Prototype based machine learning for clinical proteomics

Abstract

Die klinische Proteomik befasst sich mit der Untersuchung von Krankheitsbildern auf Basis von Proteinanalysen. Die dabei am häufigsten verwendete Messmethode ist die Massenspektrometrie. Dabei entstehen hochdimensionale Spektren, die eine problemangepasste Vorverarbeitung sowie Algorithmik für die Erzeugung von statistischen Modellen erfordern. Im Bereich klinischer Fragestellungen sollten die dabei eingesetzten Werkzeuge leicht interpretierbar sein, um ein tieferes Verständnis der klinischen Daten oder Anwendungen, wie zum Beispiel der Suche nach Krankheitsmarkern, zu gestatten. Prototypen basierte Algorithmen erweisen sich dabei als besonders günstig. In diesem Beitrag werden wesentliche Erweiterungen von prototypen basierten Verfahren skizziert, die den besonderen Herausforderungen der klinischen Proteomik Rechnung tragen. Die Verfahren werden um Metrikadaptation zur besseren Approximation der Klassengrenzen, Fuzzy-Klassifikation zur Modellierung unscharfer Klassen, sowie Konzepte des aktiven Lernens zur trennbreiten basierten Optimierung der Modelle erweitert und auf klinischen Datensätzen getestet.