9 Biomarker: Difference between revisions
No edit summary |
No edit summary |
||
Line 14: | Line 14: | ||
<math> logit_{(P)} = log \frac{P}{1-P} </math><br> | <math> logit_{(P)} = log \frac{P}{1-P} </math><br> | ||
* Damit wird die Wahrscheinlichkeit, dass jemand z.B. Krebs bekommt durch Gegenwahrscheinlichkeit bestimmt. | * Damit wird die Wahrscheinlichkeit, dass jemand z.B. Krebs bekommt durch Gegenwahrscheinlichkeit bestimmt. <br> | ||
==Biomarkersignatur== | ==Biomarkersignatur== | ||
Erweiterung für mehrere Gene | Erweiterung für mehrere Gene: | ||
<math> P(x) = \frac{1}{e^{-((\beta)_1 \cdot x_1) + ((\beta)_2 \cdot x_1) + .... + (\beta)_n \cdot x_n) + \beta_0)}}</math> <br> | <math> P(x) = \frac{1}{e^{-((\beta)_1 \cdot x_1) + ((\beta)_2 \cdot x_1) + .... + (\beta)_n \cdot x_n) + \beta_0)}}</math> <br> | ||
Line 31: | Line 31: | ||
→ ''Overfitting'': Zu genaue Beschreibung des Modells.<br><br> | → ''Overfitting'': Zu genaue Beschreibung des Modells.<br><br> | ||
'''Frage:''' Wie gut ist die Qualität des Modells? <br> | '''Frage:''' Wie gut ist die Qualität des Modells? <br> | ||
==Receiver Operation Characteristic (ROC)== | ==Receiver Operation Characteristic (ROC)== | ||
Wird genutzt um zu prüfen, ob das Modell gut ist. <br> | Wird genutzt um zu prüfen, ob das Modell gut ist. <br> | ||
→ Wie viele falsch positive, falsch negative, aber auch richtig positive und richtig negative Aussagen trifft das Modell? <br> | → Wie viele falsch positive, falsch negative, aber auch richtig positive und richtig negative Aussagen trifft das Modell? <br> |
Revision as of 00:48, 2 July 2019
Biomarker
Medizinische Biomarker
- Ein Biomarker ist ein messbarer Parameter biologischer Prozesse, der prognostische, oder diagnostische Aussagekraft hat und somit ein Indikator für Krankheiten, oder Umwelteinflüsse ist.
- Charakteristische biologische Merkmale, die objektiv gemessen werden können und auf einen normalen biologischen, oder krankhaften Prozess im Körper hinweisen können.
- Es können Zellen, Gene, Genprodukte, Enzyme, oder Hormone sein.
Wie in der Abbildung oben dargestellt, kann über Einzelwerte keine Aussage getroffen werden, ob der Patient krank oder gesund ist.
→ deswegen bedarf es mehrerer Biomarker
Frage:
Wie kann für einen TPM-Wert vorhergesagt werden, ob es sich um 'Krebs' oder 'gesund' handelt?
Logistische Funktion
[math]\displaystyle{ y = \beta_1 \cdot TPM_{HIF1\alpha} + \beta_0 }[/math]
[math]\displaystyle{ logit_{(P)} = log \frac{P}{1-P} }[/math]
- Damit wird die Wahrscheinlichkeit, dass jemand z.B. Krebs bekommt durch Gegenwahrscheinlichkeit bestimmt.
Biomarkersignatur
Erweiterung für mehrere Gene:
[math]\displaystyle{ P(x) = \frac{1}{e^{-((\beta)_1 \cdot x_1) + ((\beta)_2 \cdot x_1) + .... + (\beta)_n \cdot x_n) + \beta_0)}} }[/math]
Mashine learning
- Ein Modell muss zunächst von einem System erlent werden, dann kann das System eine Aussage treffen, ob z.B. 'krank' oder 'gesund'.
- Parameter [math]\displaystyle{ \beta_1 }[/math] und [math]\displaystyle{ \beta_0 }[/math] können nicht berechnet werden. → Müssen mit Hilfe eines Algorithmus geschätzt werden.
Maximum-Likelihood:
- Schätzung zur Parameterbestimmung.
- Training: Lerndaten sind bekannte Werte zur Aussage 'krank' oder 'gesund'
→ Algorithmus bestimmt einen genauen Wert für [math]\displaystyle{ \beta_1 }[/math], um krank (1) und gesund (0) zu bestimmen.
→ Danach kann mit dem Modell bestimmt werden, ob es gut oder schlecht ist.
- Problem: System versucht einen optimalen Wert zu finden
→ Overfitting: Zu genaue Beschreibung des Modells.
Frage: Wie gut ist die Qualität des Modells?
Receiver Operation Characteristic (ROC)
Wird genutzt um zu prüfen, ob das Modell gut ist.
→ Wie viele falsch positive, falsch negative, aber auch richtig positive und richtig negative Aussagen trifft das Modell?
Mensch | ||||
Krebs | Gesund | |||
Modellvorhersage | Krebs | TP | FP | |
Gesund | FN | TN |
Beispiel 'Krebs' = positiv, 'geund' = negativ
- TP: True Positive (richtig positiv) → Modell sagt 'Krebs' richtig voraus.
- TN: True Negative (richtig negativ) → Modell sagt 'gesund' richtig voraus.
- FP: False Positive (falsch positiv) → Modell sagt der Patient hat Krebs, obwohl er gesund ist.
- FN: False Negative (falsch negativ) → Modell sagt 'gesund', obwohl der Patient Krebs hat.