Servizio Comunitario di Informazione in materia di Ricerca e Sviluppo - CORDIS

FP7

PRinHDD Risultato in breve

Project ID: 329370
Finanziato nell'ambito di: FP7-PEOPLE
Paese: Turchia

Un’aggregazione affidabile per l’analisi di dati biomedici

Oggi sono disponibili massicce quantità di dati, che non equivalgono però a informazioni utili. Mediante strumenti d’avanguardia per l’identificazione di modelli, alcuni scienziati finanziati dall’UE sono riusciti a ottenere informazioni significative contenute in dati di immagini riguardanti malattie forse contagiose e il cervello.
Un’aggregazione affidabile per l’analisi di dati biomedici
I dati generati dalla ricerca biomedica si presentano vasti in termini di volume, diversificati in termini di contenuto e non disponibili in formati uniformi. Un approccio razionale alla riorganizzazione di sottoserie di tali dati in gruppi (in modo che i dati appartenenti allo stesso gruppo condividano caratteristiche comuni) rappresenta un elemento essenziale per riuscire a estrapolare conoscenze.

L’aggregazione rappresenta solo il punto di partenza nel caso di dati alto-dimensionali, dove ciascuna dimensione rappresenta un attributo distinto (variabile). Le tecniche di riconoscimento del modello, che funzionano egregiamente su dimensioni inferiori, spesso si rivelano inadeguate quando aumenta la dimensionalità dei dati analizzati.

Alcuni scienziati finanziati dall’UE hanno affrontato le problematiche inerenti ai dati alto-dimensionali, occupandosi in particolare di strutture basso-dimensionali in grado di approssimare i dati forniti. Nel contesto del progetto PRINHDD (Pattern recognition in high dimensional data), hanno sviluppato nuovi metodi di analisi dei dati, ad esempio in relazione alla diversità di specie e agli studi di malattie.

Per trarre conclusioni su modelli spaziali, sono stati proposti i metodi del vicino più prossimo. Due modelli spaziali studiati spesso tra specie diverse e loro caratteristiche (sesso, stato di sussistenza, ecc.) sono la segregazione e l’associazione. I ricercatori hanno anche testato modelli di riflessività e corrispondenza incrociata tra specie.

Due indici di segregazione basati sulla distanza sono serviti per valutare i risultati dell’aggregazione di malattie tra soggetti ottenuti da una popolazione omogeneo e non omogenea. I ricercatori hanno indagato sulla sensibilità delle dimensioni di tali test al modello di fondo sottostante, al livello di aggregazione e al numero di cluster.

Inoltre, un nuovo metodo si prospetta in grado di trarre maggiore utilità da informazioni morfometriche contenute nei dati di mappatura della distanza corticale marcata. Il raggruppamento e il troncamento della distanza dei voxel di materia grigia dalla superficie della corteccia cerebrale possono rivelare differenze nel planum temporale tra pazienti affetti da schizofrenia e disturbo bipolare.

La ricerca PRINHDD è stata illustrata in 11 documenti pubblicati in prestigiosi giornali a valutazione paritaria. Durante alcune conferenze internazionali, il team del progetto ha avuto l’occasione di comunicare i risultati a scienziati che lavorano sul campo dell’analisi dei dati alto-dimensionali e del riconoscimento del modello.

La prosecuzione del lavoro del progetto PRINHDD sulla classificazione e l’aggregazione, attraverso nuove collaborazioni, dovrebbe determinare un’estensione sia in termini di metodi statistici che di applicazioni.

Informazioni correlate

Argomenti

Life Sciences

Keywords

Aggregazione, biomedico, analisi dei dati, dati alto-dimensionali, riconoscimento del modello, PRINHDD
Numero di registrazione: 182954 / Ultimo aggiornamento: 2016-07-05
Dominio: Biologia, Medicina