30@KSMM'2021 AI TECH Zastosowanie algorytmów uczenia maszynowego do wykrywania raka w płynnej biopsji
typ projektu: aplikacyjny
edycja: 2021
liczba studentów w projekcie 3 - 5
kierownik: Franciszek Górski
Płynnych biopsji używa się do diagnostyki nowotworów w oparciu o próbkę płynu, np. krwi. Pokazano, że płytki krwi potrafią przejmować transkrypty z guza, co można wykorzystać do próby klasyfikacji próbki jako chorej na nowotwór lub zdrowej w oparciu o analizę profilu ekspresji płytek [1]. Celem pracy jest wykorzystanie algorytmów opartych o sieci neuronowe do klasyfikacji danych z płynnej biopsji. Wstępne prace na danych pokazały, że podejście oparte o sieci CNN daje obiecujące wyniki (podobnie jak algorytm DeepVariant [2]).
Opracowany algorytm w postaci kodu źródłowego może zostać wykorzystany przez zespół Centrum Analiz Biostatystycznych i Bioinformatycznych GUMED https://uczelnia-badawcza.gumed.edu.pl/62086.html#zespol.
Mile widziane: zainteresowanie uczestników projektów tematami bioinformatycznymi, w tym sekwencjonowaniem DNA. Preferowana niewielka grupa: 2-3 ambitnych studentów.
Zadania do wykonania:
Przegląd literatury.
Projekt algorytmu.
Przygotowanie danych oraz metod oceny jakości działania klasyfikatora.
Testy różnych wariantów algorytmu.
Raport.
Temat dostępny wyłącznie dla studentów specjalności "uczenie maszynowe" lub "sztuczna inteligencja", dla 3 do 5 osób.
Opiekun tematu oferuje szeroki zakres wsparcia i opieki nad realizacją tematu: dodatkowe materiały naukowe (artykuły, monografie, dane, linki do źródeł literatury) związane z realizacją projektu, materiały dydaktyczne (kody źródłowe oprogramowania do analizy, podręczniki, zadania/ćwiczenia do wykonania, linki do źródeł literatury, itp.) konsultacje w zakresie: tematyki projektu, zestawów danych związanych z projektem (pozyskiwanie, przetwarzanie wstępne, składowanie, formaty, itp.), algorytmów i kodów źródłowych oprogramowania, miar i metod walidacji realizowanych metod i modeli, doradztwo w przygotowaniu dokumentacji projektu i publikacji związanej z projektem, spotkania z uczestnikami co najmniej 4 razy w semestrze.
[1] Best, Myron G., et al. "Swarm intelligence-enhanced detection of non-small-cell lung cancer using tumor-educated platelets." Cancer cell 32.2 (2017): 238-252.
[2] Poplin, Ryan, et al. "A universal SNP and small-indel variant caller using deep neural networks." Nature biotechnology 36.10 (2018): 983-987.Członkowie zespołu
| Piotr Juszczyk |
|
| Sebastian Lewalski |
|
| Franciszek Górski |
|