Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Support Vector Machines en Kernel methoden voor analyse van Microrooster gegevens. In dit proefschrift onderzochten we hoe microroostergegevens optimaal gebruikt kunnen worden bij klinische beleidsbeslissingen in de oncologie. Hiertoe maakten we gebruik van leeralgoritmen zoals Least Squares Support Vector Machines (LS-SVM) en kernelmethoden, welke in staat zijn hoog-dimensionaliteit te hanteren alsook niet-lineaire relaties in de data te ontdekken. Deze methoden werden bestudeerd en verfijnd om ze meer geschikt te maken voor microroostergegevens bij problemen uit de klinische oncologie. We voerden een systematische benchmarkingstudie uit om de invloed van regularisatie, niet-lineariteit en dimensionaliteitsreductie op de performantie van klinische voorspellingen te onderzoeken. We besloten dat regularisatie of dimensionaliteitsreductie vereist is voor de classificatie van microroosterexperimenten. Bovendien geeft een niet-lineair LS-SVM model met een Radiale Basis Functie (RBF) kernel over het algemeen de beste resultaten voor de classificatie van microroosterexperimenten. Deze methoden werden opgenomen in een interface genaamd M@CBETH (a MicroArray Classification BEnchmarking Tool on a Host server) die vrij beschikbaar is ( http://www.esat.kuleuven.be/MACBETH/ ) en die eenvoudig gebruikt kan worden door clinici voor het maken van optimale voorspellingen. Deze webservice vindt het beste voorspellingsmodel uit verschillende classificatiemethoden door gebruik te maken van randomisaties van een dataset die voor benchmarking doeleinden gebruikt wordt. We pasten deze technieken toe op een verzameling van genexpressiepatronen afkomstig van ovariale tumoren om in deze context verschillende diagnostische problemen op te lossen. We pasten een brede waaier aan klassieke en lineaire technieken toe op deze experimenten, gevolgd door de meer geavanceerde niet-lineaire technieken beschikbaar in M@CBETH. Dit toonde aan dat het mogelijk is om onderscheid te maken tussen stadium I ovariumtumoren zonder herval, platinumsensitieve en platinumresistente ovariumtumoren in een vergevorderd stadium (stadium III/IV). Tenslotte vergeleken we klassieke en kernelclusteringalgoritmen op verschillende datasets gegenereerd met microroosters. Hieruit besloten we dat zeer goede resultaten bekomen kunnen worden met spectrale clustering in termen van interne validatiecriteria. Bij de realisatie hiervan toonden we aan hoe deze interne validatiematen uitgebreid kunnen worden naar de kenmerkenruimte. Microarray data analysis using Support Vector Machines and Kernel methods. In this thesis, we investigated how microarray data can be optimally used in clinical management decisions in oncology. For this purpose, we used machine learning techniques like Least Squares Support Vector Machines (LS-SVM) and kernel methods, capable of both handling the high dimensionality and discovering nonlinear relationships in the data. These methods were studied and fine-tuned to make them more suitable for microarray data in clinical decision-making problems. We performed a systematic benchmarking study to investigate the influence of regularization, nonlinearity and dimensionality reduction on the performance of clinical predictions. We concluded that regularization or dimensionality reduction is required for the classification of microarray experiments. Furthermore, a nonlinear LS-SVM model with a Radial Basis Function (RBF) kernel is a first choice for the classification of microarray experiments. These methods were incorporated into an interface called M@CBETH (a MicroArray Classification BEnchmarking Tool on a Host server) that is freely available ( http://www.esat.kuleuven.be/MACBETH/ ) and can easily be used by clinicians for making optimal two-class predictions. This web service aims at finding the best prediction among different classification methods by using randomizations of a benchmarking dataset. We applied these techniques to solve several diagnostic problems on a set of gene expression patterns originating from ovarian tumors. We applied a broad range of classical and linear techniques on these experiments, followed by the set of more advanced nonlinear techniques incorporated in M@CBETH. Both studies indicated that it is possible to distinguish between stage I without recurrence, platin-sensitive advanced-stage and platin-resistant advanced-stage ovarian tumors. Finally, we compared classical and kernel clustering algorithms on several microarray datasets. This revealed that very good results can be obtained with spectral clustering in terms of internal validation criteria. To realize this, we showed how these internal validation measures can be extended in feature space. de meer geavanceerde niet-lineaire technieken beschikbaar in M@CBETH. Dit toonde aan dat het mogelijk is om onderscheid te maken tussen stadium I ovariumtumoren zonder herval, platinumsensitieve en platinumresistente ovariumtumoren in een vergevorderd stadium (stadium III/IV). Tenslotte vergeleken we klassieke en kernelclusteringalgoritmen op verschillende datasets gegenereerd met microroosters. Hieruit besloten we dat zeer goede resultaten bekomen kunnen worden met spectrale clustering in termen van interne validatiecriteria. Bij de realisatie hiervan toonden we aan hoe deze interne validatiematen uitgebreid kunnen worden naar de kenmerkenruimte.

Academic collection --- 681.3*J3 <043> --- 681.3*J3 <043> Life and medical sciences (Computer applications)--Dissertaties --- Life and medical sciences (Computer applications)--Dissertaties --- Theses

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)