predicTTE:在神经疾病中进行时间到事件预测的可访问和最佳工具

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 机器学习在医学中的应用

背景情况:

• 时间到事件的预测对于生物发现,实验医学和临床护理至关重要,特别是在神经疾病中.
• 传统的考克斯回归模型由于错误的假设而存在局限性,阻碍了可靠的生物标志物开发.
• 在神经疾病中可视化和采样病理生物学方面的挑战需要先进的预测建模.

研究的目的:

• 实施深度学习和分线模型,以进行先进的时间到事件分析.
• 为任何疾病领域的非专家用户创建一个用户友好的应用程序和在线门户.
• 为了在安全的环境中促进数据贡献,以持续改进模型.

主要方法:

• 开发一个可定制的应用程序和在线门户网站,用于时间到事件建模.
• 实施深度学习和基于spline的模型.
• 管道的演示,包括数据归算,超参数调整,模型培训和验证.
• 利用集体配置来优化预测性能.

主要成果:

• 成功实施深度学习和分线模型用于时间到事件预测.
• 证明了数据归算,模型培训和验证的管道.
• 展示了下游应用的最佳预测,如遗传发现和个性化药物选择.
• 验证了整体模型的效率和专注的深度学习培训.

结论:

• 为开发,访问和共享时间到事件预测模型提供了一个强大而易于使用的工具.
• 开发的平台支持各种各样的最终用户,包括患者,临床医生和研究人员.
• 该工具增强了生物发现,生物标志物解释和医学的个性化治疗策略.