is Íslenska en English

Lokaverkefni (Meistara)

Háskólinn í Reykjavík > Tæknisvið / School of Technology > Med/MSc Tækni- og verkfræðideild (-2019) / School of Science and Engineering >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/19401

Titill: 
  • Titill er á ensku A Mathematical Diagnostics Model for Autoimmune Disease
  • Stærðfræðilegt greiningarlíkan fyrir sjálfsofnæmissjúkdóma
Námsstig: 
  • Meistara
Útdráttur: 
  • Útdráttur er á ensku

    The topic of this thesis is the development of a diagnostic model for autoimmune disease. We present ten classifiers, based on the data mining of immunological blood test results that are specific to each disease. Our training sets consist of immunological blood test results from 1750 clinical attendees that presented symptoms of one or more autoimmune diseases. The sparseness of the blood tests that are performed leads to highly structured missingness of data. We develop a classifier that uses the distinction between meaningless missing values and meaningful missing values to lead to improved modeling of these incomplete sets of data. The implementation of this new approach to modeling autoimmune blood test data is described from the perspective of rheumatoid arthritis (RA) data. Several, competing data mining approaches were implemented for
    our data, of which the best results were obtained for our hybrid classifier of Decision trees and an inverse-distance-weighted k-Nearest neighbors (kNN) approach. Results indicate that our model, assuming a certain margin of error, is classifying up to 100% of the RA cases correctly, computed by a method of leave-one-out (LOO) cross-validation. The classifiers specific to the other nine diseases all average more than 90% of correctly classified cases, computed by LOO. New RA test cases were run through our classifier, which successfully classified all the cases correctly. The method of Random forests
    showed compatible results to our hybrid classifier, i.e. classified 97.91% of LOO RA cases correctly, but did not compare in structural transparency. Prototypes of a clinical
    solution system based on our work have been implemented on a web server.

  • Umfjöllunarefni þessarar ritgerðar er þróun flokkunarlíkans fyrir sjálfsofnæmissjúkdóma. Við kynnum tíu flokkunarlíkön, sem hvert og eitt byggir á gagnanámi blóðprufuniðurstaða fyrir hvern sjúkdóm. Þjálfunargögn okkar eru samansafn blóðprufuniðurstaða frá 1750 skjólstæðingum heilsugæslu sem höfðu klínísk einkenni sjálfsofnæmissjúkdóma. Þar sem stórum hluta slíkra blóðprufa er yfirleitt sleppt fyrir úrvinnslu þá innihéldu gögnin mikið magn tómra gagnasvæða. Við kynnum nýja aðferð til gagnanáms sem byggir á aðgreiningu þeirra tómu gagnasvæða sem hafa enga merkingu annars vegar og hins vegar tómra gagnasvæða sem hafa merkingu. Þessari nýju aðferð er lýst út frá gögnum fyrir iktsýki (RA). Margar vel þekktar gagnanámsaðferðir voru útfærðar fyrir gögnin okkar en bestu greiningarniðurstöðurnar fengust með því að setja líkanið fram sem blendingslíkan flokkunartrjáa og andhverfu-fjarlægðar-vigtaðra k-Næstu granna (kNN). Niðurstöður okkar gáfu til kynna að með því að gera ráð fyrir ákveðnu öryggisbili þá flokkaði líkanið okkar allt að 100% RA tilvikanna rétt, út frá reikningum sem byggðu á einum-sleppt (LOO) sannprófunaraðferð. Hin, níu flokkunarlíkönin fengu öll niðurstöður upp á meira en 90% rétt flokkaðra tilfella, metin með LOO. Ný prófunartilfelli fyrir RA voru keyrð gegnum flokkunarlíkanið okkar og náði það að flokka öll tilfellin rétt. Aðferð Slembiskóga sýndi sambærilegar niðurstöður og okkar líkan, eða um 97.91% rétt flokkaðra tilfella, metin með LOO sannprófunaraðferð, en sú aðferð stóðst hins vegar ekki samanburð á gegnsæi líkananna. Fyrsta útgáfa af hugbúnaði sem byggir á okkar niðurstöðum hefur nú verið sett upp á vefsvæði.

Samþykkt: 
  • 28.8.2014
URI: 
  • http://hdl.handle.net/1946/19401


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
arnadottir_autoimmune_classifier.pdf2.23 MBOpinnHeildartextiPDFSkoða/Opna