2023-08-012024-05-13https://scholars.lib.ntu.edu.tw/handle/123456789/654569同一種癌症可能有不同型態，比如同是大腸癌可以歸類為數種亞型態，每一種的病程發展過成可能不同。分離出個別細胞（single-cell technology）以研究，能夠有效認識異質性。近年來，這些研究大多使用tSNE, UMAP等運算技術，其中的演算法藉由在低維度的空間維持每一筆數據(sample)在高維度兩兩之間的距離。這些低維嵌入（low-dimensional embeddings）有時幫助找到一個特殊的群組，代表了一群過去未發現的特殊細胞。但是這些計算方法有時不能有效應用到新的數據，有時不能提供明確的解釋(model interpretation)。為了幫助實驗過程，我們計畫開發具有樹狀結構的演算法，這將使機器學習建立的模型，有效應用到新的數據，並快速提供這筆新資料所屬的分類。這也將有助於理解哪些生物標記在模型中擔任重要的角色。機器學習;異質性;多事例學習;Machine Learning; Heterogeneity; Multiple instance learning