ITEM METADATA RECORD
Title: Microarray Data Analysis using Support Vector Machines and Kernel Methods (Support vector machines en kernel methoden voor analyse van microrooster gegevens)
Other Titles: Microarray Data Analysis using Support Vector Machines and Kernel Methods
Authors: Pochet, Nathalie
Issue Date: 29-May-2006
Abstract: Support Vector Machines en Kernel methoden voor analyse van Microrooster gegevens. In dit proefschrift onderzochten we hoe microroostergegevens optimaal ge bruikt kunnen worden bij klinische beleidsbeslissingen in de oncologie. Hiertoe maakten we gebruik van leeralgoritmen zoals Least Squares Suppor t Vector Machines (LS-SVM) en kernelmethoden, welke in staat zijn hoog-d imensionaliteit 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 regul arisatie, niet-lineariteit en dimensionaliteitsreductie op de performant ie van klinische voorspellingen te onderzoeken. We besloten dat regulari satie 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 re sultaten voor de classificatie van microroosterexperimenten. Deze methoden werden opgenomen in een interface genaamd M@CBETH (a Micro Array Classification BEnchmarking Tool on a Host server) die vrij beschi kbaar is (http://www.esat.k uleuven.be/MACBETH/) en die eenvoudig gebruikt kan worden door clinic i voor het maken van optimale voorspellingen. Deze webservice vindt het beste voorspellingsmodel uit verschillende classificatiemethoden door ge bruik te maken van randomisaties van een dataset die voor benchmarking d oeleinden gebruikt wordt. We pasten deze technieken toe op een verzameling van genexpressiepatrone n afkomstig van ovariale tumoren om in deze context verschillende diagno stische problemen op te lossen. We pasten een brede waaier aan klassieke en lineaire technieken toe op deze experimenten, gevolgd door de meer g eavanceerde niet-lineaire technieken beschikbaar in M@CBETH. Dit toonde aan dat het mogelijk is om onderscheid te maken tussen stadium I ovarium tumoren zonder herval, platinumsensitieve en platinumresistente ovariumt umoren in een vergevorderd stadium (stadium III/IV). Tenslotte vergeleken we klassieke en kernelclusteringalgoritmen op versc hillende 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.
Publication status: published
KU Leuven publication type: TH
Appears in Collections:ESAT - STADIUS, Stadius Centre for Dynamical Systems, Signal Processing and Data Analytics

Files in This Item:

There are no files associated with this item.

Request a copy

 




All items in Lirias are protected by copyright, with all rights reserved.