基于高通量数据的临床决策深度转移学习:综合调查与基准结果的综合调查
Muhammad Toseef1, Olutomilayo Olayemi Petinrin1, Fuzhou Wang1
1Department of Computer Science, City University of Hong Kong, Hong Kong SAR.
Briefings in bioinformatics
|July 16, 2023
概括
转移学习通过将临床前数据的知识应用于临床预测来增强生物医学研究的机器学习. 这篇评论强调了深度转移学习.
科学领域:
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
- 精准医学是一门精准的医学.
背景情况:
- 奥米克斯数据为生物医学研究和精准医学提供动力.
- 有限的临床培训数据阻碍了机器学习模型的性能.
- 转移学习通过跨领域的知识转移来解决数据稀缺问题.
研究的目的:
- 对健康信息学和临床决策中的深度转移学习方法进行全面的文献审查.
- 专注于高通量分子数据,与以前对基于图像的转移学习的评论有所区别.
- 分析和评估基于各种设置的原始研究,如交叉验证,数据分割和模型架构.
主要方法:
- 对健康信息学中的深度转移学习应用进行系统的文献搜索.
- 根据数据类型 (高通量分子数据),评估策略和模型架构对研究进行分类和分析.
- 通过统计分析和可视化,探索用于转移学习研究的数据集.
主要成果:
- 深度转移学习方法显示了健康信息学的巨大潜力.
- 高通量测序数据与深度学习模型相结合,可以产生宝贵的见解.
- 在各种环境中进行的评估表明了转移学习方法的稳定性和前景.
结论:
- 深度转移学习是克服临床研究数据局限性的强大技术.
- 通过转移学习利用临床前数据可以改善临床结果和药物反应的预测.
- 本综述提供了详细的分析和路线图,为未来的研究在这个领域.
