http://hdl.handle.net/11089/9198 2026-09-13T22:16:24Z http://hdl.handle.net/11089/59335 Advancing Explainability and Predictive Accuracy in AI-Driven Cardiovascular Risk Assessment: A Hybrid Statistical and Neural Network Approach Hikkaduwa Liyanage, Nishadha Himanshi Cardiovascular disease (CVD) remains a major global health challenge, making accurate and timely risk prediction essential for improving patient outcomes. Traditional statistical approaches, such as the Cox Proportional Hazards Model, provide interpretable results but are limited in their ability to capture complex and nonlinear relationships in clinical data. In contrast, machine learning models, particularly Feedforward Neural Networks (FFNNs), offer strong predictive performance but lack interpretability, which restricts their clinical applicability. This thesis investigates two complementary approaches for cardiovascular risk prediction. First, FFNN models are developed and evaluated to assess their ability to model nonlinear relationships in structured clinical data. Second, a novel hybrid computational framework is proposed, integrating Winner-Takes-All (WTA) competitive learning for patient clustering with cluster-specific Cox proportional hazards models. This approach enables subgroup-level risk estimation and captures heterogeneity within the patient population. To further enhance interpretability, a new cumulative risk measure, termed the Cumulative Prevalence Ratio (CPR), is introduced. CPR summarises time-dependent hazard information into a single interpretable value, facilitating direct comparison of long-term cardiovascular risk across patient clusters. The proposed methods are evaluated using a large-scale cardiovascular dataset, with performance assessed using the Concordance Index and ROC-based measures. Comparative analysis highlights the trade-off between the predictive strength of neural networks and the interpretability of the hybrid framework. The results indicate that the proposed hybrid approach achieves a balance between predictive performance and clinical interpretability. Overall, this work contributes to the development of transparent, subgroup-aware, and clinically meaningful models for cardiovascular risk prediction. Doctoral dissertation submitted for the degree of PhD in Computer Science at the Faculty of Mathematics and Computer Science, University of Łódź. Supervisor: Prof. Andrzej Nowakowski. Co-supervisor: Dr Marta Lipnicka. 2026-01-01T00:00:00Z http://hdl.handle.net/11089/53504 Logarytmiczne uwypuklenie wielomianów Abdullah, Abdulljabar Naji Ahmed Jednym z podstawowych problemów analizy, techniki, ekonomii i innych gałęzi nauki jest poszukiwanie minimów i punktów krytycznych funkcji. Jedną z metod prowadzących do tego celu jest deformacja danej funkcji do funkcji wypukłej, poszukiwanie punktów krytycznych tej deformacji i iterowanie tego procesu. Sprowadzanie danej funkcji do funkcji wypukłej, czy silnie wypukłej prowadzi do łatwego wyznaczania punktów krytycznych i minimów tej deformacji. Są to dokładnie te punkty, w których gradient się zeruje. Klasycznym podejściem do uwypuklania funkcji f : R^n → R na zbiorach ograniczonych i wypukłych jest dodanie do tej funkcji takiej funkcji silnie wypukłej b : R^n → R, że f + b jest funkcją silnie wypukłą na tym zbiorze.; One of the fundamental problems of analysis, technology, economics and other branches of science is the search for minima and critical points of functions. One of the methods leading to this goal is the deformation of a given function to a convex function, searching for critical points of this deformation and iterating this process. Reducing a function to a convex or strongly convex function leads to easy determination of critical points and minima of this deformation. These are the exact points where the gradient is zero.The classic approach to convexifying of a function f : R n → R on bounded and convex sets is to add a strongly convex function b : R n → R such that f + b is a strongly convex function on this set (see for instance [19], [11] and [20] for quadratic function b(x) = γ|x| 2, γ > 0). 2024-01-01T00:00:00Z http://hdl.handle.net/11089/43498 O topologiach generowanych przez regularne ciągi zbiorów mierzalnych Widzibor, Mikołaj 2022-01-01T00:00:00Z http://hdl.handle.net/11089/42090 Calabi-Yau threefolds with triple points and type III contractions Grzelakowski, Kacper W pracy zajmujemy się kontrakcjami typu III pewnych trójwymiarowych rozmaitości Calabi-Yau. Opisujemy warunki, które muszą być spełnione aby rozmaitość po kontrakcji była wygładzalna. Opisujemy zmianę liczb Hodge'a rozmaitości po kontrakcji i po wygładzeniu. Konstruujemy nowe przykłady rozmaitości Calabi-Yau otrzymane w ten sposób. 2022-01-01T00:00:00Z