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:


  1. Przegląd literatury.


  2. Projekt algorytmu.


  3. Przygotowanie danych oraz metod oceny jakości działania klasyfikatora.


  4. Testy różnych wariantów algorytmu.


  5. 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

Prezentacja / Dokumentacja

Semestr 1
Semestr 2