9 Biomarker: Difference between revisions
(Created page with "= Biomarker = '''Medizinische Biomarker'''<br> * Ein Biomarker ist ein messbarer Parameter biologischer Prozesse, der prognostische, oder diagnostische Aussagekraft hat und so...") |
No edit summary |
||
Line 15: | Line 15: | ||
<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. | ||
==Biomarkersignatur== | |||
Erweiterung für mehrere Gene. <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> | |||
'''Mashine learning''' <br> | |||
* Ein Modell muss zunächst von einem System erlent werden, dann kann das System eine Aussage treffen, ob z.B. 'krank' oder 'gesund'. <br> | |||
* Parameter <math> \beta_1 </math> und <math> \beta_0 </math> können nicht berechnet werden. → Müssen mit Hilfe eines Algorithmus geschätzt werden. <br> <br> | |||
'''Maximum-Likelihood:''' <br> | |||
* Schätzung zur Parameterbestimmung. <br> | |||
* ''Training'': Lerndaten sind bekannte Werte zur Aussage 'krank' oder 'gesund' <br> | |||
→ Algorithmus bestimmt einen genauen Wert für <math> \beta_1</math>, um krank (1) und gesund (0) zu bestimmen. <br> | |||
→ Danach kann mit dem Modell bestimmt werden, ob es gut oder schlecht ist. <br> | |||
*'''Problem''': System versucht einen optimalen Wert zu finden <br> | |||
→ ''Overfitting'': Zu genaue Beschreibung des Modells.<br><br> | |||
'''Frage:''' Wie gut ist die Qualität des Modells? <br> | |||
==Receiver Operation Characteristic (ROC)== <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> | |||
{| class="wikitable float-left" style="text-align:center" | |||
| || ||colspan="3" style="text-align:center"| Mensch | |||
|- | |||
| || || '''Krebs''' || '''Gesund''' | |||
|- | |||
|rowspan="2"| Modellvorhersage | |||
| '''Krebs''' ||style="background:#B9FFC5 " | TP || style="background:#FFCBCB| FP | |||
|- | |||
| '''Gesund''' ||style="background:#FFCBCB| FN || style="background:#B9FFC5 " | TN | |||
|- | |||
|} | |||
Beispiel 'Krebs' = positiv, 'geund' = negativ | |||
* <span style="background:#B9FFC5"> TP</span>: True Positive (richtig positiv) → Modell sagt 'Krebs' richtig voraus. <br> | |||
*<span style="background:#B9FFC5"> TN</span>: True Negative (richtig negativ) → Modell sagt 'gesund' richtig voraus. <br> | |||
*<span style="background:#FFCBCB"> FP</span>: False Positive (falsch positiv) → Modell sagt der Patient hat Krebs, obwohl er gesund ist. <br> | |||
*<span style="background:#FFCBCB"> FN</span>: False Negative (falsch negativ) → Modell sagt 'gesund', obwohl der Patient Krebs hat. <br> |
Revision as of 00:46, 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.