医学分析的多模式表示学习 - 一个系统的文献审查
Emil Riis Hansen1, Tomer Sagi1, Katja Hose2
1Department of Computer Science, Aalborg University, Aalborg, Denmark.
Health informatics journal
|November 7, 2024
概括
多模式表示学习 (MRL) 通过整合多种患者数据,显示出个性化医疗的前景. 然而,目前医疗分析中的应用很少,许多模式组合尚未被用于各种医疗任务.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 建立了对单一类型 (单模) 医疗数据的机器学习分析.
- 患者数据多样化,需要多式联络方法来提供个性化护理.
- 多模式表示学习 (MRL) 创建共享的隐藏空间以增强分析.
研究的目的:
- 审查医学应用中MRL的格局.
- 找出利用MRL提升医学分析的机会.
- 为了澄清医疗任务的MRL中如何应用条款.
主要方法:
- 制定了一个框架,以定位MRL技术和医疗方式.
- 超过1000篇关于医学分析的论文被审查,分类和定位.
- 为研究人员和开发人员创建了一个在线工具.
主要成果:
- 医学信息学中的MRL应用目前很少.
- 大多数MRL工作重点是诊断而不是预后任务.
- 许多潜在的模式组合仍然未被探索或未被充分探索.
结论:
- 在尚未探索的医疗任务和模式组合中,MRL存在显著的潜力.
- 本综述指导研究人员确定未充分探索的领域和新的MRL技术.
- 对各种MRL应用的进一步研究可以促进个性化医疗保健.
