یادگیری عمیق برای کاربردهای زیست پزشکی

خلاصه

انواع داده‌هایی که معمولاً برای یادگیری ماشینی در تحقیقات زیست‌پزشکی مورد استفاده قرار می‌گیرند، از جمله پرونده‌های سلامت الکترونیک، تصویربرداری، - omics، داده‌های حسگر و متن پزشکی، پیچیده، ناهمگن، دارای حاشیه‌نویسی ضعیف و عموماً بدون ساختار هستند. با این حال، کسب دانش و بینش عملی از همه این منابع داده، یک چالش کلیدی در اجرای پزشکی شخصی و مراقبت های بهداشتی نسل بعدی است. یادگیری عمیق، که کلاسی از الگوریتم‌های یادگیری ماشین را بر اساس شبکه‌های عصبی توصیف می‌کند، فرصت‌های موثری را برای مدل‌سازی، نمایش و یادگیری از چنین منابع پیچیده و ناهمگونی فراهم می‌کند. در اینجا، ما بررسی می‌کنیم که چگونه این پارادایم قبلاً بر مراقبت‌های بهداشتی تأثیر گذاشته است، محدودیت‌ها و نیازها برای روش‌ها و کاربردهای بهبود یافته را یادداشت می‌کنیم، و چالش‌های پیاده‌سازی و استقرار هوش انسانی تقویت‌شده بر اساس یادگیری عمیق در حوزه بالینی را مورد بحث قرار می‌دهیم.