Manual de utilizare iMed
Introducere
1.1. Scop
Scopul acestui lucru web aplicația este de a prelua informații brute și de a permite manipularea acesteia într-un mod care să ofere rezultate utile în luarea deciziilor. Aceasta poate fi antrenarea unui model cu date brute sau prezicerea rezultatului folosind modele și analize.
1.2. Meniu de navigare
Meniul de navigare din partea de sus a paginii conține toate linkurile pentru a ajunge acolo unde trebuie să fii. Dacă vă rătăciți vreodată, puteți oricând să faceți clic pe săgeata înapoi pentru a ajunge la o pagină familiară, să vă întoarceți acasă sau să găsiți pagina pe care o căutați în meniul de navigare.
1.3. Cont
Dacă nu aveți deja un cont, trebuie să vă înregistrați pentru a utiliza aplicația. Pentru a face acest lucru, faceți clic pe butonul de cont din dreapta sus și faceți clic pe înregistrare. Apoi introduceți numele de utilizator, parola și e-mailul pentru a continua.
Dacă aveți deja un cont, conectați-vă cu numele de utilizator și parola.
Pagina principală
Făcând clic pe elementele din stânga paginii, o descriere a fiecăruia va apărea în mijlocul paginii pentru a vă ajuta să înțelegeți ce face fiecare.
iMedBot
Aplicația iMedBot prezintă o interfață care încurajează interacțiunea ușoară a utilizatorului cu agenții, permițând predicții personalizate și instruire model. Acesta servește drept primul pas către transformarea rezultatelor cercetării învățării profunde într-un instrument online, care are potențialul de a declanșa cercetări suplimentare în acest domeniu. Manualul de utilizare respectiv poate fi găsit aici.
Analiza datelor
4.1. Preluați subseturile
Această secțiune permite utilizatorului să își editeze setul de date. Puteți alege fie să încărcați un nou set de date, fie să utilizați unul existent din meniul drop-down.
Odată ce setul de date a fost încărcat, puteți alege ce acțiune doriți să efectuați făcând clic pe una dintre opțiunile din meniul din stânga.
4.1.1. Preluați subseturi pe baza filtrelor
Această secțiune permite obținerea unui subset mai mic al setului de date original pe baza filtrelor date. Alegeți valorile pe care le doriți în subsetul și apoi alegeți coloanele pe care doriți să le afișați în setul de date final.
4.1.2. Întoarce rezultate sortate
Aceasta returnează setul de date într-o formă sortată. Alegeți coloana țintă, ordinea de sortare, numărul de rânduri de returnat și ce coloane să afișați în rezultatul final.
4.1.3. Extindeți setul de date
Acest lucru permite utilizatorului să extindă o coloană singulară stocată ca dicționar într-un tabel real pe care utilizatorul îl poate manipula apoi. Este nevoie de un set de date imbricat și mută ceea ce este cerut de utilizator în stratul superior. Mai întâi, încărcați un set de date care include o coloană cu un set de date imbricat. Dacă o coloană care necesită extindere este detectată automat, alegeți ce coloană să extindeți și ce coloane să extrageți din informațiile imbricate. Faceți clic pe trimite și puteți view informațiile dvs. ca coloane ale unui tabel în loc de date imbricate.
4.2. Îmbinați Files
Prin selectarea și încărcarea mai multor seturi de date făcând clic pe ctrl (comandă pentru mac), aceasta le va îmbina într-un set de date mai mare decât poate fi folosit pentru altceva.
Doar selectați toate seturile de date și completați informațiile necesare. Acest lucru va salva noul set de date în aplicația iMed și va fi apoi disponibil pentru descărcare.
4.3. Funcții grafice
Această secțiune permite utilizatorului să își traseze setul de date. Alegeți una dintre opțiunile din meniul din partea stângă și apoi completați câmpurile necesare pentru a obține parcela. Mai jos sunt tipurile de diagrame pe care le puteți face din datele dvs.:
4.4. Analiza Statistică
Această secțiune ne permite să efectuăm teste statistice pe setul nostru de date. Alegeți un test de rulat din meniul din stânga și completați câmpurile pentru a rula testele. Mai jos sunt tipurile de teste disponibile:
ODPAC
5.1. Învăţa
Această pagină include o scurtă descriere a fiecărui tip de resursă disponibilă pe această pagină. Făcând clic pe butonul din partea de sus a fiecărei secțiuni, se va trimite către o altă pagină, permițând utilizatorului să utilizeze sau să învețe mai multe despre subiect.
5.1.1. Epistazis
Această pagină ne permite să folosim MBS, un algoritm de căutare pentru a învăța din date. Mai exact, ne permite să studiem epistasis, interacțiunea dintre două sau mai multe gene care afectează fenotipul. Acest lucru este util pentru profile boli sub aspect genetic. Metodele convenționale nu sunt potrivite pentru a gestiona datele cu dimensiuni mari găsite în studiile de asociere la nivelul genomului (GWAS). Algoritmul de căutare cu fascicule multiple (MBS) permite detectarea genelor care interacționează într-un ritm mult mai rapid. Încărcați datele pe care doriți să le utilizați și apoi introduceți câmpurile necesare. Pentru informații mai aprofundate, găsiți lucrarea completă aici.
5.1.2. Factori de risc
Această pagină ne permite să folosim pachetul IGain pentru a învăța interacțiunile dintre date. Învață în mod specific interacțiunile din date cu dimensiuni mari folosind o căutare euristică. Această metodă se bazează pe metoda Exhaustive_IGain dezvoltată anterior pentru a învăța interacțiunile din date cu dimensiuni reduse. Încărcați datele și apoi introduceți câmpurile necesare. Mai multe informații despre pragurile IS și iGain pot fi găsite aici.
5.1.3. Modele de predicție
Această secțiune permite utilizarea modelelor de predicție deja pre-construite pe deasupra modelelor de învățare automată pentru a accelera utilizarea acestora. Acest lucru permite utilizarea lor fără utilizarea codării și a experienței anterioare pentru a prezice modele folosind propriul set de date. Există numeroase modele de predicție disponibile pentru utilizator, inclusiv logistică, regresie, suport Vector Machines (SVM), arbori de decizie și multe altele. Lista completă a metodelor de predicție se găsește în partea dreaptă a paginii aici.
5.2. Previziune
Această secțiune permite predicții dintr-un model partajat încărcat anterior. Încărcați mai întâi un model partajat, dacă nu ați făcut-o deja. Apoi alegeți modelul de utilizat pentru predicție făcând clic pe numele modelului. Apoi, încărcați datele pentru a le utiliza modelul de predicție. Acest lucru se poate face fie manual folosind formularul din partea de jos a paginii, fie folosind șablonul disponibil pentru descărcare. Dacă utilizați șablonul, încărcați setul de date file și faceți clic pe Trimite pentru a primi predicția modelului.
5.3. Suport decizional
Suportul decizional oferă clasificare și poate ghida alegerile de tratament din informațiile furnizate sistemului. Acesta a fost instruit din date pentru a recomanda procedura optimă de tratament bazată pe caracteristicile pacientului. Mai multe informații despre Sistemele de suport pentru decizii clinice (CDSS) pot fi găsite aici.
Recomandarea sistemului preia caracteristicile pacientului și recomandă procedura de tratament și prezice probabilitatea viitoare de metastazare la 5 ani. Intervenția utilizatorului ia atât caracteristicile pacientului, cât și procedura de tratament pentru a prezice probabilitatea viitoare a metastazelor de 5 ani pe baza tratamentului curent în loc de tratamentul optim.
MBIL
Markov Blanket and Interactive Risk Factor Learner (MBIL) este un algoritm care învață factori de risc unici și interactivi care au o influență directă asupra rezultatului pacientului. Faceți clic pe „mergi la MBIL” pentru a fi redirecționat către Indexul pachetelor Python (PyPI) pentru pachetul MBIL aflat aici. Mai multe informații despre MBIL pot fi găsite la BMC Bioinformatics.
Seturi de date
Această secțiune permite utilizatorului să vadă și să încarce noi seturi de date în web aplicarea.
7.1. Vedeți toate seturile de date disponibile
Pentru a vedea toate seturile de date disponibile, faceți clic pe „Afișați seturile de date disponibile”.
7.2. Încărcați un set de date
Pentru a încărca un set de date, faceți clic pe „Partajați seturile dvs. de date” și apoi completați informațiile necesare, așa cum este menționat în webpagină. Mai întâi, încărcați setul de date și completați câmpurile obligatorii.
Apoi, completați câmpurile de mai jos sau încărcați un text file cu informațiile completate. Un exampMai jos este prezentat modul de organizare a informațiilor astfel încât aplicația să le poată înțelege.
Modele
Această secțiune permite utilizatorului să vadă modelele disponibile pentru el și să partajeze un model.
8.1. Vezi toate modelele disponibile
Pentru a vedea toate modelele disponibile, faceți clic pe „Afișați modelele disponibile”.
8.2. Partajați un model
Pentru a partaja un model, faceți clic pe „Partajați modelele dvs.” și apoi încărcați un model file antrenat de flux tensor sau PyTorch.
8.2.1. Set de date conexe
Apoi ar trebui să încărcați setul de date aferent, care include anteturile. Clasa/eticheta pentru setul de date ar trebui să fie în ultima coloană.
8.2.2. Predictori și informații despre clasă
Dacă setul de date include toate caracteristicile, formularul de caracteristici poate fi omis după încărcarea setului de date. Cu toate acestea, dacă nu sunt toate incluse, aceste informații trebuie furnizate în descriere file sau în cadrul formularului de caracteristici. Alegeți opțiunea din meniul drop-down care indică modul în care intenționați să furnizați predictorii și informațiile despre clasă.
Dacă utilizați opțiunea de descriere, puteți fie să completați câmpurile, fie să încărcați un text file cu informațiile completate. Un exampmodul de organizare a informațiilor este prezentat mai jos.
Documente/Resurse
 |
Aplicații iMed Web Aplicație [pdfManual de utilizare iMed, iMed Web Aplicație, Web Aplicație |