Посібник користувача iMed
вступ
1.1. призначення
Мета цього web застосування полягає в тому, щоб брати необроблену інформацію та дозволяти маніпулювати нею таким чином, щоб отримати результати, корисні для прийняття рішень. Це може бути навчання моделі з необробленими даними або прогнозування результату за допомогою моделей і аналізу.
1.2. Навігаційне меню
Навігаційне меню у верхній частині сторінки містить усі посилання, щоб дістатися туди, куди вам потрібно бути. Якщо ви колись заблукаєте, ви завжди можете натиснути стрілку назад, щоб перейти на знайому сторінку, повернутися додому або знайти сторінку, яку шукаєте, у навігаційному меню.
1.3. Обліковий запис
Якщо у вас ще немає облікового запису, вам необхідно зареєструватися, щоб використовувати програму. Для цього натисніть кнопку облікового запису вгорі праворуч і натисніть «Зареєструватися». Потім введіть своє ім’я користувача, пароль та адресу електронної пошти, щоб продовжити.
Якщо у вас уже є обліковий запис, увійдіть, використовуючи ім’я користувача та пароль.
Домашня сторінка
Якщо клацнути елементи в лівій частині сторінки, у центрі сторінки з’явиться опис кожного, щоб ви могли зрозуміти, що кожен з них робить.
iMedBot
Додаток iMedBot представляє інтерфейс, який сприяє зручній взаємодії користувача з агентами, забезпечуючи персоналізоване прогнозування та навчання моделей. Це є першим кроком до перетворення результатів дослідження глибокого навчання в онлайн-інструмент, який може спровокувати додаткові дослідження в цій галузі. Його відповідний посібник користувача можна знайти тут.
Аналіз даних
4.1. Отримати підмножини
Цей розділ дозволяє користувачеві редагувати свій набір даних. Ви можете завантажити новий набір даних або використати наявний у спадному меню.
Після того, як набір даних буде завантажено, ви можете вибрати, яку дію ви хочете виконати, клацнувши одну з опцій у меню зліва.
4.1.1. Отримання підмножин на основі фільтрів
Цей розділ дозволяє отримати меншу підмножину вихідного набору даних на основі заданих фільтрів. Виберіть значення, які ви хочете отримати в підмножині, а потім виберіть стовпці, які ви хочете показати в остаточному наборі даних.
4.1.2. Повернути відсортовані результати
Це повертає набір даних у відсортованому вигляді. Виберіть цільовий стовпець, порядок сортування, кількість рядків для повернення та стовпці для відображення в остаточному виведенні.
4.1.3. Розгорніть набір даних
Це дозволяє користувачеві розгорнути окремий стовпець, що зберігається як словник, у справжню таблицю, якою користувач може потім маніпулювати. Він бере вкладений набір даних і переміщує те, що потрібно користувачеві, на найвищий рівень. Спочатку завантажте набір даних, який містить стовпець із вкладеним набором даних. Якщо автоматично виявлено стовпець, який потрібно розгорнути, виберіть, який стовпець розгорнути та які стовпці витягти з вкладеної інформації. Натисніть «Надіслати», і ви можете view вашу інформацію у вигляді стовпців таблиці замість вкладених даних.
4.2. Злиття Files
Вибравши та завантаживши кілька наборів даних, натиснувши клавішу ctrl (команда для mac), ви об’єднаєте їх в один більший набір даних, ніж використовуватимете для чогось іншого.
Просто виберіть усі набори даних і заповніть необхідну інформацію. Це збереже новий набір даних у програмі iMed і стане доступним для завантаження.
4.3. Функції сюжету
Цей розділ дозволяє користувачеві побудувати свій набір даних. Виберіть один із варіантів у меню зліва, а потім заповніть необхідні поля, щоб отримати свою ділянку. Нижче наведено типи графіків, які можна створити на основі ваших даних.
4.4. Статистичний аналіз
Цей розділ дозволяє нам запускати статистичні тести нашого набору даних. Виберіть тест для запуску в лівому бічному меню та заповніть поля для запуску тестів. Нижче наведено типи доступних тестів.
ODPAC
5.1. вчитися
Ця сторінка містить короткий опис кожного типу ресурсу, доступного на цій сторінці. Натискання кнопки у верхній частині кожного розділу призведе до переходу на іншу сторінку, що дозволить користувачеві скористатися цією темою або дізнатися більше про неї.
5.1.1. Епістаз
Ця сторінка дозволяє нам використовувати MBS, пошуковий алгоритм для навчання на основі даних. Зокрема, це дозволяє нам вивчати епістаз, взаємодію між двома або більше генами, які впливають на фенотип. Це корисно для професіоналівfile захворювання в генетичному аспекті. Звичайні методи не підходять для обробки даних великого розміру, знайдених у дослідженнях загальногеномних асоціацій (GWAS). Алгоритм багатопроменевого пошуку (MBS) дозволяє виявляти взаємодіючі гени набагато швидше. Завантажте дані, які ви хочете використовувати, а потім введіть необхідні поля. Щоб отримати докладнішу інформацію, знайдіть повний текст статті тут.
5.1.2. Фактори ризику
Ця сторінка дозволяє нам використовувати пакет IGain для вивчення взаємодії між даними. Він спеціально вивчає взаємодії з високовимірних даних за допомогою евристичного пошуку. Цей метод базується на методі Exhaustive_IGain, який раніше був розроблений для вивчення взаємодій із даних низької розмірності. Завантажте дані, а потім введіть необхідні поля. Додаткову інформацію про порогові значення IS та iGain можна знайти тут.
5.1.3. Моделі прогнозування
Цей розділ дозволяє використовувати моделі прогнозування, уже створені на основі моделей машинного навчання, щоб пришвидшити їх використання. Це дозволяє використовувати їх без використання кодування та попереднього досвіду для прогнозування моделей за допомогою власного набору даних. Користувачеві доступні численні моделі прогнозування, включаючи логістику, регресію, опорні векторні машини (SVM), дерева рішень та багато інших. Повний список методів передбачення можна знайти в правій частині сторінки тут.
5.2. Прогнозування
У цьому розділі можна робити прогнози на основі попередньо завантаженої спільної моделі. Спочатку завантажте спільну модель, якщо цього ще не зроблено. Потім виберіть модель для прогнозування, клацнувши назву моделі. Потім завантажте дані для використання моделі прогнозування. Це можна зробити вручну за допомогою форми внизу сторінки або за допомогою шаблону, доступного для завантаження. Якщо використовується шаблон, завантажте набір даних file і натисніть «Надіслати», щоб отримати прогноз моделі.
5.3. Підтримка прийняття рішень
Підтримка прийняття рішень забезпечує класифікацію та може керувати вибором лікування на основі інформації, що надходить до системи. Він був навчений на основі даних рекомендувати оптимальну процедуру лікування на основі особливостей пацієнта. Більше інформації про Системи підтримки клінічних рішень (CDSS) можна знайти тут.
Системні рекомендації враховують особливості пацієнта та рекомендують процедуру лікування та прогнозують майбутню ймовірність метастазування через 5 років. Втручання користувача використовує як характеристики пацієнта, так і процедуру лікування, щоб передбачити майбутню ймовірність 5-річного метастазування на основі поточного лікування замість оптимального.
MBIL
Інтерактивний дослідник факторів ризику Маркова (Markov Blanket and Interactive Risk Factor Learner, MBIL) — це алгоритм, який вивчає окремі та інтерактивні фактори ризику, які безпосередньо впливають на результат пацієнта. Натисніть «перейти до MBIL», щоб перейти до індексу пакетів Python (PyPI) для пакета MBIL, розташованого тут. Більше інформації про MBIL можна знайти на BMC Bioinformatics.
Набори даних
Цей розділ дозволяє користувачеві переглядати та завантажувати нові набори даних у web додаток.
7.1. Перегляньте всі доступні набори даних
Щоб переглянути всі доступні набори даних, просто натисніть «Показати доступні набори даних».
7.2. Завантажте набір даних
Щоб завантажити набір даних, натисніть «Поділитися своїми наборами даних», а потім заповніть необхідну інформацію, як зазначено на webсторінки. Спочатку завантажте набір даних і заповніть необхідні поля.
Потім заповніть поля нижче або завантажте текст file із заповненою інформацієюampНижче наведено опис того, як організувати інформацію, щоб програма могла її зрозуміти.
Моделі
Цей розділ дозволяє користувачеві переглядати доступні моделі та ділитися моделлю.
8.1. Перегляньте всі доступні моделі
Щоб переглянути всі доступні моделі, натисніть «Показати доступні моделі».
8.2. Поділіться моделлю
Щоб поділитися моделлю, натисніть «Поділитися своїми моделями», а потім завантажте модель file навчений tensor flow або PyTorch.
8.2.1. Пов’язаний набір даних
Потім ви повинні завантажити пов’язаний набір даних із заголовками. Клас/мітка для набору даних має бути в останньому стовпці.
8.2.2. Прогнози та інформація про клас
Якщо набір даних містить усі функції, форму ознаки можна пропустити після завантаження набору даних. Однак, якщо вони включені не всі, цю інформацію необхідно надати в описі file або у формі функції. Виберіть опцію зі спадного списку, вказуючи, як ви збираєтеся надати предиктори та інформацію про клас.
Якщо ви використовуєте опцію опису, ви можете або заповнити поля, або завантажити текст file із заповненою інформацієюampНижче наведено опис того, як організувати інформацію.
Документи / Ресурси
 |
Програми iMed Web застосування [pdfПосібник користувача iMed, iMed Web застосування, Web застосування |