{en_GB= Learning with Block-wise Missing Data to Diagnose Psychiatric Disorders} {} EVALUATED

Detalhes: {pt=A tese proposta tem como objectivo avaliar se um tratamento adequado da ocorrencia de missings em bloco leva a uma melhor descrição e classificacão de doenças do foro psiquiátrico. Ao comprovar-se esta hipotese, é possível contribuir para uma melhor delineação das fronteiras tanto entre doenças afectivas e psicoticas, como dentro das psicoses (entre esquizófrenia simples e indeferenciada) ou disturbios afectivos (entre transtorno esquizoafectivo e bipolaridade). Para este fim, a iniciativa SchizConnect reúne estudos de coorte, caracterizados por heterogeneidade e níveis elevados de esparsidade de dados. Apesar da relevância desta iniciativa, os dados que dela advêm são esparsos, heterogéneos e de grande dimensão, representando assim desafios que o trabalho relacionado no domínio não ajuda a resolver. De forma complementar às contribuições aplicacionais – detecção de avaliações cognitivas que melhor discriminam o diagnóstico de um distúrbio específico – este trabalho também propõe uma nova metodologia baseada em encontrar e pesar relevantes subespaços de dados para lidar eficazmentecom a ocorrência de missings em bloco. A abordagem proposta baseada em partições permite a sua aplicação com quaisquer classificadores clássicos. Os resultados obtidos confirmam a sua superioridade quando comparado a imputações com média, mediana e nearest neighbours., en=The proposed thesis aims to assess whether the effective handling of block-wise missing data leads to an improved description and classification of psychiatric disorders. Answering this hypothesis can further support the delineation of the borders between psychotic and affective disorders, as well as within psychotic disorders (such as strict versus broad schizophrenia) and affective disorders (such as schizoaffective versus bipolar disorders). To this end, the SchizConnect initiative consolidates different cohort studies, being associated with heterogeneous and highly sparse data. Despite the relevance of this initiative, the data sparsity, heterogeneity, and high-dimensionality brings challenges not settled by the related work on the domain. Along with the applicational matter of highlighting the most discriminative features for the diagnosis of specific classes of disorders, this work also proposes an approach based on finding and weighting subspaces of data for effective handling, when compared to value estimation, of heterogeneous data with block-wise missings. The proposed partition-wise approach is an embedding that can be applied with classic classifiers. The gathered results confirm its relevance compared to mean, median and nearest neighbors imputation.}

Discussão: Novembro 19, 2019, 9:0

Orientação

AUTOR

Pedro Manuel Sampaio Lindeza (ist180831)

ORIENTADOR

Rui Miguel Carrasqueiro Henriques

Departamento de Engenharia Informática (DEI)

Professor Auxiliar