imed მომხმარებლის სახელმძღვანელო
შესავალი
1.1. მიზანი
ამის მიზანი web განაცხადი არის ნედლეული ინფორმაციის მიღება და მისი მანიპულირების დაშვება ისე, რომ მივიღოთ გამოსადეგი შედეგები გადაწყვეტილების მიღებისას. ეს შეიძლება იყოს მოდელის მომზადება ნედლეული მონაცემებით ან შედეგის პროგნოზირება მოდელებისა და ანალიზის გამოყენებით.
1.2. ნავიგაციის მენიუ
ნავიგაციის მენიუ გვერდის ზედა ნაწილში ინახავს ყველა ბმულს, რათა მიხვიდეთ იქ, სადაც უნდა იყოთ. თუ ოდესმე დაიკარგებით, ყოველთვის შეგიძლიათ დააწკაპუნოთ უკანა ისარზე, რათა მოხვდეთ ნაცნობ გვერდზე, დაბრუნდით სახლში ან იპოვოთ გვერდი, რომელსაც ეძებთ სანავიგაციო მენიუში.
1.3. ანგარიში
თუ უკვე არ გაქვთ ანგარიში, უნდა დარეგისტრირდეთ აპლიკაციის გამოსაყენებლად. ამისათვის დააჭირეთ ანგარიშის ღილაკს ზედა მარჯვენა კუთხეში და დააჭირეთ რეგისტრაციას. შემდეგ შეიყვანეთ თქვენი მომხმარებლის სახელი, პაროლი და ელფოსტა გასაგრძელებლად.
თუ უკვე გაქვთ ანგარიში, შედით თქვენი მომხმარებლის სახელით და პაროლით.
საწყისი გვერდი
გვერდის მარცხენა ელემენტებზე დაწკაპუნებით, თითოეულის აღწერა გამოჩნდება გვერდის შუაში, რათა დაგეხმაროთ გაიგოთ, რას აკეთებს თითოეული.
iMedBot
iMedBot აპლიკაცია წარმოადგენს ინტერფეისს, რომელიც ხელს უწყობს მომხმარებლის მარტივ ურთიერთქმედებას აგენტებთან, რაც საშუალებას აძლევს პერსონალიზებულ პროგნოზირებას და მოდელის ტრენინგს. ის ემსახურება როგორც პირველ ნაბიჯს ღრმა სწავლის კვლევის შედეგების ონლაინ ინსტრუმენტად გარდაქმნისკენ, რომელსაც აქვს პოტენციალი ამ სფეროში დამატებითი კვლევითი სამუშაოების გაღვივება. მისი შესაბამისი მომხმარებლის სახელმძღვანელო შეგიძლიათ იხილოთ აქ.
მონაცემთა ანალიზი
4.1. ქვეჯგუფების მოძიება
ეს განყოფილება საშუალებას აძლევს მომხმარებელს შეცვალოს თავისი მონაცემთა ბაზა. თქვენ შეგიძლიათ აირჩიოთ ან ატვირთოთ ახალი მონაცემთა ნაკრები ან გამოიყენოთ არსებული ჩამოსაშლელი მენიუდან.
მონაცემთა ნაკრების ატვირთვის შემდეგ, შეგიძლიათ აირჩიოთ რა ქმედებები გსურთ განახორციელოთ მარცხენა მხარეს მენიუში ერთ-ერთ ვარიანტზე დაწკაპუნებით.
4.1.1. ფილტრების საფუძველზე ქვეჯგუფების მოძიება
ეს განყოფილება საშუალებას გაძლევთ მიიღოთ ორიგინალური მონაცემთა ნაკრების უფრო მცირე ქვეჯგუფი მოცემულ ფილტრებზე დაყრდნობით. აირჩიეთ თქვენთვის სასურველი მნიშვნელობები ქვეჯგუფში და შემდეგ აირჩიეთ სვეტები, რომლებიც გსურთ ნაჩვენები იყოს საბოლოო მონაცემთა ბაზაში.
4.1.2. დახარისხებული შედეგების დაბრუნება
ეს აბრუნებს მონაცემთა ნაკრებს დახარისხებული ფორმით. აირჩიეთ სამიზნე სვეტი, დახარისხების თანმიმდევრობა, დასაბრუნებელი მწკრივების რაოდენობა და რომელი სვეტების ჩვენება საბოლოო გამოსავალში.
4.1.3. გააფართოვეთ მონაცემთა ნაკრები
ეს საშუალებას აძლევს მომხმარებელს გააფართოვოს ლექსიკონში შენახული ცალკეული სვეტი რეალურ ცხრილში, რომლითაც მომხმარებელს შეუძლია მანიპულირება. ის იღებს ჩადგმულ მონაცემთა ბაზას და გადააქვს ის, რაც მომხმარებლის მიერ არის მოთხოვნილი ყველაზე ზედა ფენაში. პირველ რიგში, ატვირთეთ მონაცემთა ნაკრები, რომელიც მოიცავს სვეტს ჩადგმული მონაცემთა ნაკრებით. თუ ავტომატურად აღმოჩენილია სვეტი, რომელიც გაფართოებას საჭიროებს, აირჩიეთ რომელი სვეტი გაფართოვდეს და რომელი სვეტები ამოიღოთ ჩადგმული ინფორმაციისგან. დააწკაპუნეთ გაგზავნაზე და შეგიძლიათ view თქვენი ინფორმაცია, როგორც ცხრილის სვეტები, წყობილი მონაცემების ნაცვლად.
4.2. შერწყმა Files
მრავალრიცხოვანი მონაცემთა ნაკრების არჩევით და ატვირთვით ctrl დაწკაპუნებით (ბრძანება mac-ისთვის), ეს გააერთიანებს მათ ერთ უფრო დიდ მონაცემთა ბაზაში, ვიდრე გამოყენებული იქნება სხვა რამეში.
უბრალოდ აირჩიეთ ყველა მონაცემთა ნაკრები და შეავსეთ საჭირო ინფორმაცია. ეს შეინახავს ახალ მონაცემთა ნაკრებს iMed აპლიკაციაში და შემდეგ ხელმისაწვდომი იქნება ჩამოსატვირთად.
4.3. ნაკვეთის ფუნქციები
ეს განყოფილება საშუალებას აძლევს მომხმარებელს შეადგინოს მათი მონაცემთა ბაზა. აირჩიეთ ერთ-ერთი ვარიანტი მარცხენა მხარეს მენიუში და შემდეგ შეავსეთ საჭირო ველები თქვენი ნაკვეთის მისაღებად. ქვემოთ მოცემულია ნაკვეთების ტიპები, რომლებიც შეგიძლიათ გააკეთოთ თქვენი მონაცემებიდან:
4.4. სტატისტიკური ანალიზი
ეს განყოფილება საშუალებას გვაძლევს გავატაროთ სტატისტიკური ტესტები ჩვენს მონაცემთა ბაზაზე. აირჩიეთ ტესტი მარცხენა მხარეს მენიუდან და შეავსეთ ველები ტესტების გასაშვებად. ქვემოთ მოცემულია ტესტების ტიპები, რომლებიც ხელმისაწვდომია:
ODPAC
5.1. ისწავლე
ეს გვერდი შეიცავს ამ გვერდზე არსებული რესურსის თითოეული ტიპის მოკლე აღწერას. თითოეული განყოფილების ზედა ღილაკზე დაწკაპუნება სხვა გვერდს დაუკავშირდება, რომელიც მომხმარებელს საშუალებას აძლევს გამოიყენოს ან გაიგოს მეტი თემის შესახებ.
5.1.1. ეპისტაზი
ეს გვერდი საშუალებას გვაძლევს გამოვიყენოთ MBS, საძიებო ალგორითმი, რათა ვისწავლოთ მონაცემები. კერძოდ, ის საშუალებას გვაძლევს შევისწავლოთ ეპისტაზისი, ურთიერთქმედება ორ ან მეტ გენს შორის, რომლებიც გავლენას ახდენენ ფენოტიპზე. ეს სასარგებლოა პროფესიონალებისთვისfile დაავადებები გენეტიკური თვალსაზრისით. ჩვეულებრივი მეთოდები არ არის შესაფერისი გენომის მასშტაბური ასოციაციის კვლევებში (GWAS) ნაპოვნი მაღალგანზომილებიანი მონაცემების დასამუშავებლად. Multiple Beam Search (MBS) ალგორითმი საშუალებას იძლევა აღმოაჩინოს ურთიერთქმედება გენები ბევრად უფრო სწრაფი სიჩქარით. ატვირთეთ მონაცემები, რომელთა გამოყენება გსურთ და შემდეგ შეიყვანეთ საჭირო ველები. დამატებითი სიღრმისეული ინფორმაციისთვის, იხილეთ სრული ნაშრომი აქ.
5.1.2. რისკის ფაქტორები
ეს გვერდი საშუალებას გვაძლევს გამოვიყენოთ IGain პაკეტი მონაცემების ურთიერთქმედების შესასწავლად. ის კონკრეტულად სწავლობს ურთიერთქმედებებს მაღალგანზომილებიანი მონაცემებიდან ევრისტიკული ძიების გამოყენებით. ეს მეთოდი ეფუძნება Exhaustive_IGain მეთოდს, რომელიც ადრე შემუშავებული იყო დაბალი განზომილებიანი მონაცემების ურთიერთქმედების შესასწავლად. ატვირთეთ მონაცემები და შემდეგ შეიყვანეთ საჭირო ველები. დამატებითი ინფორმაცია IS ზღვრებისა და iGain-ის შესახებ შეგიძლიათ იხილოთ აქ.
5.1.3. პროგნოზირების მოდელები
ეს განყოფილება საშუალებას იძლევა გამოიყენოს პროგნოზირების მოდელები უკვე წინასწარ აშენებული მანქანათმცოდნეობის მოდელების თავზე მისი გამოყენების დასაჩქარებლად. ეს საშუალებას აძლევს მათ გამოიყენონ კოდირებისა და წინა გამოცდილების გარეშე მოდელების პროგნოზირებისთვის საკუთარი მონაცემთა ნაკრების გამოყენებით. მომხმარებლისთვის ხელმისაწვდომია მრავალი პროგნოზირების მოდელი, მათ შორის ლოგისტიკური, რეგრესია, დამხმარე ვექტორული მანქანები (SVM), გადაწყვეტილების ხეები და მრავალი სხვა. პროგნოზირების მეთოდების სრული სია მოცემულია გვერდის მარჯვენა მხარეს აქ.
5.2. პროგნოზირება
ეს განყოფილება იძლევა პროგნოზებს ადრე ატვირთული გაზიარებული მოდელიდან. ჯერ ატვირთეთ გაზიარებული მოდელი, თუ ეს უკვე არ გაკეთებულა. შემდეგ აირჩიეთ მოდელი, რომელიც გამოიყენებთ პროგნოზირებისთვის, მოდელის სახელზე დაწკაპუნებით. შემდეგ ატვირთეთ მონაცემები პროგნოზირების მოდელის გამოსაყენებლად. ეს შეიძლება გაკეთდეს ხელით ან გვერდის ბოლოში არსებული ფორმის გამოყენებით ან ჩამოსატვირთად ხელმისაწვდომი შაბლონის გამოყენებით. თუ იყენებთ შაბლონს, ატვირთეთ მონაცემთა ნაკრები file და დააჭირეთ გაგზავნას მოდელის პროგნოზის მისაღებად.
5.3. გადაწყვეტილების მხარდაჭერა
გადაწყვეტილების მხარდაჭერა უზრუნველყოფს კლასიფიკაციას და შეუძლია უხელმძღვანელოს მკურნალობის არჩევანს სისტემისთვის მიწოდებული ინფორმაციის მიხედვით. იგი დამუშავებულია მონაცემებით, რათა რეკომენდაცია გაუწიოს ოპტიმალური მკურნალობის პროცედურას პაციენტის მახასიათებლების მიხედვით. დამატებითი ინფორმაცია კლინიკური გადაწყვეტილების მხარდაჭერის სისტემების (CDSS) შესახებ შეგიძლიათ იხილოთ აქ.
სისტემის რეკომენდაცია იღებს პაციენტის თავისებურებებს და რეკომენდაციას უწევს მკურნალობის პროცედურას და პროგნოზირებს 5 წლიანი მეტასტაზების მომავალ ალბათობას. მომხმარებლის ინტერვენცია ითვალისწინებს როგორც პაციენტის მახასიათებლებს, ასევე მკურნალობის პროცედურას, რათა წინასწარ განსაზღვროს 5 წლიანი მეტასტაზების მომავალი ალბათობა მიმდინარე მკურნალობის საფუძველზე, ოპტიმალური მკურნალობის ნაცვლად.
MBIL
Markov Blanket and Interactive Risk Factor Learner (MBIL) არის ალგორითმი, რომელიც სწავლობს ცალკეულ და ინტერაქტიულ რისკ ფაქტორებს, რომლებიც პირდაპირ გავლენას ახდენენ პაციენტის შედეგზე. დააწკაპუნეთ „გადასვლა MBIL-ზე“, რათა გადამისამართდეთ Python Package Index-ზე (PyPI) აქ მდებარე MBIL პაკეტისთვის. დამატებითი ინფორმაცია MBIL-ის შესახებ შეგიძლიათ იხილოთ BMC Bioinformatics-ზე.
მონაცემთა ნაკრები
ეს განყოფილება საშუალებას აძლევს მომხმარებელს ნახოს და ატვირთოს ახალი მონაცემთა ნაკრები web განაცხადი.
7.1. იხილეთ ყველა ხელმისაწვდომი მონაცემთა ნაკრები
ყველა ხელმისაწვდომი მონაცემთა ნაკრების სანახავად, უბრალოდ დააწკაპუნეთ „აჩვენე ხელმისაწვდომი მონაცემთა ნაკრები“.
7.2. ატვირთეთ მონაცემთა ნაკრები
მონაცემთა ნაკრების ასატვირთად დააწკაპუნეთ „გააზიარეთ თქვენი მონაცემთა ნაკრები“ და შემდეგ შეავსეთ საჭირო ინფორმაცია, როგორც ეს მითითებულია webგვერდი. პირველ რიგში, ატვირთეთ მონაცემთა ნაკრები და შეავსეთ საჭირო ველები.
შემდეგ შეავსეთ ქვემოთ მოცემული ველები ან ატვირთეთ ტექსტი file შევსებული ინფორმაციითampიმის შესახებ, თუ როგორ უნდა მოაწყოთ ინფორმაცია ისე, რომ აპლიკაციამ შეძლოს მისი გაგება, მოცემულია ქვემოთ.
მოდელები
ეს განყოფილება საშუალებას აძლევს მომხმარებელს ნახოს მისთვის ხელმისაწვდომი მოდელები და გაუზიაროს მოდელი.
8.1. იხილეთ ყველა ხელმისაწვდომი მოდელი
ყველა ხელმისაწვდომი მოდელის სანახავად დააწკაპუნეთ „აჩვენე ხელმისაწვდომი მოდელები“.
8.2. გააზიარე მოდელი
მოდელის გასაზიარებლად დააწკაპუნეთ „გააზიარეთ თქვენი მოდელები“ და შემდეგ ატვირთეთ მოდელი file გაწვრთნილი ტენსორის ნაკადით ან PyTorch-ით.
8.2.1. დაკავშირებული მონაცემთა ნაკრები
შემდეგ თქვენ უნდა ატვირთოთ შესაბამისი მონაცემთა ნაკრები, რომელიც მოიცავს სათაურებს. მონაცემთა ნაკრების კლასი/ეტიკეტი უნდა იყოს ბოლო სვეტში.
8.2.2. წინასწარმეტყველები და კლასის ინფორმაცია
თუ მონაცემთა ნაკრები მოიცავს ყველა მახასიათებელს, ფუნქციის ფორმა შეიძლება გამოტოვოთ მონაცემთა ნაკრების ატვირთვის შემდეგ. თუმცა, თუ ისინი ყველა არ შედის, ეს ინფორმაცია უნდა იყოს წარმოდგენილი აღწერილობაში file ან ფუნქციის ფორმის ფარგლებში. აირჩიეთ ვარიანტი ჩამოსაშლელი სიიდან, რომელიც მიუთითებს იმაზე, თუ როგორ აპირებთ წინასწარმეტყველების და კლასის ინფორმაციის მიწოდებას.
თუ იყენებთ აღწერის პარამეტრს, შეგიძლიათ შეავსოთ ველები ან ატვირთოთ ტექსტი file შევსებული ინფორმაციითampიმის შესახებ, თუ როგორ უნდა მოაწყოთ ინფორმაცია, მოცემულია ქვემოთ.
დოკუმენტები / რესურსები
 |
აპლიკაციები iMed Web განაცხადი [pdf] მომხმარებლის სახელმძღვანელო iMed, iMed Web განაცხადი, Web განაცხადი |