Interactive learning in personalized medicine

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Soare, Marta
dc.contributor.author Kaurila, Karel
dc.date.accessioned 2016-12-08T13:29:32Z
dc.date.available 2016-12-08T13:29:32Z
dc.date.issued 2016-12-08
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/23632
dc.description.abstract 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. en
dc.description.abstract 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. fi
dc.format.extent 22+5
dc.language.iso en en
dc.title Interactive learning in personalized medicine en
dc.title Vuorovaikutteinen oppiminen henkilökohtaisessa terveydenhuollossa fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword personalized medicine en
dc.subject.keyword interactive learning en
dc.subject.keyword linear regression en
dc.subject.keyword expert knowlegde elicitation en
dc.identifier.urn URN:NBN:fi:aalto-201612085823
dc.programme.major Bioinformatics en
dc.programme.mcode SCI3058 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Kaski, Samuel
dc.programme Master’s Programme in Life Science Technologies fi


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account