潘建昌

在成功大學醫學院大擔任生醫數據工程師,藉由機器學習及生物資訊等方法

研究及分析生醫大數據

地址: 701 台南市東區東興路169巷25-2號

手機號碼: 0903215976

E-mail: [email protected]


學歷

2015/07 - 2017/07  成功大學資訊工程研究所

2011/07 - 2015/07  元智大學資訊工程學系

工作經歷

九月 2017 - 2月2021

生醫數據分析工程師  成功大學

我之前的工作主要是分析成功大學醫院之生醫大數據,利用數據處理、生物資訊、特徵選取、機械學習以及深度學習等方法以及與醫生之溝通(結合domain knowledge),找出特定癌症預後相關之生物標記或是建立預測模型。

主要負責:
1.數據清洗:藉由特徵選取或生物資訊等方法找出人類基因資料中有意義之特徵
2.數據分類:使用機器學習技術(pca,tsne,HAC)為數據做分群或降維
3.分析數據:使用機器學習(scikit-learn)或是深度學習(keras)建立預測模型
4.數據可視化:使用R或Python視覺化分析(ggplot2)之結果

重要專案:
1.大腸癌症復發預測平台
2. 病理切片子組織偵測模型
3. WES分析平台

專案 1


大腸直腸癌基因體復發模型預測平台

首先利用生物資訊之工具,為每個病人產生出生物特徵,之後藉由機器學習統計等方法(lasso,random forest...)做特徵選取,且使用不同演算法建立且評估模型(LR, SVM, RF, C5.0,K-fold),並將之做成簡單之網頁(R-shiny)提供使用者上傳資料且視覺化

發表於frontiers in Oncology(IF=4.878) https://doi.org/10.3389/fonc.2020.588557

工具: R 、caret、R-shiny


專案 2

病理切片子組織偵測模型

藉由深度學習套件(keras) 做轉移學習(Transfer learning)針對病理切片做子組織之多分類(softmax) 預測,並分析其預測效果(AUC),此模型可輔助病理科醫生分析或找出較小之腫瘤或淋巴組織

AUROC 可達0.99

工具: Python 、Transfer learning、Keras

專案 3

WES分析平台 

與團隊合作建立WES 癌症或罕病之分析流程,此網站可快速提供可能之結果,此外我們使用最佳化之方法(GA)找出那些預測模型有比較好的預測效果(有無致病性),最終得到一組最佳化之組合,用來預測未知之突變位點。 

工具: Python 、GA

技能

Scripting language : Python ,R and C++

IDE  : Jupyter Notebook and  R Studio

Machine learning  :  Keras, Caret, Weka and Scikit-learn

Bioinformatics : Nvidia parabricks, FastQC....

Powered by CakeResumePowered by CakeResume