Apps iMed Web Brugervejledning til applikationen

iMed brugermanual

Indledning

1.1. Formål
Formålet med dette web applikationen er at tage rå information og tillade at manipulere den på en måde, der giver resultater nyttige i beslutningstagning. Dette kan være at træne en model med rådata eller at forudsige resultatet ved hjælp af modeller og analyser.
1.2. Navigationsmenu
Navigationsmenuen øverst på siden indeholder alle links for at komme derhen, hvor du skal være. Hvis du nogensinde farer vild, kan du altid klikke på tilbagepilen for at komme til en velkendt side, gå hjem eller finde den side, du leder efter, i navigationsmenuen.
1.3. Konto
Hvis du ikke allerede har en konto, skal du registrere dig for at bruge applikationen. For at gøre det skal du klikke på kontoknappen øverst til højre og klikke på tilmeld. Indtast derefter dit brugernavn, din adgangskode og din e-mail for at fortsætte.

Hvis du allerede har en konto, skal du logge ind med dit brugernavn og din adgangskode.

Hjemmeside

Ved at klikke på punkterne til venstre på siden, vil der vises en beskrivelse af hver af dem midt på siden for at hjælpe dig med at forstå, hvad hver enkelt gør.

iMedBot

iMedBot-applikationen præsenterer en grænseflade, der fremmer nem brugerinteraktion med agenter, hvilket muliggør personlig forudsigelse og modeltræning. Det tjener som det første skridt mod at transformere resultaterne af deep learning-forskning til et onlineværktøj, som har potentialet til at udløse yderligere forskningsaktiviteter på dette område. Dens respektive brugermanual kan findes her.

Dataanalyse

4.1. Hent undersæt
Denne sektion lader brugeren redigere sit datasæt. Du kan vælge enten at uploade et nyt datasæt eller bruge et eksisterende fra rullemenuen.

Når datasættet er blevet uploadet, kan du vælge, hvilken handling du vil foretage dig ved at klikke på en af ​​mulighederne i venstre sidemenu.
4.1.1. Hent undersæt baseret på filtre
Denne sektion gør det muligt at få en mindre delmængde af det originale datasæt baseret på givne filtre. Vælg de værdier, du ønsker i undersættet, og vælg derefter de kolonner, du vil have vist i det endelige datasæt.

4.1.2. Returner sorterede resultater
Dette returnerer datasættet i en sorteret form. Vælg målkolonne, sorteringsrækkefølge, antal rækker, der skal returneres, og hvilke kolonner, der skal vises i det endelige output.

4.1.3. Udvid datasættet
Dette giver brugeren mulighed for at udvide en enkelt kolonne gemt som en ordbog til en faktisk tabel, som brugeren derefter kan manipulere. Det tager et indlejret datasæt og flytter det, der kræves af brugeren, til det øverste lag. Først skal du uploade et datasæt, der indeholder en kolonne med et indlejret datasæt. Hvis der automatisk registreres en kolonne, der skal udvides, skal du vælge, hvilken kolonne der skal udvides, og hvilke kolonner der skal udtrækkes fra de indlejrede oplysninger. Klik på send og du kan view dine oplysninger som kolonner i en tabel i stedet for indlejrede data.
4.2. Flet sammen Files
Ved at vælge og uploade flere datasæt ved at ctrl-klikke (kommando for mac), vil dette flette dem til et større datasæt, end det kan bruges til noget andet.

Vælg blot alle datasæt og udfyld de nødvendige oplysninger. Dette vil gemme det nye datasæt til iMed-applikationen og er derefter tilgængeligt til download.
4.3. Plot funktioner
Dette afsnit lader brugeren plotte sit datasæt. Vælg en af ​​mulighederne i menuen til venstre og udfyld derefter de påkrævede felter for at få dit plot. Nedenfor er de typer plot, du kan lave ud fra dine data:

4.4. Statistisk Analyse
Dette afsnit lader os køre statistiske test på vores datasæt. Vælg en test, der skal køres, fra menuen til venstre, og udfyld felterne for at køre testene. Nedenfor er de tilgængelige testtyper:

ODPAC

5.1. Lære
Denne side indeholder en kort beskrivelse af hver type ressource, der er tilgængelig på denne side. Ved at klikke på knappen øverst i hver sektion vil du linke til en anden side, så brugeren kan bruge eller lære mere om emnet.
5.1.1. Epistase
Denne side lader os bruge MBS, en søgealgoritme til at lære af data. Specifikt giver det os mulighed for at studere epistase, interaktionen mellem to eller flere gener, der påvirker fænotypen. Dette er nyttigt for profile sygdomme i det genetiske aspekt. Konventionelle metoder er ikke egnede til at håndtere de højdimensionelle data fundet i genom-wide association studier (GWAS). Multiple Beam Search (MBS)-algoritmen gør det muligt at detektere interagerende gener med en meget hurtigere hastighed. Upload de data, du vil bruge, og indtast derefter de påkrævede felter. For mere dybdegående information, find hele papiret her.

5.1.2. Risikofaktorer
Denne side lader os bruge IGain-pakken til at lære interaktioner mellem data. Den lærer specifikt interaktioner fra højdimensionelle data ved hjælp af en heuristisk søgning. Denne metode bygger på Exhaustive_IGain-metoden, der tidligere er udviklet til at lære interaktioner fra lavdimensionelle data. Upload dataene og indtast derefter de påkrævede felter. Mere information om IS-tærsklerne og iGain kan findes her.

5.1.3. Forudsigelsesmodeller
Dette afsnit tillader brugen af ​​forudsigelsesmodeller, der allerede er forudbygget oven på maskinlæringsmodeller for at fremskynde brugen. Dette tillader deres brug uden brug af kodning og tidligere erfaring til at forudsige modeller ved hjælp af deres eget datasæt. Der er adskillige forudsigelsesmodeller tilgængelige for brugeren, herunder logistik, regression, supportvektormaskiner (SVM'er), beslutningstræer og mange flere. Den fulde liste over forudsigelsesmetoder findes i højre side af siden her.
5.2. Forudsigelse
Denne sektion tillader forudsigelser fra en delt model, der tidligere er uploadet. Upload først en delt model, hvis det ikke allerede er gjort. Vælg derefter den model, der skal bruges til forudsigelse, ved at klikke på modelnavnet. Upload derefter dataene til forudsigelsesmodellen til brug. Dette kan enten gøres manuelt ved at bruge formularen nederst på siden eller ved at bruge skabelonen, der kan downloades. Hvis du bruger skabelonen, skal du uploade datasættet file og klik på send for at modtage modelforudsigelsen.
5.3. Beslutningsstøtte
Beslutningsstøtte giver klassificering og kan vejlede behandlingsvalg ud fra oplysninger, der leveres til systemet. Det er blevet trænet ud fra data til at anbefale den optimale behandlingsprocedure baseret på en patients egenskaber. Mere information om Clinical Decision Support Systems (CDSS) kan findes her.
Systemanbefalingen tager en patients egenskaber og anbefaler behandlingsprocedure og forudsiger den fremtidige sandsynlighed for 5 års metastase. Brugerinterventionen tager både patientegenskaberne og behandlingsproceduren til at forudsige den fremtidige sandsynlighed for 5 års metastasering baseret på nuværende behandling i stedet for optimal behandling.

MBIL

Markov Blanket and Interactive Risk Factor Learner (MBIL) er en algoritme, der lærer enkelte og interaktive risikofaktorer, som har direkte indflydelse på en patients udfald. Klik på "gå til MBIL" for at blive omdirigeret til Python Package Index (PyPI) for MBIL-pakken placeret her. Mere information om MBIL kan findes hos BMC Bioinformatics.

Datasæt

Denne sektion giver brugeren mulighed for at se og uploade nye datasæt til web anvendelse.
7.1. Se alle tilgængelige datasæt
For at se alle tilgængelige datasæt skal du blot klikke på "Vis tilgængelige datasæt."

7.2. Upload et datasæt
For at uploade et datasæt skal du klikke på "Del dine datasæt" og derefter udfylde de nødvendige oplysninger som angivet på webside. Først skal du uploade datasættet og udfylde obligatoriske felter.

Udfyld derefter felterne nedenfor eller upload en tekst file med de udfyldte oplysninger. En exampEn beskrivelse af, hvordan man organiserer oplysningerne, så applikationen kan forstå dem, er angivet nedenfor.

Modeller

Dette afsnit giver brugeren mulighed for at se tilgængelige modeller og dele en model.
8.1. Se alle tilgængelige modeller
Klik på "Vis tilgængelige modeller" for at se alle tilgængelige modeller.

8.2. Del en model
For at dele en model skal du klikke på "Del dine modeller" og derefter uploade en model file trænet af tensor flow eller PyTorch.

8.2.1. Relateret datasæt
Du skal derefter uploade det relaterede datasæt, som inkluderer overskrifterne. Klassen/etiketten for datasættet skal være i den sidste kolonne.

8.2.2. Prædiktorer og klasseinformation
Hvis datasættet indeholder alle funktionerne, kan funktionsformularen springes over efter upload af datasættet. Men hvis de ikke alle er inkluderet, skal disse oplysninger angives i beskrivelsen file eller i featureformularen. Vælg indstillingen fra rullemenuen, der angiver, hvordan du har tænkt dig at give forudsigelserne og klasseoplysningerne.

Hvis du bruger beskrivelsesmuligheden, kan du enten udfylde felterne eller uploade en tekst file med de udfyldte oplysninger. En exampen beskrivelse af, hvordan man organiserer oplysningerne, er angivet nedenfor.