从经典机器学习到新兴基础模型:癌症研究多式数据集成的综述

科学领域:

• 计算瘤学是一种计算瘤学.
• 医学中的人工智能.
• 多式联运数据集成是多式联运数据集成.

背景情况:

• 癌症研究越来越依赖于整合不同的数据模式,如基因组学,蛋白质组学,成像学和临床数据.
• 从这些复杂,异构的数据集中提取可操作的见解是一个重大挑战.
• 基础模型 (FMs) 为生物标志物发现,改善诊断和个性化癌症治疗提供了有希望的途径.

研究的目的:

• 提供多式联运数据整合策略在瘤学的综合性审查.
• 检查机器学习 (ML) 和深度学习 (DL) 的新兴趋势,重点关注向FM的过渡.
• 确定最先进的FM,存储库和工具,以推动数据驱动的癌症研究.

主要方法:

• 对瘤学中多式联络数据集成的文献进行系统审查.
• 分析机器学习 (ML) 和深度学习 (DL) 方法,包括基础模型 (FMs).
• 检查趋势,框架,验证协议和开源资源.

主要成果:

• 该研究绘制了从传统的ML过渡到先进的FM,用于瘤学中的多式联络数据集成.
• 确定了关键的进步,挑战和最先进的FM,用于整合多omics和成像数据.
• 强调公开可用的多式联运存储库和工具对于数据集成至关重要.

结论:

• 目前使用FM的整合方法为下一代瘤学大规模AI模型奠定了基础.
• 本综述是第一个系统地绘制了在多式联络癌症数据集成中从ML到FM的演变.
• 这些进展是未来人工智能驱动的癌症研究和个性化医学的基础.