机器学习在罕见疾病中的应用
Jineta Banerjee1, Jaclyn N Taroni2, Robert J Allaway1
1Sage Bionetworks, Seattle, WA, USA.
Nature methods
|May 29, 2023
概括
机器学习 (ML) 在罕见疾病研究中面临着小样本规模的挑战. 开发用于罕见疾病的ML技术可以在各个领域推进高维数据分析.
科学领域:
- 基因组学就是基因组学.
- 生物医学研究的研究.
- 计算生物学是一种计算生物学.
背景情况:
- 高通量分析 (例如,基因组学,成像) 能够对疾病进行深度的分子表征.
- 机器学习 (ML) 对于识别复杂,高维度生物数据中的模式至关重要.
- 由于患者样本大小固有的小,罕见疾病对ML构成重大挑战.
研究的目的:
- 概述在罕见疾病研究中将ML应用于小样本集的挑战.
- 突出新兴解决方案和ML在罕见疾病研究中的潜力.
- 倡导优先考虑ML方法开发用于罕见疾病研究.
主要方法:
- 审查当前的ML应用在高维生物数据分析.
- 讨论罕见疾病中小样本大小所带来的具体挑战.
- 探索潜在的ML进步,适用于有限的数据集.
主要成果:
- ML需要大量的样本大小来检测有意义的生物模式.
- 罕见疾病为开发有限数据场景的ML方法提供了一个独特的测试案例.
- 对罕见疾病的ML的进展可以使更广泛的科学应用受益.
结论:
- 机器学习是从高通量数据中剖析复杂疾病表型的强大工具.
- 为小样本量量身定制的ML技术的开发对于罕见疾病研究至关重要.
- 优先考虑对罕见疾病的ML创新,将在分析高维数据方面带来更广泛的好处.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
1.5K
