iMed-gebruikershandleiding
Invoering
1.1. Doel
Het doel hiervan web toepassing is om ruwe informatie te nemen en deze te manipuleren op een manier die resultaten oplevert die nuttig zijn bij de besluitvorming. Dit kan zijn om een model te trainen met onbewerkte gegevens of om de uitkomst te voorspellen met behulp van modellen en analyses.
1.2. Navigatiemenu
Het navigatiemenu bovenaan de pagina bevat alle links om te komen waar u moet zijn. Als u ooit verdwaalt, kunt u altijd op de pijl Terug klikken om naar een bekende pagina te gaan, terug naar huis te gaan of de pagina te vinden die u zoekt in het navigatiemenu.
1.3. Rekening
Als u nog geen account heeft, moet u zich registreren om de applicatie te gebruiken. Hiervoor klikt u rechtsboven op de accountknop en klikt u op registreren. Voer vervolgens uw gebruikersnaam, wachtwoord en e-mailadres in om door te gaan.
Als u al een account heeft, log dan in met uw gebruikersnaam en wachtwoord.
Startpagina
Door op de items aan de linkerkant van de pagina te klikken, verschijnt er in het midden van de pagina een beschrijving van elk item, zodat u kunt begrijpen wat elk item doet.
iMedBot
De iMedBot-applicatie presenteert een interface die gemakkelijke gebruikersinteractie met agenten bevordert, waardoor gepersonaliseerde voorspelling en modeltraining mogelijk wordt. Het dient als de eerste stap op weg naar het transformeren van de uitkomsten van deep learning-onderzoek naar een online tool, die het potentieel heeft om aanvullende onderzoeksactiviteiten op dit gebied te stimuleren. De betreffende gebruikershandleiding kunt u hier vinden.
Gegevensanalyse
4.1. Subsets ophalen
In deze sectie kan de gebruiker zijn gegevensset bewerken. U kunt ervoor kiezen om een nieuwe dataset te uploaden of een bestaande dataset te gebruiken via het vervolgkeuzemenu.
Zodra de dataset is geüpload, kunt u kiezen welke actie u wilt ondernemen door op een van de opties in het menu aan de linkerkant te klikken.
4.1.1. Subsets ophalen op basis van filters
Met deze sectie kunt u een kleinere subset van de oorspronkelijke gegevensset verkrijgen op basis van bepaalde filters. Kies de waarden die u in de subset wilt hebben en kies vervolgens de kolommen die u in de uiteindelijke gegevensset wilt weergeven.
4.1.2. Gesorteerde resultaten retourneren
Hiermee wordt de gegevensset in gesorteerde vorm geretourneerd. Kies de doelkolom, de sorteervolgorde, het aantal rijen dat moet worden geretourneerd en welke kolommen in de uiteindelijke uitvoer moeten worden weergegeven.
4.1.3. Vouw de gegevensset uit
Hierdoor kan de gebruiker een enkele kolom die als woordenboek is opgeslagen, uitbreiden naar een daadwerkelijke tabel die de gebruiker vervolgens kan manipuleren. Er is een geneste dataset voor nodig en verplaatst wat de gebruiker nodig heeft naar de bovenste laag. Upload eerst een gegevensset die een kolom met een geneste gegevensset bevat. Als er automatisch een kolom wordt gedetecteerd die moet worden uitgebreid, kiest u welke kolom u wilt uitbreiden en welke kolommen u uit de geneste informatie wilt extraheren. Klik op verzenden en het kan view uw informatie als kolommen van een tabel in plaats van geneste gegevens.
4.2. samensmelten Files
Door meerdere datasets te selecteren en te uploaden door te klikken op Ctrl (commando voor mac), worden ze samengevoegd tot één grotere dataset die voor iets anders kan worden gebruikt.
Selecteer gewoon alle datasets en vul de vereiste informatie in. Hierdoor wordt de nieuwe dataset opgeslagen in de iMed-applicatie en kan deze vervolgens worden gedownload.
4.3. Plot-functies
In deze sectie kan de gebruiker zijn dataset plotten. Kies een van de opties in het menu aan de linkerkant en vul vervolgens de verplichte velden in om uw perceel te verkrijgen. Hieronder staan de soorten plots die u van uw gegevens kunt maken:
4.4. Statistische analyse
In deze sectie kunnen we statistische tests uitvoeren op onze dataset. Kies een test die u wilt uitvoeren in het menu aan de linkerkant en vul de velden in om de tests uit te voeren. Hieronder staan de soorten tests die beschikbaar zijn:
ODPAC
5.1. Leren
Deze pagina bevat een korte beschrijving van elk type bron dat op deze pagina beschikbaar is. Als u op de knop bovenaan elke sectie klikt, wordt er naar een andere pagina gelinkt, zodat de gebruiker het onderwerp kan gebruiken of er meer over kan leren.
5.1.1. Epistase
Op deze pagina kunnen we MBS gebruiken, een zoekalgoritme om van gegevens te leren. Concreet stelt het ons in staat epistasis te bestuderen, de interactie tussen twee of meer genen die het fenotype beïnvloeden. Dit is handig voor professionalsfile ziekten in het genetische aspect. Conventionele methoden zijn niet geschikt om de hoogdimensionale gegevens te verwerken die gevonden worden in genoombrede associatiestudies (GWAS). Het Multiple Beam Search (MBS)-algoritme maakt het mogelijk om interacterende genen veel sneller te detecteren. Upload de gegevens die u wilt gebruiken en voer vervolgens de vereiste velden in. Voor meer diepgaande informatie kunt u het volledige artikel hier vinden.
5.1.2. Risicofactoren
Op deze pagina kunnen we het IGain-pakket gebruiken om interacties tussen gegevens te leren. Het leert specifiek interacties van hoogdimensionale gegevens met behulp van een heuristische zoekactie. Deze methode bouwt voort op de Exhaustive_IGain-methode die eerder is ontwikkeld om interacties te leren uit laagdimensionale gegevens. Upload de gegevens en voer vervolgens de vereiste velden in. Meer informatie over de IS-drempels en iGain vindt u hier.
5.1.3. Voorspellingsmodellen
In deze sectie kunnen voorspellingsmodellen worden gebruikt die al vooraf zijn gebouwd bovenop machine learning-modellen om het gebruik ervan te versnellen. Dit maakt het gebruik ervan mogelijk zonder het gebruik van codering en eerdere ervaring om modellen te voorspellen met behulp van hun eigen dataset. Er zijn talloze voorspellingsmodellen beschikbaar voor de gebruiker, waaronder Logistiek, Regressie, Support Vector Machines (SVM's), Beslisbomen en nog veel meer. De volledige lijst met voorspellingsmethoden vindt u hier aan de rechterkant van de pagina.
5.2. Voorspelling
In deze sectie zijn voorspellingen mogelijk op basis van een eerder geüpload gedeeld model. Upload eerst een gedeeld model als dit nog niet is gedaan. Kies vervolgens het model dat u voor de voorspelling wilt gebruiken door op de modelnaam te klikken. Upload vervolgens de gegevens zodat het voorspellingsmodel kan worden gebruikt. Dit kan handmatig worden gedaan via het formulier onderaan de pagina of via het sjabloon dat u kunt downloaden. Als u de sjabloon gebruikt, uploadt u de gegevensset file en klik op verzenden om de modelvoorspelling te ontvangen.
5.3. Beslissingsondersteuning
Beslissingsondersteuning zorgt voor classificatie en kan behandelkeuzes begeleiden op basis van informatie die aan het systeem wordt verstrekt. Het is op basis van gegevens getraind om de optimale behandelingsprocedure aan te bevelen op basis van de kenmerken van een patiënt. Meer informatie over Clinical Decision Support Systems (CDSS) vindt u hier.
De systeemaanbeveling neemt de kenmerken van een patiënt, beveelt de behandelingsprocedure aan en voorspelt de toekomstige waarschijnlijkheid van metastasen over 5 jaar. De gebruikersinterventie gebruikt zowel de kenmerken van de patiënt als de behandelingsprocedure om de toekomstige waarschijnlijkheid van metastasen over 5 jaar te voorspellen op basis van de huidige behandeling in plaats van een optimale behandeling.
MBIL
De Markov Deken en Interactieve Risicofactor Leerder (MBIL) is een algoritme dat afzonderlijke en interactieve risicofactoren leert die een directe invloed hebben op de uitkomst van een patiënt. Klik op “ga naar MBIL” om doorgestuurd te worden naar de Python Package Index (PyPI) voor het MBIL-pakket dat zich hier bevindt. Meer informatie over MBIL kunt u vinden bij BMC Bioinformatics.
Gegevenssets
In deze sectie kan de gebruiker nieuwe gegevenssets bekijken en uploaden naar de web sollicitatie.
7.1. Bekijk alle beschikbare datasets
Om alle beschikbare datasets te zien, klikt u eenvoudig op 'Beschikbare datasets weergeven'.
7.2. Upload een gegevensset
Om een dataset te uploaden, klikt u op “Deel uw datasets” en vult u vervolgens de vereiste informatie in zoals vermeld op de webbladzijde. Upload eerst de dataset en vul de verplichte velden in.
Vul dan onderstaande velden in of upload een tekst file met de ingevulde informatie. Een exampHieronder vindt u informatie over hoe u de informatie kunt organiseren, zodat de toepassing deze kan begrijpen.
Modellen
In deze sectie kan de gebruiker de beschikbare modellen bekijken en een model delen.
8.1. Bekijk alle beschikbare modellen
Om alle beschikbare modellen te zien, klikt u op 'Beschikbare modellen weergeven'.
8.2. Deel een model
Om een model te delen, klikt u op “Deel uw modellen” en uploadt u vervolgens een model file getraind door tensorflow of PyTorch.
8.2.1. Gerelateerde gegevensset
Vervolgens moet u de gerelateerde dataset uploaden, inclusief de headers. De klasse/label voor de gegevensset moet in de laatste kolom staan.
8.2.2. Voorspellers en klasse-informatie
Als de dataset alle features bevat, kan het featureformulier na het uploaden van de dataset worden overgeslagen. Als ze echter niet allemaal zijn opgenomen, moet deze informatie in de beschrijving worden vermeld file of binnen het functieformulier. Kies de optie uit de vervolgkeuzelijst die aangeeft hoe u de voorspellers en klasse-informatie wilt verstrekken.
Als u de beschrijvingsoptie gebruikt, kunt u de velden invullen of een tekst uploaden file met de ingevulde informatie. Een exampHieronder vindt u informatie over hoe u de informatie kunt organiseren.
Documenten / Bronnen
 |
Apps iMed Web Sollicitatie [pdf] Gebruikershandleiding iMed, iMed Web Sollicitatie, Web Sollicitatie |