Laskennallisen datatieteen-tutkimusryhmä: Yhdistää edistyneitä laskennallisia tekniikoita datatieteeseen, erikoistuen monimutkaisten datojen muuntamisessa käytännölliseksi tiedoksi monilla aloilla, kuten spektrikuvantamisessa ja terveystieteessä.
Lue tutkimusryhmästä lisää englanninkielisillä sivuilla!
Ole näiden aiheiden osalta yhteydessä, joko Samiin tai Ilkkaan. Näistä aiheista ja aineistoista gradut tehdään yhteistyössä Keski-Suomen Biopankin ja Keski-Suomen hyvinvointialueen kautta.
1. Circulating microRNAs and metabolites as Predictive Cancer Risk Biomarkers: use of Synthetic data.
Compare different methods, and validation synthetic data. This thesis will investigate the role of circulating microRNAs (miRNAs) and metabolites as potential predictive multiomics biomarkers for cancer risk, specifically focusing on using synthetic data to address the challenges associated with small data sets. These challenges include limitations in statistical power and representativeness. N. 116 data points, where 17 “future cancer” cases and 99 “healthy” cases.
2. Digipathology: Grading AXL Tyrosine Kinase Staining Intensity in Breast Cancer:
A Comparative Study of HER2+ and HER2- Samples
This thesis will analyze AXL tyrosine kinase expression in breast cancer tissue samples, specifically comparing HER2-positive (HER2+) and HER2-negative (HER2-) samples. The study will involve a thorough examination of 279 samples, differentiating the staining intensity in 4 distinct areas: 1) tumor cells, 2) stroma, 3) endothelial cells, and 4)the invasive front. The objective is to determine the differences in AXL expression across these regions and its potential prognostic implications for breast cancer subtypes. This research will provide valuable insights into the role of AXL in cancer biology and its relevance as a therapeutic target.
3) Keuhkosyövän digitaalinen sytokeratiini skannatuille kudosleikkeille:
Tavoitteena olisi kouluttaa syväoppiva malli, joka tunnistaa epiteelisolut kaikkien solupopulaatioiden joukosta. Datassa on kolmesta eri värjäysmenetelmästä input-kuvia ja näille ground-truth maskit. Tavoitteena saada näytteiden tekniselle varianssille (esim. värjäys erot) mahdollisimman robusti malli. Työssä hyödynnetään syväoppimista ja augmentaatiota
Toteutus: pytorch
Ei tuloksia.
