通过决策树看到随机的森林. 通过机器学习模型支持从基因病理学学习健康系统:挑战和机遇

科学领域:

• 计算病理学计算病理学
• 数字健康数字健康
• 机器学习在医学中的应用.

背景情况:

• 组织病理学幻灯片分析提出了独特的机器学习 (ML) 挑战.
• 现有的ML模型面临着被忽视的障碍.
• 整合多样化的健康数据对于推进医疗系统至关重要.

研究的目的:

• 识别和分类应用ML在组织病理学中的挑战.
• 提出一种用于利用ML在组织病理学中的新方法.
• 支持学习健康系统的发展.

主要方法:

• 基于缓解策略的ML挑战的分类 (创新方法,时间,未来的能力或概念重新评估).
• 从数字遗传病理幻灯片中整合ML衍生的信息的探索.
• 将提取的隐藏信息与更广泛的医疗保健大数据相结合.

主要成果:

• 遗传病理学ML中被忽视的挑战是详细的.
• 介绍了一种利用ML在组织病理学中的新方法.
• 强调了通过数据集成增强学习健康系统的潜力.

结论:

• 解决在组织病理学中的ML挑战需要不同的策略.
• 将来自组织病理学的ML见解与其他健康数据相结合,提供了显著的潜力.
• 这种方法可以为更有效的学习健康系统做出贡献.