Application D Algorithmes De Machine Learning Pour L Exploitation De Donnees Omiques En Oncologie
Download Application D Algorithmes De Machine Learning Pour L Exploitation De Donnees Omiques En Oncologie PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Application D Algorithmes De Machine Learning Pour L Exploitation De Donnees Omiques En Oncologie book now. This website allows unlimited access to, at the time of writing, more than 1.5 million titles, including hundreds of thousands of titles in various foreign languages.
Application d'algorithmes de machine learning pour l'exploitation de données omiques en oncologie
Le développement de l'informatique en médecine et en biologie a permis de générer un grand volume de données. La complexité et la quantité d'informations à intégrer lors d'une prise de décision médicale ont largement dépassé les capacités humaines. Ces informations comprennent des variables démographiques, cliniques ou radiologiques mais également des variables biologiques et en particulier omiques (génomique, protéomique, transcriptomique et métabolomique) caractérisées par un grand nombre de variables mesurées relativement au faible nombre de patients. Leur analyse représente un véritable défi dans la mesure où elles sont fréquemment « bruitées » et associées à des situations de multi-colinéarité. De nos jours, la puissance de calcul permet d'identifier des modèles cliniquement pertinents parmi cet ensemble de données en utilisant des algorithmes d'apprentissage automatique. A travers cette thèse, notre objectif est d'appliquer des méthodes d'apprentissage supervisé et non supervisé, à des données biologiques de grande dimension, dans le but de participer à l'optimisation de la classification et de la prise en charge thérapeutique des patients atteints de cancers. La première partie de ce travail consiste à appliquer une méthode d'apprentissage supervisé à des données d'immunogénétique germinale pour prédire l'efficacité thérapeutique et la toxicité d'un traitement par inhibiteur de point de contrôle immunitaire. La deuxième partie compare différentes méthodes d'apprentissage non supervisé permettant d'évaluer l'apport de la métabolomique dans le diagnostic et la prise en charge des cancers du sein en situation adjuvante. Enfin la troisième partie de ce travail a pour but d'exposer l'apport que peuvent présenter les essais thérapeutiques simulés en recherche biomédicale. L'application des méthodes d'apprentissage automatique en oncologie offre de nouvelles perspectives aux cliniciens leur permettant ainsi de poser des diagnostics plus rapidement et plus précisément, ou encore d'optimiser la prise en charge thérapeutique en termes d'efficacité et de toxicité.
Algorithmes biostatistiques pour les données omiques en oncologie
Le cancer est une cause principale de décès et d'importants eorts doivent être réalisés pour vaincre la maladie. La technologie des microarrays est un puissant outil de recherche en oncologie pour comprendre les mécanismes de la progression tumorale qui est due à une perturbation de la régulation des gènes. Par conséquent, l'étude de leur niveau d'expression dans les tumeurs offre une perspective pour comprendre les mécanismes biologiques de la maladie et identier de nouveaux facteurs pronostiques et prédictifs qui aideront le clinicien à choisir la thérapie de chaque patients. Par ailleurs, les tumeurs présentent un changement du nombre de copies d'ADN dont la quantication est aussi possible par microarray. L'utilisation des données de microarray nécessite un traitement statistique approprié permettant de transformer les données brutes en données interprétables biologiquement et cliniquement. Ainsi, nous avons développé des méthodes statistiques qui visent à normaliser et extraire l'information biologique issue des microarrays dédiés à l'étude du nombre de copies d'ADN des tumeurs. Nos méthodes ont permis la caractérisation des tumeurs de haut-risque métastatique dans le mélanome uvéal. Par ailleurs, un des enjeux de l'analyse biostatistique des données de microarrays consiste en l'analyse intégrée de différents types de prols moléculaires. Ainsi, une méthode statistique qui combine les données d'expression de gènes et du nombre de copie d'ADN obtenues par microarrays a été développée dans un contexte de classication supervisée. Les propriétés statistiques de la méthode ont été étudiées et ses performances estimées sur des données simulées et réelles.
Cancer Prediction for Industrial IoT 4.0
Cancer Prediction for Industrial IoT 4.0: A Machine Learning Perspective explores various cancers using Artificial Intelligence techniques. It presents the rapid advancement in the existing prediction models by applying Machine Learning techniques. Several applications of Machine Learning in different cancer prediction and treatment options are discussed, including specific ideas, tools and practices most applicable to product/service development and innovation opportunities. The wide variety of topics covered offers readers multiple perspectives on various disciplines. Features • Covers the fundamentals, history, reality and challenges of cancer • Presents concepts and analysis of different cancers in humans • Discusses Machine Learning-based deep learning and data mining concepts in the prediction of cancer • Offers real-world examples of cancer prediction • Reviews strategies and tools used in cancer prediction • Explores the future prospects in cancer prediction and treatment Readers will learn the fundamental concepts and analysis of cancer prediction and treatment, including how to apply emerging technologies such as Machine Learning into practice to tackle challenges in domains/fields of cancer with real-world scenarios. Hands-on chapters contributed by academicians and other professionals from reputed organizations provide and describe frameworks, applications, best practices and case studies on emerging cancer treatment and predictions. This book will be a vital resource to graduate students, data scientists, Machine Learning researchers, medical professionals and analytics managers.