haku: @keyword linear regression / yhteensä: 12
viite: 1 / 12
« edellinen | seuraava »
| Tekijä: | Kaurila, Karel |
| Työn nimi: | Interactive learning in personalized medicine |
| Vuorovaikutteinen oppiminen henkilökohtaisessa terveydenhuollossa | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2016 |
| Sivut: | (5) + 22 Kieli: eng |
| Koulu/Laitos/Osasto: | Perustieteiden korkeakoulu |
| Oppiaine: | (SCI3058) |
| Valvoja: | Kaski, Samuel |
| Ohjaaja: | Soare, Marta |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201612085823 |
| Sijainti: | P1 Ark Aalto 5294 | Arkisto |
| Avainsanat: | personalized medicine interactive learning linear regression expert knowlegde elicitation henkilökohtainen terveydenhuolto vuorovaikutteinen oppiminen lineaarinen regressio |
| Tiivistelmä (fin): | Henkilökohtaisessa terveydenhuollossa tavoitteena on räätälöidä hoitoja yksittäisille potilaille. Tämä räätälöinti vaatii menetelmiä, joilla ennustaa hoitojen vaikutuksia muille potilaille tehtyjen hoitojen perusteella ottaen samalla huomioon hoidettavan potilaan erityiset ominaisuudet. Tämäntyyppisten henkilökohtaisten ennusteiden laatiminen vaatii usean tilastollisen ongelman ratkaisemista. Tämä diplomityö tutkii yhtä tällaista ongelmaa. Tämä diplomityö tutkii vuorovaikutteisten koneoppimismenetelmien käyttämistä tilanteeseen, jossa pyritään ennustamaan paikallisista vaikutuksista koostuvaa vastetta korkeaulotteisessa ympäristössä pienellä otoskoolla. Tähän tehtävään ehdotetaan menetelmää, jossa asiantuntijalta hankitaan tietoa potilaiden samankaltaisuudesta ja käytetään tätä tietoa paikallisen mallin oppimiseen. Tarkemmin sanottuna tämä menetelmä käyttää vuorovaikutteista koneopimismeneltemää mitan oppimiseen yhdessä hiljattain kehitetyn, harvan ja paikallisen regressionmenetelmän kanssa. Menetelmän tehokkuutta arvioidaan empiirisesti synteettisessä asetelmassa, jossa ennustettava vaste koostuu vahvoista paikallisista vaikutuksista. Tästä asetelmasta saadut tulokset osoittavat, että asiantuntijalta saadun samankaltaisuustiedon hyödyntäminen paikallisessa regressiomenetelmässä on lupaava tapa lähestyä ennustamista tilanteissa, joissa otoskoko on hyvin pieni. |
| Tiivistelmä (eng): | In personalized medicine, the goal is to tailor treatments to a particular patient. To do this, one needs to be able to accurately predict treatment outcomes based on previous treatments on other patients, while still taking into account the particularities of the patient being treated. In order to make these kinds of predictions, one first needs to solve a number of statistical problems. This thesis studies one of them. This thesis studies the application of interactive machine learning methods for the problem of predicting local effects in a high-dimensional environment with few samples - a setting often found in personalized medicine. For this task, the thesis proposes eliciting additional information about the similarities of the samples from an expert and using this information for learning local models. Specifically, the proposed approach is to uses an interactive metric learning method together with a recent, sparse and local regression method. The method is empirically evaluated in a synthetic proof of concept setting, where the response to be predicted has strong local effects. The results on this setting suggest integrating similarity information about items learned from expert feedback can be an effective way to approach prediction in "small $n$ large $p$" settings. |
| ED: | 2016-12-18 |
INSSI tietueen numero: 55126
+ lisää koriin
« edellinen | seuraava »
INSSI