnostično natančnost, vendar zahteva visoko usposobljene specialiste za pravilno interpretacijo slik. Za razliko od predhodnih pristopov, ki obravnavajo vnaprej določene diagnostične primerjave (npr. Parkinsonova bolezen proti multipli sistemski atrofiji), se razvito algoritemsko okolje dinamično prilagaja specifičnemu kliničnemu vprašanju in sestavi podatkov, kar omogoča bolj prilagojen pristop za posameznega bolnika. Pri razvoju smo uporabili podatkovno bazo 18F-FDG PET slik bolnikov Univerzitetnega kliničnega centra Ljubljana v katero so vključeni bolniki z različnimi nevrodegenerativnimi boleznimi, vključno z Alzheimerjevo boleznijo (AB), vedenjsko različico frontotemporalne demence (bvFTD), demenco z Lewyjevimi telesci (DLB), Creutzfeldt-Jakobovo boleznijo (CJD), Parkinsonovo boleznijo (PB), multiplo sistemsko atrofijo (MSA), progresivno supranuklearno paralizo (PSP), kortikobazalno degeneracijo (CBD) ter zdravimi kontrolami. Vsak primer je bil opisan z vrednostmi izraženosti različnih za bolezen specifičnih metaboličnih vzorcev (npr. ADRP, FTDRP, PDRP, MSARP, PSPRP). Algoritemsko okolje vključuje več klasifikacijskih pristopov strojnega učenja, med drugim logistično regresijo, metodo podpornih vektorjev in naivni Bayes. Učinkovitost posameznih modelov smo ovrednotili z navzkrižno validacijo z izključitvijo enega primera ter z uporabo metrik, kot so površina pod krivuljo ROC (AUC), občutljivost in specifičnost. Cilj naloge ni bil doseganje maksimalne diagnostične točnosti posameznega modela, temveč razvoj kontekstno občutljivega diagnostičnega okvira, ki prepoznava tudi negotovost in stabilnost napovedi v različnih kliničnih situacijah.</dc:description><dc:date>2026</dc:date><dc:date>2026-02-27 08:15:17</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>179934</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>