McGill探究項(xiàng)目

使用機(jī)器學(xué)習(xí)方法提高癲癇疾病診斷率

課題簡(jiǎn)介

生物信息學(xué)

Bioinformatics

是一門交叉學(xué)科，主要利用數(shù)學(xué)、信息學(xué)、統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)的方法研究生物學(xué)的問題。生物信息學(xué)用計(jì)算機(jī)作為主要的研究工具，研究對(duì)象是各式各樣的生物學(xué)數(shù)據(jù)——比如腦電信號(hào)、基因組、蛋白質(zhì)結(jié)構(gòu)等。研究方法包括對(duì)生物學(xué)數(shù)據(jù)的搜索（收集和篩選）、處理（編輯、整理、管理和顯示）以及利用（計(jì)算、模擬）等。

在生物醫(yī)學(xué)領(lǐng)域中，癲癇是比較常見的一種神經(jīng)系統(tǒng)疾病。世界人口中約有1%患有癲癇疾病，受害人群范圍廣，不僅中老年人，還有相當(dāng)一部分青少年也經(jīng)受著癲癇的折磨 。目前對(duì)癲癇疾病的診斷主要依靠臨床醫(yī)生對(duì)病人常規(guī)腦電圖的觀察，但醫(yī)生檢查腦電圖工作量太大，時(shí)間較長(zhǎng)，容易出現(xiàn)錯(cuò)誤，不利于對(duì)癲癇的診斷 。因此需要研究一種提取腦電信號(hào)特征的方法來減輕醫(yī)生工作量，提高癲癇疾病診斷的準(zhǔn)確率。因此實(shí)現(xiàn)腦電信號(hào)特征的準(zhǔn)確提取，有利于及早識(shí)別癲癇疾病,對(duì)預(yù)防和治療癲癇疾病具有極為重要的意義。

科研方法

AI＋X數(shù)據(jù)驅(qū)動(dòng)型科研

使用人工智能（AI）算法，收集、處理、分析具體學(xué)科（X）的海量數(shù)據(jù)，并基于此進(jìn)行預(yù)測(cè)，從而獲得科學(xué)發(fā)現(xiàn)的研究方法。與傳統(tǒng)的、基于實(shí)驗(yàn)或邏輯推理的研究方式相比，AI＋X數(shù)據(jù)驅(qū)動(dòng)型科研可以借助AI算法強(qiáng)大的運(yùn)算能力，高效地進(jìn)行大數(shù)據(jù)分析，具有投入產(chǎn)出比高、適用范圍廣的優(yōu)點(diǎn)。

AI＋X數(shù)據(jù)驅(qū)動(dòng)型科研已被廣泛地應(yīng)用于各個(gè)領(lǐng)域，利用AI算法研究基因數(shù)據(jù)，從而進(jìn)行早期的癌癥篩查便是其中一例?；蚪M與癌癥病患的數(shù)據(jù)千千萬萬，使用傳統(tǒng)的科研方式對(duì)其進(jìn)行分析，工程量大、過程繁瑣，在客觀上難以實(shí)現(xiàn)。

但借助AI算法這一便捷的工具，生命科學(xué)家便能夠以海量的患者的遺傳信息為基礎(chǔ)，建立數(shù)據(jù)庫(kù)，與過往的研究成果進(jìn)行對(duì)照，快速、準(zhǔn)確地在兩者中發(fā)現(xiàn)規(guī)律、建立聯(lián)系，從而使癌癥診斷的“標(biāo)準(zhǔn)化”成為可能。

---

課題要求

本課題適合： 9-12 年級(jí)學(xué)生，有較強(qiáng)的邏輯思維和抽象思維能力：

英文：
1、具備基本的學(xué)術(shù)英語閱讀能力；
2、接觸過英文寫作，有論文寫作經(jīng)驗(yàn)者更佳；

 

數(shù)學(xué)：
1、概率統(tǒng)計(jì)基礎(chǔ)知識(shí)；
2、線性回歸；
3、微積分基礎(chǔ)；
4、線性代數(shù)；

 

計(jì)算機(jī)：
1、Python編程基礎(chǔ)；
2、Numpy庫(kù)基礎(chǔ)；
3、Scikit-learn

以上就是關(guān)于【McGill探究項(xiàng)目：使用機(jī)器學(xué)習(xí)方法提高癲癇疾病診斷率】的解答，如需了解學(xué)校/賽事/課程動(dòng)態(tài)，可至翰林教育官網(wǎng)獲取更多信息。

往期文章閱讀推薦：

貝賽思進(jìn)度太快怕掉隊(duì)？翰林校內(nèi)同步班課重磅推出，長(zhǎng)期小班穩(wěn)節(jié)奏

從羅馬帝國(guó)到新冠先驅(qū)：TCR 歷史期刊收錄主題揭秘，為什么這項(xiàng)投稿值得深耕？