iMed Kullanım Kılavuzu
giriiş
1.1. Amaç
Bunun amacı web Uygulamanın amacı ham bilgiyi almak ve karar vermede faydalı sonuçlar verecek şekilde manipüle edilmesine izin vermektir. Bu, bir modeli ham verilerle eğitmek veya modelleri ve analizleri kullanarak sonucu tahmin etmek olabilir.
1.2. Gezinme Menüsü
Sayfanın üst kısmındaki gezinme menüsü, olmanız gereken yere gitmenizi sağlayacak tüm bağlantıları içerir. Kaybolursanız, tanıdık bir sayfaya gitmek için her zaman geri okuna tıklayabilir, ana sayfaya dönebilir veya aradığınız sayfayı gezinme menüsünde bulabilirsiniz.
1.3. Hesap
Henüz bir hesabınız yoksa uygulamayı kullanabilmek için kayıt olmanız gerekmektedir. Bunu yapmak için sağ üstteki hesap düğmesine tıklayın ve kayıt ol'a tıklayın. Daha sonra devam etmek için kullanıcı adınızı, şifrenizi ve e-posta adresinizi girin.
Zaten bir hesabınız varsa, kullanıcı adınız ve şifrenizle oturum açın.
Ana Sayfa
Sayfanın solundaki öğelere tıkladığınızda, her birinin ne yaptığını anlamanıza yardımcı olmak için sayfanın ortasında her birinin açıklaması görünecektir.
iMedBot
iMedBot uygulaması, aracılarla kolay kullanıcı etkileşimini teşvik eden, kişiselleştirilmiş tahmin ve model eğitimine olanak tanıyan bir arayüz sunar. Derin öğrenme araştırmasının sonuçlarını, bu alanda ek araştırma arayışlarını tetikleme potansiyeline sahip çevrimiçi bir araca dönüştürmenin ilk adımı olarak hizmet ediyor. İlgili kullanım kılavuzunu burada bulabilirsiniz.
Veri Analizi
4.1. Alt Kümeleri Al
Bu bölüm kullanıcının veri kümesini düzenlemesine olanak tanır. Açılır menüden yeni bir veri kümesi yüklemeyi veya mevcut bir veri kümesini kullanmayı seçebilirsiniz.
Veri kümesi yüklendikten sonra sol taraftaki menüdeki seçeneklerden birine tıklayarak hangi eylemi gerçekleştirmek istediğinizi seçebilirsiniz.
4.1.1. Filtrelere Göre Alt Kümeleri Alma
Bu bölüm, verilen filtrelere dayalı olarak orijinal veri kümesinin daha küçük bir alt kümesinin elde edilmesine olanak tanır. Alt kümede olmasını istediğiniz değerleri seçin ve ardından son veri kümesinde gösterilmesini istediğiniz sütunları seçin.
4.1.2. Sıralanmış Sonuçları Döndür
Bu, veri kümesini sıralanmış bir biçimde döndürür. Hedef sütunu, sıralama düzenini, döndürülecek satır sayısını ve son çıktıda hangi sütunların gösterileceğini seçin.
4.1.3. Veri Kümesini Genişletin
Bu, kullanıcının sözlük olarak saklanan tekil bir sütunu, kullanıcının daha sonra işleyebileceği gerçek bir tabloya genişletmesine olanak tanır. İç içe geçmiş bir veri kümesini alır ve kullanıcının ihtiyaç duyduğu şeyi en üst katmana taşır. İlk olarak, iç içe veri kümesine sahip bir sütun içeren bir veri kümesi yükleyin. Genişletilmesi gereken bir sütun otomatik olarak algılanırsa hangi sütunun genişletileceğini ve iç içe geçmiş bilgilerden hangi sütunların çıkarılacağını seçin. Gönder'i tıklayın ve şunları yapabilirsiniz view bilgilerinizi iç içe geçmiş veriler yerine bir tablonun sütunları olarak kullanın.
4.2. Birleştirme Files
Birden fazla veri kümesini ctrl tıklatarak (mac komutu) seçip yükleyerek, bu, onları başka bir şey için kullanmaktan daha büyük bir veri kümesinde birleştirir.
Tüm veri kümelerini seçip gerekli bilgileri doldurmanız yeterlidir. Bu, yeni veri kümesini iMed uygulamasına kaydedecek ve daha sonra indirilmeye hazır olacaktır.
4.3. Grafik İşlevleri
Bu bölüm kullanıcının veri setini çizmesini sağlar. Soldaki menüdeki seçeneklerden birini seçin ve ardından arsanızı almak için gerekli alanları doldurun. Verilerinizden oluşturabileceğiniz grafik türleri aşağıda verilmiştir:
4.4. İstatistiksel Analiz
Bu bölüm veri setimiz üzerinde istatistiksel testler yapmamızı sağlar. Soldaki menüden çalıştırılacak testi seçin ve testleri çalıştırmak için alanları doldurun. Aşağıda mevcut test türleri verilmiştir:
ODPAC
5.1. Öğrenin
Bu sayfa, bu sayfada bulunan her kaynak türünün kısa bir açıklamasını içerir. Her bölümün üst kısmındaki düğmeye tıklamak, kullanıcının konuyu kullanmasına veya konu hakkında daha fazla bilgi edinmesine olanak tanıyan başka bir sayfaya bağlantı verecektir.
5.1.1. Epistaz
Bu sayfa, verilerden öğrenmek için bir arama algoritması olan MBS'yi kullanmamızı sağlar. Spesifik olarak, fenotipi etkileyen iki veya daha fazla gen arasındaki etkileşim olan epistasisi incelememize olanak tanır. Bu profesyoneller için faydalıdırfile genetik açıdan hastalıklar. Geleneksel yöntemler, genom çapında ilişkilendirme çalışmalarında (GWAS) bulunan yüksek boyutlu verileri işlemeye uygun değildir. Çoklu Işın Arama (MBS) algoritması, etkileşim halindeki genlerin çok daha hızlı bir şekilde tespit edilmesine olanak tanır. Kullanmak istediğiniz verileri yükleyin ve ardından gerekli alanları girin. Daha ayrıntılı bilgi için makalenin tamamını burada bulabilirsiniz.
5.1.2. Risk Faktörleri
Bu sayfa, veriler arasındaki etkileşimleri öğrenmek için IGain paketini kullanmamızı sağlar. Buluşsal bir arama kullanarak özellikle yüksek boyutlu verilerden etkileşimleri öğrenir. Bu yöntem, düşük boyutlu verilerden etkileşimleri öğrenmek için daha önce geliştirilen Exhaustive_IGain yöntemine dayanmaktadır. Verileri yükleyin ve ardından gerekli alanları girin. IS eşikleri ve iGain hakkında daha fazla bilgiyi burada bulabilirsiniz.
5.1.3. Tahmin Modelleri
Bu bölüm, kullanımını hızlandırmak için makine öğrenimi modellerinin üzerine önceden oluşturulmuş tahmin modellerinin kullanılmasına olanak tanır. Bu, kendi veri kümelerini kullanarak modelleri tahmin etmek için kodlama ve önceki deneyim kullanılmadan kullanılmalarına olanak tanır. Kullanıcının kullanımına Lojistik, Regresyon, Destek Vektör Makineleri (SVM'ler), Karar Ağaçları ve çok daha fazlasını içeren çok sayıda tahmin modeli mevcuttur. Tahmin yöntemlerinin tam listesini burada sayfanın sağ tarafında bulabilirsiniz.
5.2. Tahmin
Bu bölüm, daha önce yüklenen paylaşılan bir modelden tahminlere izin verir. Henüz yapmadıysanız öncelikle paylaşılan bir model yükleyin. Daha sonra model adına tıklayarak tahmin için kullanılacak modeli seçin. Daha sonra kullanılacak tahmin modelinin verilerini yükleyin. Bu, sayfanın altındaki formu kullanarak manuel olarak veya indirebileceğiniz şablonu kullanarak yapılabilir. Şablonu kullanıyorsanız veri kümesini yükleyin file ve model tahminini almak için gönder'i tıklayın.
5.3. Karar desteği
Karar desteği sınıflandırma sağlar ve sisteme sağlanan bilgilerden tedavi seçimlerine rehberlik edebilir. Bir hastanın özelliklerine göre en uygun tedavi prosedürünü önermek için verilerden yararlanılarak eğitilmiştir. Klinik Karar Destek Sistemleri (CDSS) hakkında daha fazla bilgiye buradan ulaşabilirsiniz.
Sistem Önerisi hastanın özelliklerini alır, tedavi prosedürünü önerir ve gelecekteki 5 yıllık metastaz olasılığını tahmin eder. Kullanıcı Müdahalesi, optimal tedavi yerine mevcut tedaviye dayalı olarak gelecekteki 5 yıllık metastaz olasılığını tahmin etmek için hem hasta özelliklerini hem de tedavi prosedürünü alır.
MBIL
Markov Battaniyesi ve Etkileşimli Risk Faktörü Öğrenicisi (MBIL), hastanın sonucu üzerinde doğrudan etkisi olan tek ve etkileşimli risk faktörlerini öğrenen bir algoritmadır. Burada bulunan MBIL paketi için Python Paket Dizinine (PyPI) yönlendirilmek üzere “MBIL'e git” seçeneğini tıklayın. MBIL hakkında daha fazla bilgiyi BMC Biyoinformatik'te bulabilirsiniz.
Veri kümeleri
Bu bölüm kullanıcının yeni veri kümelerini görmesine ve yüklemesine olanak tanır. web başvuru.
7.1. Mevcut Tüm Veri Kümelerini Görün
Mevcut tüm veri kümelerini görmek için “Kullanılabilir Veri Kümelerini Göster”i tıklamanız yeterlidir.
7.2. Veri Kümesi Yükle
Bir veri kümesini yüklemek için “Veri Kümelerinizi Paylaşın”a tıklayın ve ardından gerekli bilgileri aşağıdaki şekilde doldurun. websayfa. Öncelikle veri kümesini yükleyin ve gerekli alanları doldurun.
Daha sonra aşağıdaki alanları doldurun veya bir metin yükleyin file bilgiler doldurulmuş olarak. Eski birampUygulamanın anlayabilmesi için bilgilerin nasıl düzenleneceğine ilişkin dosya aşağıda verilmiştir.
Modeller
Bu bölüm kullanıcının kendisine sunulan modelleri görmesine ve bir modeli paylaşmasına olanak tanır.
8.1. Mevcut Tüm Modelleri Görün
Mevcut tüm modelleri görmek için “Mevcut Modelleri Göster”e tıklayın.
8.2. Bir Modeli Paylaşın
Bir modeli paylaşmak için "Modellerinizi Paylaşın" seçeneğine tıklayın ve ardından bir model yükleyin file tensör akışı veya PyTorch tarafından eğitildi.
8.2.1. İlgili Veri Kümesi
Daha sonra başlıkları içeren ilgili veri kümesini yüklemelisiniz. Veri kümesinin sınıfı/etiketi son sütunda olmalıdır.
8.2.2. Tahminciler ve Sınıf bilgileri
Veri kümesi tüm özellikleri içeriyorsa veri kümesi yüklendikten sonra özellik formu atlanabilir. Ancak hepsi dahil değilse, bu bilgilerin açıklamada belirtilmesi gerekir. file veya özellik formunda. Tahmin edicileri ve sınıf bilgilerini nasıl sağlamayı planladığınızı belirten açılır menüden seçeneği seçin.
Açıklama seçeneğini kullanıyorsanız alanları doldurabilir veya bir metin yükleyebilirsiniz. file bilgiler doldurulmuş olarak. Eski birampBilgilerin nasıl organize edileceğinin şeması aşağıda verilmiştir.
Belgeler / Kaynaklar
 |
Uygulamalar iMed Web Başvuru [pdf] Kullanıcı Kılavuzu iMed, iMed Web Başvuru, Web Başvuru |