Survival prediction via partial ordering in feature space and sample space
Öznitelik ya da örneklem uzayında kısmi sıralama yoluyla sağkalım tahminleme
- Tez No: 427837
- Danışmanlar: YRD. DOÇ. DR. ÖZNUR TAŞTAN OKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyoistatistik, Genetik, Computer Engineering and Computer Science and Control, Biostatistics, Genetics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
Bir hastanın sağkalımını tahminleme, hastaya uygun tedavi planını belirleyebilmek için kritik öneme sahiptir ve geleneksel olarak hastanın yaşı, tümör evresi gibi klinik ve patolojik değişkenlere dayandırılarak yapılmaktadır. Bu tezde, yeni nesil dizilime yöntemleri ile elde edilen moleküler verileri kullanarak başarılı ve yorumlanabilir sağkalım tahminleme modellerine ulaştıran iki yöntem sunuyoruz. Mevcut sağkalım modellerinin çoğu, moleküllerin tekil ifadeleme değerlerinin tekil temsili üzerine kurulmaktadır. Fakat kanser, moleküler mekanizmaların çok farklı yollarla bozulması ile meydana çıkan karmaşık bir hastalıktır. Bu çalışmada sistemsel biyoloji yaklaşım ile, moleküler değerlerin birbirlerine göre sıralamasını göz önünde bulunduran bir öznitelik temsili öneriyoruz. Önerdiğimiz model moleküler özniteliklerin doğrudan bağlantılı oldukları biyolojik mekanizmaları açığa çıkmarmayı mümkün kılmanın yanında, genel kabul görmüş, L1 regülasyonlu çok değişkenli Cox nisbi risk ve Rastgele Sağkalım Ormanı modelleri ile over kanserinde sağ kalımı tahmin için kullanıldığında, tekil değerler ile kurulan modellerden daha iyi sonuçlar vermektedir. Önerdiğimiz öznitelik temsilini over kanseri hasta gruplarını bulmakta kullandığımızda da grupların sağkalım dağılımları arasında istatiksel olarak anlamlı ölçüde bir ayrım sağladığını görmekteyiz. İkinci olarak ise, sıralama tahminini karar destek vektörleri ile öğrenen yeni bir model (RsurVM) sunuyoruz. RsurVm, sağkalım modellerinin başarımlarını ölçmek için en yaygınca kullanılan metrik olan konkordans indisini optimize etmeye odaklanmakta ve sansürlü örneklemleri de hiç bir ön kabul yapmadan kullanabilmektedir. Over kanseri hastalarının moleküler verileri üzerinde yaptığımız geniş kapsamlı testler göstermektedir ki RsurVM, kullanılan moleküler veriden bağımsız olarak (mRNA,protein, miRNA, kopya sayısı farklılıkları ve metilasyon), net bir şekilde, Cox nisbi risk ve Rastgele Sağkalım Ormanı modellerini geri bırakarak en iyi sağkalım tahminlemesini yapmaktadır.
Özet (Çeviri)
Predicting the survival of a cancer patient is critical for choosing patient specific treatment strategies and is traditionally based on clinical or pathological factors such as patient age and tumor stage. In this thesis, we present two methodologies to build effective and interpretable survival models that utilize high-dimensional molecular profiles made available through next-gen sequencing technologies. Firstly, we present a method that focuses on partial ordering in the feature space. Existing models rely on the individual molecular quantities recorded in tumors; however, cancer is a complex disease where molecular mechanisms are dysregulated in various ways. This study, based on a system level perspective, incorporates the partial ordering of molecules (POF) in lieu of individual quantities. This strategy not only unveils predictive features with direct relevance to the biological mechanism and but also yields better performance in survival prediction compared to multivariate l1 penalized Cox proportional hazard and Random Survival Forest models. Testing the partial order representation of features in the subgroup identification task, we find that these features yield groups of patients, which are more quantifiably distinct in terms of survival distributions. Secondly, we develop a survival prediction method based on ranking and support vector machines – Ranking Survival Vector Machines (RsurVM). RsurVM obtains a pairwise ranking of the patient survival times by learning to rank. It focuses on optimizing the most commonly used metric concordance index and can handle the censored data without making any assumptions. Our extensive tests on the ovarian adenocarcinoma patient molecular data demonstrate that RsurVM achieves better survival predictions regardless of the input molecular data (mRNA, protein, miRNA, Copy number variation and DNA methylation) than the two most commonly used methods: Cox-proportional hazards model and Random Survival Forest.
Benzer Tezler
- Pattern recognition and link prediction in networks via machine learning algorithms: Tenant mix case
Ağdüzeneklerde makine öğrenmesi algoritmaları yoluyla örüntü tanılaması ve bağlantı tahminlemesi: Kiracı karması vakası
CANER ASBAŞ
- Microrna dependent control and regulation mechanisms of autophagy in health and disease
Hastalıkta ve saglıkta otofajinin mikrornalar ile kontrolü
AYŞE KUMSAL TEKİRDAĞ KOŞAR
Doktora
İngilizce
2015
BiyomühendislikSabancı ÜniversitesiBiyoloji Bilimleri ve Biyomühendislik Ana Bilim Dalı
DOÇ. DR. DEVRİM GÖZÜAÇIK
- Supraglottik larenks karsinomlarında tümör belirteçlerinin boyun metastazlarını tahmin etmedeki rolü
The predictive role of tumor markers in lymph node metastasis of supraglottic larynx carcinoma
ALİ BAYRAM
Tıpta Uzmanlık
Türkçe
2009
Kulak Burun ve BoğazErciyes ÜniversitesiKulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı
PROF. DR. ERCİHAN GÜNEY
- Açık kaynaklı klinik kanser verilerinin R-Shiny uygulaması ile yapay zeka tabanlı web arayüzü destek sisteminin geliştirilmesi
Development of artificial intelligence based web interface support system with R-Shiny application from open source clinical cancer data
HÜSEYİN KORAY MISIRLIOĞLU
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiOnkoloji Ana Bilim Dalı
DOÇ. DR. GİZEM ÇALIBAŞI KOÇAL
- T1-T2 dil karsinomlarında boyun metastazlarının ve nükslerin belirlenmesinde apopitoz inhibitör proteini survivin'in rolü
The role of an apopitosis inhibitor protein survivin in metastasis and recurrence of the T1-T2 tongue squamous cell carcinoma
MURAT DOĞAN
Tıpta Uzmanlık
Türkçe
2010
Kulak Burun ve BoğazErciyes ÜniversitesiKulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı
PROF. DR. ERCİHAN GÜNEY