Ontwikkeling van stabiele kenmerkselectietechnieken voor kankeronderzoek

Probleemstelling

In vele biomedische problemen worden onderzoekers geconfronteerd met een zeer groot aantal kenmerken of karakteristieken die van belang kunnen zijn bij het maken van een onderscheid tussen verschillende types patienten. In de meeste gevallen draagt het merendeel van deze kenmerken niets bij tot het maken van dit onderscheid, en worden kenmerkselectietechnieken gebruikt om te weten welke de meest discriminatieve kenmerken zijn die het verschil tussen de verschillende types bepalen.

Automatische leeralgoritmen (machine-leren technieken) gebruiken dan deze kernmerkselectietechnieken om een model op te stellen dat achteraf kan gebruikt worden om op automatische wijze een diagnose te bepalen, en zo de arts te assisteren.

Doelstelling

In dit onderzoek willen we nagaan hoe stabiel de verschillende kenmerkselectietechnieken zijn, en welke impact dit heeft op de kennis die kan afgeleid worden uit het model. Stabiele kenmerkselectietechnieken worden gedefinieerd als technieken die weinig variatie in hun output hebben wanneer slechts kleine veranderingen aan de dataset gebeuren.

Stabiele technieken leiden tot robuustere verzamelingen van relevante kenmerken, en verhogen de kans dat biologisch relevante karakteristieken aan het licht gebracht worden.

Naast een onderzoek naar de verschillende stabiliteitsmaten voor kenmerkselectietechnieken zal de student ook de kans krijgen verschillende technieken te onderzoeken die de stabiliteit van kenmerkselectietechnieken trachten te verhogen, en dient er nagegaan te worden welk effect dit heeft op de classificatieperformantie van het model.

Contactpersonen

• Promotor: Yvan Saeys
• Begeleider: Thomas Abeel