FenixEdu™

Dissertação

{en_GB=Cloud-based web application for multivariate time series analysis: A language-agnostic integrative architecture for short- and long-running machine learning algorithms} {} EVALUATED

Detalhes: {pt=O crescimento de registos de séries temporais multivariadas em biomedicina tem impulsionado o desenvolvimento de algoritmos para a sua clara interpretação. As redes de Bayes dinâmicas estão entre os métodos mais populares para analisar este tipo de dados, por facilitarem a compreensão das suposições subjacentes.Contudo, o desenvolvimento e utilização de programas relacionados com estas metodologias não espelham o forte progresso teórico que se tem verificado nesta área. De facto, numa era em que inúmeros serviços estão já disponíveis na Internet, é natural que os investigadores e profissionais de saúde estejam relutantes quanto a executar estas aplicações computacionalmente dispendiosas na linha de comandos dos seus computadores. Nesta tese, desenvolveu-se uma aplicação web, disponível em https://vascocandeias.github.io/maestro, que preenche esta lacuna, graças à sua capacidade de executar estes algoritmos exigentes e incorporar qualquer tipo de software programável para análise de dados. A ferramenta proposta conta com uma arquitetura de microsserviços, implementada na nuvem, que comprovadamente lhe permite aumentar a capacidade de forma instantânea, reduzindo, assim, os tempos de execução. A sua escalabilidade é, também, garantida, não se tendo verificado qualquer degradação de desempenho quando a aplicação foi submetida a milhares de pedidos concorrentes. Além disso, a sua versatilidade é demonstrada através do estudo de dados reais. É, ainda, distribuído em https://github.com/vascocandeias/maestro-backend um servidor local idêntico que pode ser usado numa rede interna, para que os dados dos utilizadores nunca saiam de uma rede restrita. Estas ferramentas deverão permitir a fácil e rápida utilização dos mais recentes métodos para análise de dados longitudinais., en=The surge of multivariate time series records in biomedicine has driven researchers to develop algorithms towards their clear interpretation. Dynamic Bayesian networks are among the most popular methods, allowing to transparently impute, classify, and make predictions on medical records while enabling users to understand the underlying assumptions. Although significant theoretical progress has been made on these methodologies, the development of related programs and their adoption is still far from fully accomplished. Indeed, these packages remain as resource-intensive command-line applications that analysts are reluctant to use. The lack of a public web application that integrates these methods is crucial in an era where every service is quickly moving to the Internet. In this thesis, this missing website is conceptualised and implemented as a cloud-based application that comfortably scales with the number of requests and can be easily extended with any scriptable software for data analysis. MAESTRO (dynaMic bAyESian neTwoRks Online), available at https://vascocandeias.github.io/maestro, relies on a microservice architecture deployed on Amazon Web Services and can handle the most demanding tasks, with the flexibility to readily increase processing power and reduce execution times. This application's scalability is proven by making thousands of simultaneous calls, which does not cause any performance degradation. Its versatility is further conveyed through a case study with real data. Additionally, a local server to be used in an intranet, preventing data from leaving a managed network, is proposed and distributed at https://github.com/vascocandeias/maestro-backend. These tools should allow clinicians and investigators to effortlessly use state-of-the-art tools for longitudinal data analysis. }
Keywords: {pt=aplicação web, arquitetura na nuvem, MAESTRO, redes de Bayes dinâmicas, séries temporais multivariadas, en=cloud architecture, dynamic Bayesian networks, MAESTRO, multivariate time series, web application}

Discussão: janeiro 27, 2021, 12:0