One of the most globally common types of cancer is skin cancer, where melanoma is the most deadly form. An important and promising tool for diagnosing diseases such as skin cancer is computer aided diagnostics, a tool which utilizes machine learning to predict and classify cancer. Limiting the complexity of the data, known as feature selection, can potentially improve classification accuracy. This report evaluates the accuracy of four different classifiers - Support Vector Machine, Naive Bayes, Decision Tree and Artificial Neural Network - with four different feature selection methods - Sequantial Forward Selection, Sequantial Backward Selection, Entropy and Principal Component Analysis - on the PH2 skin cancer dataset, containing dermoscopic images of skin lesions and their respective metadata. The findings reveal that all feature selection methods led to an improved accuracy rate on at least one classifier compared to not using feature selection. Furthermore, certain feature selection methods resulted in a significant gain in accuracy, indicating the potential value of feature selection techniques in improving the accuracy and efficiency of machine learning classifiers in computer-aided diagnosis systems for melanoma skin cancer detection. However, the results also underscore the importance of careful selection of the number of features to avoid adverse effects on model performance. This research contributes to the field by demonstrating the impact of feature selection methods on melanoma skin cancer detection and highlighting considerations for their application. / En av de globalt vanligaste typerna av cancer är hudcancer, där melanom är den mest dödliga typen. Ett viktigt och effektivt verktyg för att diagnostisera sjukdomar som hudcancer är datorstödd diagnostik, ett verktyg som använder maskininlärning för att förutse och klassificera cancer. Att begränsa komplexiteten i data, känt som attributurval, kan potentiellt förbättra klassificeringsnoggrannheten. Denna rapport utvärderar noggrannheten hos fyra olika klassificerare - ”Support Vector Machine”, ”Naive Bayes”, ”Decision Tree” och ”Artificial Neural Network” - med fyra olika attributurvalsmetoder - ”Sequantial Forward Selection”, ”Sequantial Backward Selection”, ”Entropy” and ”Principal Component Analysis” - på PH2 hudcancerdatasetet, som innehåller dermoskopiska bilder av hudlesioner och deras respektive metadata. Resultaten visar att alla attributurvalsmetoder ledde till en förbättrad noggrannhetsgrad på minst en klassificerare jämfört med att inte använda attributurval. Dessutom resulterade vissa attributurvalsmetoder i en betydande ökning i noggrannhet, vilket indikerar det potentiella värdet av attributurvalstekniker för att förbättra noggrannheten och effektiviteten hos maskininlärningsklassificerare i datorstödda diagnossystem för detektering av melanom hudcancer. Däremot understryker resultaten också vikten av noggrant urval av antalet attribut för att undvika negativa effekter på modellens prestanda. Denna forskning bidrar till fältet genom att demonstrera inverkan av attributurvalsmetoder på detektering av melanom hudcancer och belysa överväganden för deras tillämpning.

Alzheimer’s disease is a neurodegenerative disease that affects approximately 6% of the global population aged over 65 and is forecasted to become even more prevalent in the future. Accurately diagnosing the disease in an early stage can play a large role in improving the quality of life for the patient. One key development for performing this diagnosis is applying machine learning to perform computer-aided diagnosis. Current research in the field has been focused on removing assumptions about the used data sets, but in doing so they have often discarded objective metadata such as the patient’s age, sex or priormedical history. This study aimed to investigate the effect of including such metadata as additional input features to neural networks used for diagnosing Alzheimer’s disease through binary classification of magnetic resonance imaging scans. Two similar neural networks were developed and compared, one with these additional features and the other without them. Including the metadata led to significant improvements in the network’s classification accuracy, and should therefore be considered in future computer-aided diagnostic systems for Alzheimer’s disease. / Alzheimers sjukdom är en form av demens som påverkar ungefär 6% av den globala befolkningen som är äldre än 65 och förutspås bli ännu vanligare i framtiden. Tidig diagnos av sjukdomen är viktigt för att säkerställa högre livskvalitet för patienten. En viktig utveckling inom fältet är datorstödd diagnos av sjukdomen med hjälp av maskininlärning. Dagens forskning fokuserar på att ta bort subjektiva antaganden om datamängden som används, men har ofta även förkastat objektiv metadata såsom patientens ålder, kön eller tidigare medicinska historia. Denna studier ämnade därför undersöka om inkluderandet av denna metadata ledde till bättre prestanda hos neuronnät som används för datorstödd diagnos av Alzheimers genom binär klassificering av bilder tagna med magnetisk resonanstomografi. Två snarlika neuronnät utvecklades och jämfördes, med skillnaden att den ena även tog metadata om patienten som indata. Inkluderandet av metadatan ledde till en markant ökning i neuronnätets prestanda, och bör därför övervägas i framtida system för datorstödd diagnos av Alzheimers sjukdom.

Problem Based Learning (PBL) has been fully or partly adopted by several medical and dental schools throughout the world, but only few attempts have been made to adjust this method to Distance Learning (DL) environments. It appears that the interaction demands of PBL could not be easily facilitated by the technologies used for DL in the past. The recent introduction of Virtual Learning Environments or Virtual Classrooms, is suggested by many as the development that could allow Distance Learning to utilise highly structured collaborative learning methods such as PBL. A literature review and two pilot studies were undertaken, in an attempt to investigate the possibility of adjusting an existing in-classroom PBL model to Internet-based environments for distance learning. There is a strong need of a conceptual theoretical framework and research results to support the function and effectiveness of distance learning in health education. Drop-out rates are still high in all kinds of distance education. Accreditation, team-work and personal contact, appear to be factors of importance for increasing motivation and minimising drop-out rates in distance learning. During the pilot studies it was evident that both postgraduate and undergraduate students were very positive towards the PBL method, as they experienced it while working over the network. However, it is very difficult to introduce inexperienced students to PBL through distance. Students? competence with computers seems to be an important factor for the success of a virtual classroom and their computer literacy has to be objectively assessed prior to any course. Significant differences were identified between in-classroom and over the Internet communication. These differences, although measured in the quantity of interaction, appear to influence the quality and depth of discussion as well. Tutor involvement was higher in the Internet discussions than the in-classroom ones. It was concluded that an entirely Internet-based PBL course is possible, if properly organised. However, such a model might constitute a compromise over the quality standards of in-classroom PBL, at least with the currently available Internet technology. A hybrid approach, which will combine personal contact with network-based interaction, might be the safest and most beneficial option right now. / <p>Note: The papers are not included in the fulltext online.</p>

In the field of mechanical engineering, particularly in managing 3D CAD model databases, there's a pressing challenge in efficiently identifying and reusing duplicate models instead of the costly process of creating new ones from scratch. Shape-based similarity retrieval stands out as a crucial solution for industry players like Epiroc, offering a strategy for duplicate detection and overcoming the constraints of text-based searches. In this thesis, we explore an innovative Machine Learning-based framework for shape retrieval, leveraging UV-Net to encode 3D models for effective shape description and incorporating Self-Supervised Learning to improve the identification of model similarities without relying heavily on labeled data. To assess the effectiveness of our approach and understand its performance, we tested it using three foundational ML models for a quantitative evaluation of the shape embeddings. The findings highlight the framework's ability to accurately identify similar models within extensive datasets. Moreover, we applied this methodology to retrieve similar models of ’Epirocs product 3D models within ’Epirocs Standard Part Dataset, demonstrating the successful integration of ML in mechanical design for efficient shape retrieval and presenting a viable industrial application for Epiroc. Despite its achievements, the study acknowledges limitations in system integration and computational efficiency, suggesting future research directions such as improving access to various file formats, enhancing the user interface, and optimizing computational resources. / Inom området maskinteknik, särskilt när det gäller hantering av 3D CAD-modelldatabaser, finns det en akut utmaning i att effektivt identifiera och återanvända dubbletter av modeller istället för den kostsamma processen att skapa nya från grunden. Formbaserad likhetshämtning framstår som en avgörande lösning för branschaktörer som Epiroc, och erbjuder en strategi för dubblettdetektering och att övervinna begränsningarna med textbaserade sökningar. I det här examensarbetet utforskar vi ett innovativt Maskininlärning-baserat ramverk för formåtervinning, utnyttjar UV-Net för att koda 3D-modeller för effektiv formbeskrivning och införlivar Självledd Inlärning för att förbättra identifieringen av modelllikheter utan att förlita oss mycket på märkta data. För att bedöma effektiviteten av vårt tillvägagångssätt och förstå dess prestanda, testade vi det med tre grundläggande ML-modeller för en kvantitativ utvärdering av forminbäddningarna. Resultaten belyser ramverkets förmåga att exakt identifiera liknande modeller inom omfattande datauppsättningar. Dessutom tillämpade vi denna metod för att hämta liknande modeller av Epirocs produkt-3D-modeller inom Epirocs standarddeldataset, vilket visar den framgångsrika integrationen av ML i mekanisk design för effektiv formhämtning och presenterar en hållbar industriell applikation för Epiroc. Trots sina framgångar erkänner studien begränsningar i systemintegration och beräkningseffektivitet, och föreslår framtida forskningsriktningar som att förbättra tillgången till olika filformat, förbättra användargränssnittet och optimera beräkningsresurser.

Sports cars need efficient brake cooling as they shall perform well during hard driving conditions, like for example race track driving. Most sports cars use ducts that capture ambient airflow and directs this flow over the brakes to improve the cooling. This project was conducted in cooperation with Koenigsegg Automotive AB and aims to develop more efficient brake cooling ducts for their cars.  Computational Fluid Dynamics was used to analyse the convective cooling of the brake disc and the pads. First was the cooling with the previously used ducts analysed in order to establish a reference.  Then new concepts were created, analysed and developed in an iterative process.  A design is proposed, which have the inlet in the centre of the wheel axle and that directs the air through radial channels to the brake disc. The simulations indicate that the proposed design results in 14% higher heat transfer rate compared to the previously used cooling solution.   In addition to the cooling ducts, some passive cooling devices were also simulated. Simulations with these in combination with the proposed design, indicate up to 25% increase in heat transfer rate, but this cannot be fully confirmed due to limitations in the simulation model. / Sportbilar behöver effektiv bromskylning eftersom de ska prestera väl under hårda körförhållanden, som till exempel bankörning. De flesta sportbilar använder kanaler som fångar omgivande luftflöde och riktar detta flöde över bromsarna för att förbättra kylningen.  Detta projekt genomfördes i samarbete med Koenigsegg Automotive AB och syftar till att utveckla effektivare bromskylkanaler till deras bilar. Computational Fluid Dynamics användes för att analysera den konvektiva kylningen av bromsskivan och bromsbeläggen.  Först analyserades kylningen med den tidigare använda bromskylkanalen i syfte att skapa en referens. Sedan skapades nya koncept som analyserades och utvecklades i en iterativ process.  En konstruktion föreslås, som har inloppet i centrum av hjulaxeln och som sedan styr luften genom radiella kanaler till bromsskivan. Simuleringarna indikerar att den föreslagna konstruktionen resulterar i 14% högre värmeöverföringshastighet än den tidigare använda bromskylningslösningen.  Förutom kylkanalerna har några passiva kylanordningar också simulerats.  Simuleringar med dessa i kombination med den föreslagna konstruktionen, indikerar upp till 25% ökning av värmeöverföringshastigheten, men detta kan inte helt bekräftas på grund av begränsningar i den använda simuleringsmodellen.

Corona-pandemin har påverkat utbildningen på många sätt, inte minst för dem som studerar svenska som andraspråk. Interaktion, kommunikation och kollaborativt lärande är viktiga delar av språkinlärning och något som blivit lidande av den påtvingade distansundervisningen. En metod för kollaborativt lärande som med fördel kan genomföras med digitala verktyg är kamratrespons. I denna studie undersöktes hur deltagare på en folkhögskola påverkats av den påtvingade distansundervisningen, med fokus på deras studier i svenska som andraspråk på gymnasienivå, och huruvida ett digitalt kamratresponssystem skulle kunna gynna det kollaborativa lärandet med digitala hjälpmedel. Studien genomfördes med deltagare och lärare på Mångkulturella Folkhögskolan i Göteborg, genom kvalitativa frågeformulär och intervjuer. Det empiriska resultatet visar på en varierad bakgrund bland deltagarna, till viss del försämrad studiemotivation på grund av distansundervisningen, samt en positiv inställning till kamratrespons som en möjlighet att lära av varandra. Tillsammans med tidigare forskning inom språkinlärning, datorstödd språkinlärning och datorstött kollaborativt lärande identifierades ett antal riktlinjer för framtagandet av ett digitalt kamratresponssystem som anses kunna gynna den studerade kontexten. Dessa riktlinjer gestaltas i ett designkoncept som visar ett förslag till hur det digitala kamratresponssystemet skulle kunna se ut. / The Corona pandemic has affected education in many ways, and those studying Swedish as a second language are no exception. Interaction, communication, and collaborative learning are all important factors of successful second language acquisition, all of which have been reduced because of forced remote learning. One method for collaborative learning that can be enhanced using digital tools is peer response. This study has examined how the adult students at a folk high school have been affected by the forced remote learning, focusing on their studies in Swedish as a second language at high-school level. The study also investigates whether a digital peer-response system could benefit the collaborative learning process for the involved students. The study involved students and teachers at Mångkulturella Folkhögskolan in Gothenburg, Sweden, who were asked to participate through an online survey and individual interviews. The empirical result shows a vast diversity among the participants, a somewhat decreased motivation to study due to forced remote learning, and a positive attitude towards peer response as a possibility to learn from each other. Together with previous research in the fields of language acquisition, computer assisted language learning and computer supported collaborative learning, several guidelines have been developed for the development of a digital peer review system that are considered to be favourable for the studied context. These guidelines have been illustrated in a design concept that shows a suggestion as to what the digital peer response system could look like.

Architectural design is a complex subject involving many different aspects that need to be considered. Drafting a floor plan from a blank slate can require iterating over several designs in the early phases of planning, and it is likely an even more daunting task for non-architects to tackle. This thesis investigates the opportunities of using conditional generative adversarial networks to generate floor plans for living spaces. The pix2pixHD method is used to learn a mapping between building boundaries and color-mapped floor plan layouts from the RPLAN dataset consisting of over 80k images. Previous work has mainly focused on either preserving an input boundary or generating layouts based on a set of conditions. To give potential users more control over the generation process, it would be useful to generate floor plans that respect both an input boundary and some high-level client requirements. By encoding requirements about desired room types and their locations in colored centroids, and stacking this image with the boundary input, we are able to train a model to synthesize visually plausible floor plan images that adapt to the given conditions. This model is compared to another model trained on only the building boundary images that acts as a baseline. Results from visual inspection, image properties, and expert evaluation show that the model trained with centroid conditions generates samples with superior image quality to the baseline model. Feeding additional information to the networks is therefore not only a way to involve the user in the design process, but it also has positive effects on the model training. The results from this thesis demonstrate that floor plan generation with generative adversarial networks can respect different kinds of conditions simultaneously, and can be a source of inspiration for future work seeking to make computer-aided design a more collaborative process between users and models. / Arkitektur och design är komplexa områden som behöver ta hänsyn till ett flertal olika aspekter. Att skissera en planritning helt från början kan kräva flera iterationer av olika idéer i de tidiga stadierna av planering, och det är troligtvis en ännu mer utmanande uppgift för en icke-arkitekt att angripa. Detta examensarbete syftar till att undersöka möjligheterna till att använda conditional generative adversarial networks för att generera planritningar för boendeytor. Pix2pixHD-metoden används för att lära en modell ett samband mellan gränsen av en byggnad och en färgkodad planritning från datasamlingen RPLAN bestående av över 80 tusen bilder. Tidigare arbeten har främst fokuserat på att antingen bevara en given byggnadsgräns eller att generera layouts baserat på en mängd av villkor. För att ge potentiella slutanvändare mer kontroll över genereringsprocessen skulle det vara användbart att generera planritningar som respekterar både en given byggnadsgräns och några klientbehov på en hög nivå. Genom att koda krav relaterade till önskade rumstyper och deras placering som färgade centroider, och sedan kombinera denna bild med byggnadsgränsen, kan vi träna en modell som kan framställa visuellt rimliga bilder på planritningar som kan anpassa sig till de givna villkoren. Denna modell jämförs med en annan modell som tränas endast på byggnadsgränser och som kan agera som en baslinje. Resultat från inspektion av genererade bilder och deras egenskaper, samt expertevaluering visar att modellen som tränas med centroidvillkor genererar bilder med högre bildkvalitet jämfört med baslinjen. Att ge mer information till modellen kan därmed både involvera användaren mer i designprocessen och bidra till positiva effekter på träningen av modellen. Resultaten från detta examensarbete visar att generering av planritningar med generative adversarial networks kan respektera olika typer av villkor samtidigt, och kan vara en källa till inspiration för framtida arbete som syftar till att göra datorstödd design en mer kollaborativ process mellan användare och modeller.

The rise of multilingualism has fueled the demand for computer-assisted pronunciation training (CAPT) systems for language learning, CAPT systems make use of speech technology advancements and offer features such as learner assessment and curriculum management. Mispronunciation detection (MD) is a crucial aspect of CAPT, aimed at identifying and correcting mispronunciations in second language learners’ speech. One of the significant challenges in developing MD models is the limited availability of labeled second-language speech data. To overcome this, the thesis introduces SpeechBlender - a fine-grained data augmentation pipeline designed to generate mispronunciations. The SpeechBlender targets different regions of a phonetic unit and blends raw speech signals through linear interpolation, resulting in erroneous pronunciation instances. This method provides a more effective sample generation compared to traditional cut/paste methods. The thesis explores also the use of pre-trained automatic speech recognition (ASR) systems for mispronunciation detection (MD), and examines various phone-level features that can be extracted from pre-trained ASR models and utilized for MD tasks. An deep neural model was proposed, that enhance the representations of extracted acoustic features combined with positional phoneme embeddings. The efficacy of the augmentation technique is demonstrated through a phone-level pronunciation quality assessment task using only non-native good pronunciation speech data. Our proposed technique achieves state-of-the-art results, with Speechocean762 Dataset [54], on ASR dependent MD models at phoneme level, with a 2.0% gain in Pearson Correlation Coefficient (PCC) compared to the previous state-of-the-art [17]. Additionally, we demonstrate a 5.0% improvement at the phoneme level compared to our baseline. In this thesis, we developed the first Arabic pronunciation learning corpus for Arabic AraVoiceL2 to demonstrate the generality of our proposed model and augmentation technique. We used the corpus to evaluate the effectiveness of our approach in improving mispronunciation detection for non-native Arabic speakers learning. Our experiments showed promising results, with a 4.6% increase in F1-score for the Arabic AraVoiceL2 testset, demonstrating the effectiveness of our model and augmentation technique in improving pronunciation learning for non-native speakers of Arabic. / Den ökande flerspråkigheten har ökat efterfrågan på datorstödda CAPT-system (Computer-assisted pronunciation training) för språkinlärning. CAPT-systemen utnyttjar taltekniska framsteg och erbjuder funktioner som bedömning av inlärare och läroplanshantering. Upptäckt av felaktigt uttal är en viktig aspekt av CAPT som syftar till att identifiera och korrigera felaktiga uttal i andraspråkselevernas tal. En av de stora utmaningarna när det gäller att utveckla MD-modeller är den begränsade tillgången till märkta taldata för andraspråk. För att övervinna detta introduceras SpeechBlender i avhandlingen - en finkornig dataförstärkningspipeline som är utformad för att generera feluttalningar. SpeechBlender är inriktad på olika regioner i en fonetisk enhet och blandar råa talsignaler genom linjär interpolering, vilket resulterar i felaktiga uttalsinstanser. Denna metod ger en effektivare provgenerering jämfört med traditionella cut/paste-metoder. I avhandlingen undersöks användningen av förtränade system för automatisk taligenkänning (ASR) för upptäckt av felaktigt uttal. I avhandlingen undersöks olika funktioner på fonemnivå som kan extraheras från förtränade ASR-modeller och användas för att upptäcka felaktigt uttal. En LSTM-modell föreslogs som förbättrar representationen av extraherade akustiska egenskaper i kombination med positionella foneminbäddningar. Effektiviteten hos förstärkning stekniken demonstreras genom en uppgift för bedömning av uttalskvaliteten på fonemnivå med hjälp av taldata som endast innehåller taldata som inte är av inhemskt ursprung och som ger ett bra uttal, Vår föreslagna teknik uppnår toppresultat med Speechocean762-dataset [54], på ASR-beroende modeller för upptäckt av felaktigt uttal på fonemnivå, med en ökning av Pearsonkorrelationskoefficienten (PCC) med 2,0% jämfört med den tidigare toppnivån [17]. Dessutom visar vi en förbättring på 5,0% på fonemnivå jämfört med vår baslinje. Vi observerade också en ökning av F1-poängen med 4,6% med arabiska AraVoiceL2-testset.

Syftet med denna studie är att få en förståelse för hur rektorer väljer att organisera kompetensutveckling för lärare gällande erfarenhetsbaserad undervisning. Min empiri är insamlad med hjälp av datorstödda mailintervjuer. I och med detta söker jag mönster i respondenternas olika svar utifrån en fenomenografisk ansats. Studiens resultat har gett svar på de frågeställningar som studien utgår ifrån och resultatet visar på en stor variation. Dels finns det variation i respondenternas tolkning av begreppet erfarenhetsbaserad undervisning och det finns även variationer kring deras tolkning av styrdokumenten. Det går också att se olikheter gällande den kompetensutveckling som rektorer organiserar för lärare. På grund av de variationer som råder i samtliga utsagor så kan det bli aktuellt att lyfta vikten av centraliserad tolkning av bärande begrepp på nationell nivå för att komma så nära likvärdig undervisning som möjligt. / The aim of this study is to gain an understanding how the principals choose to develop teacher competence in experience-based teaching. I seek patterns in the different interview answers based on phenomenographic approach. My empirical data was collected with the help of computer-aided mail interviews. The results of the study have given answers to the questions on which the study is based upon and the results show a great variation. Variation in the interpretation of the concept of experience-based teaching and the governance document. But the results also vary regarding the skills development the principals offers teachers. Due to the variations that seem to prevail in all statements, it may be relevant to emphasize the importance of centralized interpretation of key concepts at the national level, in order to get as close to equivalent teaching as possible.

This study aims to investigate how dimensionality reduction of neuroimaging data prior to training support vector machines (SVMs) affects the classification accuracy of bipolar disorder. This study uses principal component analysis (PCA) for dimensionality reduction. An open source data set of 19 bipolar and 31 control structural magnetic resonance imaging (sMRI) samples was used, part of the UCLA Consortium for Neuropsychiatric Phenomics LA5c Study funded by the NIH Roadmap Initiative aiming to foster breakthroughs in the development of novel treatments for neuropsychiatric disorders. The images underwent smoothing, feature extraction and PCA before they were used as input to train SVMs. 3-fold cross-validation was used to tune a number of hyperparameters for linear, radial, and polynomial kernels. Experiments were done to investigate the performance of SVM models trained using 1 to 29 principal components (PCs). Several PC sets reached 100% accuracy in the final evaluation, with the minimal set being the first two principal components. Accumulated variance explained by the PCs used did not have a correlation with the performance of the model. The choice of kernel and hyperparameters is of utmost importance as the performance obtained can vary greatly. The results support previous studies that SVM can be useful in aiding the diagnosis of bipolar disorder, and that the use of PCA as a dimensionality reduction method in combination with SVM may be appropriate for the classification of neuroimaging data for illnesses not limited to bipolar disorder. Due to the limitation of a small sample size, the results call for future research using larger collaborative data sets to validate the accuracies obtained. / Syftet med denna studie är att undersöka hur dimensionalitetsreduktion av neuroradiologisk data före träning av stödvektormaskiner (SVMs) påverkar klassificeringsnoggrannhet av bipolär sjukdom. Studien använder principalkomponentanalys (PCA) för dimensionalitetsreduktion. En datauppsättning av 19 bipolära och 31 friska magnetisk resonanstomografi(MRT) bilder användes, vilka tillhör den öppna datakällan från studien UCLA Consortium for Neuropsychiatric Phenomics LA5c som finansierades av NIH Roadmap Initiative i syfte att främja genombrott i utvecklingen av nya behandlingar för neuropsykiatriska funktionsnedsättningar. Bilderna genomgick oskärpa, särdragsextrahering och PCA innan de användes som indata för att träna SVMs. Med 3-delad korsvalidering inställdes ett antal parametrar för linjära, radiala och polynomiska kärnor. Experiment gjordes för att utforska prestationen av SVM-modeller tränade med 1 till 29 principalkomponenter (PCs). Flera PC uppsättningar uppnådde 100% noggrannhet i den slutliga utvärderingen, där den minsta uppsättningen var de två första PCs. Den ackumulativa variansen över antalet PCs som användes hade inte någon korrelation med prestationen på modellen. Valet av kärna och hyperparametrar är betydande eftersom prestationen kan variera mycket. Resultatet stödjer tidigare studier att SVM kan vara användbar som stöd för diagnostisering av bipolär sjukdom och användningen av PCA som en dimensionalitetsreduktionsmetod i kombination med SVM kan vara lämplig för klassificering av neuroradiologisk data för bipolär och andra sjukdomar. På grund av begränsningen med få dataprover, kräver resultaten framtida forskning med en större datauppsättning för att validera de erhållna noggrannheten.