Appar iMed Web Användarmanual för applikationen

iMed användarmanual

Introduktion

1.1. Ändamål
Syftet med detta web applikationen är att ta råinformation och tillåta att manipulera den på ett sätt som ger resultat användbara vid beslutsfattande. Det kan vara att träna en modell med rådata eller att förutsäga resultatet med hjälp av modeller och analys.
1.2. Navigationsmeny
Navigeringsmenyn överst på sidan innehåller alla länkar för att komma dit du behöver vara. Om du någon gång går vilse kan du alltid klicka på bakåtpilen för att komma till en bekant sida, gå tillbaka hem eller hitta sidan du letar efter i navigeringsmenyn.
1.3. Konto
Om du inte redan har ett konto måste du registrera dig för att använda applikationen. För att göra det, klicka på kontoknappen uppe till höger och klicka på registrera. Ange sedan ditt användarnamn, lösenord och e-postadress för att fortsätta.

Om du redan har ett konto, logga in med ditt användarnamn och lösenord.

Hemsida

Genom att klicka på objekten till vänster på sidan kommer en beskrivning av var och en att visas i mitten av sidan för att hjälpa dig förstå vad var och en gör.

iMedBot

iMedBot-applikationen presenterar ett gränssnitt som främjar enkel användarinteraktion med agenter, vilket möjliggör personlig förutsägelse och modellträning. Det fungerar som det första steget mot att omvandla resultaten av forskning om djupinlärning till ett onlineverktyg, som har potential att väcka ytterligare forskning inom detta område. Dess respektive användarmanual finns här.

Dataanalys

4.1. Hämta delmängder
Det här avsnittet låter användaren redigera sin datauppsättning. Du kan välja att antingen ladda upp en ny datauppsättning eller använda en befintlig från rullgardinsmenyn.

När datasetet har laddats upp kan du välja vilken åtgärd du vill vidta genom att klicka på ett av alternativen i menyn till vänster.
4.1.1. Hämta delmängder baserat på filter
Det här avsnittet tillåter att få en mindre delmängd av den ursprungliga datamängden baserat på givna filter. Välj de värden du vill ha i delmängden och välj sedan de kolumner som du vill ska visas i den slutliga datamängden.

4.1.2. Returnera sorterade resultat
Detta returnerar datauppsättningen i en sorterad form. Välj målkolumn, sorteringsordning, antal rader som ska returneras och vilka kolumner som ska visas i slutresultatet.

4.1.3. Expandera datamängden
Detta gör att användaren kan expandera en singulär kolumn lagrad som en ordbok till en faktisk tabell som användaren sedan kan manipulera. Det tar en kapslad datauppsättning och flyttar det som krävs av användaren till det översta lagret. Ladda först upp en datauppsättning som innehåller en kolumn med en kapslad datauppsättning. Om en kolumn som behöver expanderas automatiskt upptäcks, välj vilken kolumn som ska expanderas och vilka kolumner som ska extraheras från den kapslade informationen. Klicka på skicka så kan du view din information som kolumner i en tabell istället för kapslade data.
4.2. Sammanfoga Files
Genom att välja och ladda upp flera datauppsättningar genom att ctrl-klicka (kommando för mac), kommer detta att slå samman dem till en större datauppsättning än att användas till något annat.

Välj bara alla datauppsättningar och fyll i nödvändig information. Detta kommer att spara den nya datamängden till iMed-applikationen och är sedan tillgänglig för nedladdning.
4.3. Plot funktioner
Det här avsnittet låter användaren rita sin datauppsättning. Välj ett av alternativen i menyn till vänster och fyll sedan i de obligatoriska fälten för att få din tomt. Nedan är de typer av plotter du kan göra från dina data:

4.4. Statistisk analys
Det här avsnittet låter oss köra statistiska tester på vår datauppsättning. Välj ett test att köra från menyn till vänster och fyll i fälten för att köra testerna. Nedan är de typer av tester som är tillgängliga:

ODPAC

5.1. Lära sig
Den här sidan innehåller en kort beskrivning av varje typ av resurs som finns på den här sidan. Om du klickar på knappen högst upp i varje avsnitt länkas till en annan sida där användaren kan använda eller lära sig mer om ämnet.
5.1.1. Epistasis
Den här sidan låter oss använda MBS, en sökalgoritm för att lära oss av data. Specifikt tillåter det oss att studera epistas, interaktionen mellan två eller flera gener som påverkar fenotypen. Detta är användbart för proffsfile sjukdomar i den genetiska aspekten. Konventionella metoder är inte lämpade för att hantera de högdimensionella data som finns i genomomfattande associationsstudier (GWAS). Multiple Beam Search (MBS)-algoritmen gör det möjligt att detektera interagerande gener i mycket snabbare takt. Ladda upp data som du vill använda och ange sedan de obligatoriska fälten. För mer djupgående information, hitta hela tidningen här.

5.1.2. Riskfaktorer
Den här sidan låter oss använda IGain-paketet för att lära oss interaktioner mellan data. Den lär sig specifikt interaktioner från högdimensionella data med hjälp av en heuristisk sökning. Denna metod bygger på Exhaustive_IGain-metoden som tidigare utvecklats för att lära sig interaktioner från lågdimensionella data. Ladda upp data och ange sedan de obligatoriska fälten. Mer information om IS-trösklarna och iGain finns här.

5.1.3. Förutsägelsemodeller
Det här avsnittet tillåter användning av prediktionsmodeller som redan är förbyggda ovanpå maskininlärningsmodeller för att påskynda användningen. Detta gör att de kan användas utan användning av kodning och tidigare erfarenhet för att förutsäga modeller med hjälp av sin egen datauppsättning. Det finns ett flertal förutsägelsemodeller tillgängliga för användaren, inklusive logistik, regression, stödvektormaskiner (SVM), beslutsträd och många fler. Den fullständiga listan över förutsägelsemetoder finns till höger på sidan här.
5.2. Förutsägelse
Det här avsnittet tillåter förutsägelser från en delad modell som tidigare laddats upp. Ladda först upp en delad modell om du inte redan har gjort det. Välj sedan modellen att använda för förutsägelse genom att klicka på modellnamnet. Ladda sedan upp data som prediktionsmodellen ska använda. Detta kan göras antingen manuellt med hjälp av formuläret längst ner på sidan eller med hjälp av mallen som finns att ladda ner. Om du använder mallen laddar du upp datasetet file och klicka på skicka för att få modellförutsägelsen.
5.3. Beslutsstöd
Beslutsstöd ger klassificering och kan vägleda behandlingsval utifrån information som tillförs systemet. Den har tränats från data för att rekommendera den optimala behandlingsproceduren baserat på en patients egenskaper. Mer information om Clinical Decision Support Systems (CDSS) finns här.
Systemrekommendationen tar en patients egenskaper och rekommenderar behandlingsförfarande och förutsäger den framtida sannolikheten för 5 års metastasering. Användarinterventionen tar både patientegenskaperna och behandlingsproceduren för att förutsäga den framtida sannolikheten för 5 års metastasering baserat på aktuell behandling istället för optimal behandling.

MBIL

Markov Blanket and Interactive Risk Factor Learner (MBIL) är en algoritm som lär sig enstaka och interaktiva riskfaktorer som har en direkt inverkan på en patients resultat. Klicka på "gå till MBIL" för att omdirigeras till Python Package Index (PyPI) för MBIL-paketet som finns här. Mer information om MBIL finns på BMC Bioinformatics.

Datauppsättningar

Detta avsnitt låter användaren se och ladda upp nya datamängder till web ansökan.
7.1. Se alla tillgängliga datauppsättningar
För att se alla tillgängliga datauppsättningar klickar du bara på "Visa tillgängliga datauppsättningar."

7.2. Ladda upp en datamängd
För att ladda upp en datamängd klickar du på "Dela dina datauppsättningar" och fyller sedan i nödvändig information som anges på websida. Ladda först upp datauppsättningen och fyll i obligatoriska fält.

Fyll sedan i fälten nedan eller ladda upp en text file med uppgifterna ifyllda. Ett exampNedan beskrivs hur man organiserar informationen så att applikationen kan förstå den.

Modeller

Detta avsnitt låter användaren se modeller som är tillgängliga för dem och dela en modell.
8.1. Se alla tillgängliga modeller
För att se alla tillgängliga modeller, klicka på "Visa tillgängliga modeller."

8.2. Dela en modell
För att dela en modell, klicka på "Dela dina modeller" och ladda sedan upp en modell file tränas av tensorflöde eller PyTorch.

8.2.1. Relaterad datauppsättning
Du bör sedan ladda upp den relaterade datauppsättningen som innehåller rubrikerna. Klassen/etiketten för datasetet ska finnas i den sista kolumnen.

8.2.2. Prediktorer och klassinformation
Om datamängden innehåller alla funktioner kan funktionsformuläret hoppas över efter uppladdning av datamängden. Men om de inte alla ingår måste denna information anges i beskrivningen file eller i funktionsformuläret. Välj alternativet från rullgardinsmenyn som anger hur du tänker tillhandahålla prediktorer och klassinformation.

Om du använder beskrivningsalternativet kan du antingen fylla i fälten eller ladda upp en text file med uppgifterna ifyllda. Ett exampEn beskrivning av hur man organiserar informationen finns nedan.