免费街拍美女视频,性感美女视频视频,宋仲基宋慧乔颁奖典礼视频

機器學習 mix 醫(yī)學

此前，小編為大家整理過一篇BT與IT融合的綜述文章 ?? 深度學習在生物科學領(lǐng)域的應(yīng)用，這次姐妹篇來咯！《Computers in Biology and Medicine 》在今年3月在線發(fā)表了一篇綜述文章，回顧了醫(yī)學領(lǐng)域使用機器學習（ML）的情況；介紹了標準技術(shù)及其對醫(yī)學診斷的影響；深入討論了五種主要的醫(yī)學應(yīng)用（癌癥、醫(yī)學化學、大腦、醫(yī)學成像和可穿戴傳感器）中的問題；同時提供了該領(lǐng)域潛在的研究可能性和未來的舉措。

機器學習（ML）已被廣泛應(yīng)用于解決各種復雜的挑戰(zhàn)，如醫(yī)療、金融、環(huán)境、營銷、安全和工業(yè)等各領(lǐng)域。ML方法的特點是能夠檢查許多數(shù)據(jù)并發(fā)掘其相關(guān)性，提供解釋，并識別模式。ML可以幫助提高許多疾病的診斷系統(tǒng)的可靠性、性能、可預測性和準確性。

機器學習方法和應(yīng)用概述

利用機器學習技術(shù)進行醫(yī)學診斷

ML算法被用于計算機輔助診斷（CAD）應(yīng)用中。這些算法從醫(yī)學檢測報告中收集的許多診斷樣本中學習，并與專家的診斷一起支持醫(yī)學專家預測和診斷未來的疾病。ML的使用有助于提高特定疾病診斷系統(tǒng)的可靠性、性能和準確性，例如ML模型在乳房X光片中自動分類聚集微鈣化的適用； 支持向量機（SVM）通過研究頭皮腦電圖（EEG）信號來精確識別癲癇發(fā)作；一種稱為co-Forest的聯(lián)合訓練方法，可用于CAD系統(tǒng)；一種名為復合協(xié)變量預測因子的監(jiān)督ML方法對轉(zhuǎn)移性肝細胞癌(HCC)患者進行分類；用于診斷心律失常的基于特征投影的監(jiān)督算法；使用ML技術(shù)預測心力衰竭的模型等。

機器學習在醫(yī)學中的應(yīng)用

癌癥

癌癥研究是一個具有重大社會影響的重要領(lǐng)域。ML在癌癥研究中的應(yīng)用在各個方面均表現(xiàn)出巨大的潛力，包括癌癥相關(guān)問題的基準，如癌癥類型的分類和預測、藥物反應(yīng)和治療策略等。

利用ML技術(shù)進行癌癥預測
通過基因表達分析提高復雜疾病的分類和預測性能	SVM KNN
測定腫瘤細胞系對藥物治療的反應(yīng)	ANNs
確定抗癌藥物的臨床療效	SVM BT RF
從基因描述中確定個性化藥物抑制	SVM RFE
提出的框架提供了幾個特點，以保持機器學習在癌癥研究	ANNs
利用疾病診斷模式和DNA拷貝數(shù)變異識別遺傳問題	BHM GM
檢測癌癥腫瘤中的錯誤基因和通路活性	基因表達
將高疲勞患者與低疲勞患者進行分類	正則化隨機森林
根據(jù)CT掃描圖像確定頭頸癌的位置	ANN
加強癌癥類型的診斷和分類	ANN
開發(fā)用于診斷乳腺癌的計算機輔助檢測/診斷系統(tǒng)	k-NN SVM NB
分析癌癥樣本的基因表達，預測最可能致癌的基因子集	ANN

利用ML技術(shù)進行癌癥研究
乳腺癌	SVM Feature Selection VR-CoDES ANN TRF LS-SVM NB k-NN
肺癌	Gene expression SVM RF
前列腺癌	RF SVR SVM NB
膀胱癌	SVM BPNN NB KNN RBFN ELM RELM
胰腺癌	LDA RF

藥物化學

有許多關(guān)于利用有機化學來發(fā)現(xiàn)藥物的研究已經(jīng)發(fā)表，一些有效的研究使用機器學習模型來幫助引入預測，例如研究人員利用香精油化學成分（EOs）的機器學習來解釋所取得的實驗結(jié)果；使用了六種機器學習方法和1823種化學品來研究生殖毒性，實驗結(jié)果表明：SVM模型取得了最好的性能，此外還確定了合理邊界，將準確預測和不準確預測分為兩類；使用機器學習方法（分類和回歸樹以及深度神經(jīng)網(wǎng)絡(luò)分類）來尋找藥用植物提取物的抗病毒特性等。

腦研究

大量研究利用ML技術(shù)進行大腦相關(guān)研究，例如將高維非線性模式分類方法應(yīng)用于功能磁共振成像圖像，以區(qū)分與謊言和真相相關(guān)的大腦活動的空間模式；一種結(jié)合常規(guī)和灌注磁共振的計算機輔助分類方法，用于鑒別診斷腦瘤類型和分級；利用SVM通過分析頭皮EEG，通過構(gòu)建特定于患者的分類器來檢測癲癇發(fā)作；各種機器學習算法（如SVM、NN和隨機森林（RF））在預測中重度創(chuàng)傷性腦損傷（TBI）預后方面的附加值；使用改進的CSP和轉(zhuǎn)移學習算法來提高EEG信號分類的準確性，并加快訓練時間等。

醫(yī)學影像

醫(yī)學圖像的模式可以通過ML技術(shù)識別，允許放射科醫(yī)生根據(jù)放射信息做出明智的決定，如基本放射照相術(shù)、計算機斷層掃描（CT）、MRI、正電子發(fā)射斷層掃描（PET）圖像和放射學報告。例如研究人員提出了一種序列增強學習技術(shù)，用于在乳房X光片中使用SVM檢測微鈣化（MC）簇時提高性能等。ML和模式識別算法對大腦成像有重大影響，從長遠來看，ML領(lǐng)域的技術(shù)發(fā)展和放射學可以互惠互利。深度學習（DL）是ML的一個分支，它處理的是受大腦的生物和功能啟發(fā)的算法（即ANN）。DL已經(jīng)迅速成為醫(yī)學影像領(lǐng)域評估醫(yī)學圖像的首選方法，這使得相關(guān)研究的數(shù)量不斷增加，覆蓋神經(jīng)病理學、腹部、肺部、心臟、視網(wǎng)膜、肌肉骨骼和乳房等。

可穿戴傳感器

ML技術(shù)在可穿戴傳感器中的應(yīng)用
Supervised-DL and ANN	對通過物聯(lián)網(wǎng)可穿戴工具收集的大量信息進行分類；跟蹤物聯(lián)網(wǎng)可穿戴設(shè)備以識別人類日?；顒樱?/p> 帕金森綜合征患者運動觀察；解決以前的方法的弱點，以增加識別用戶動作的數(shù)量；通過學習復數(shù)映射提取非線性特征組合；分類識別不同的人體運動；活動類型分類：強位移、過渡和零位移活動；重點研究手勢識別和日常活動識別；滿足了基于傳感器的人體活動識別的實際要求，提高了識別精度；自動識別最有效的識別特征，用于活動識別、自動識別；自動揭示與人體運動生產(chǎn)動力學相關(guān)的特征
Supervised-SVM	通過加強與遠程臨床專家的溝通，用于在線主動學習信號模型；使用SVM分類器和HMM的衍生信息對不同的病理步態(tài)進行分類；從突出性、識別準確性、靈活性和能耗方面評估了 28 個系統(tǒng)；提供一個系統(tǒng)，能夠在即將發(fā)生的跌倒之前檢測到它；定義壓力或放松狀態(tài)的心理狀態(tài)，評估活動信息對壓力推理的影響；對每個聲音樣本的特征進行分析和分類，并對所有采集樣本的值進行歸一化；識別不同的個體活動，并平滑時間依賴的活動序列；對 12 名年輕和年長的參與者進行跌倒樣本測試；使用可穿戴傳感器識別特定活動中的不同人類活動和動作；根據(jù)加速度計數(shù)據(jù)評估帕金森病患者癥狀的嚴重程度和運動困難；確定嚴重生理學預警的自由參數(shù)；識別包含一套小規(guī)?；顒拥母呒墑e活動；識別智能家居中的日常生活活動，并使用每個傳感器的特征進行提取和組合，以創(chuàng)建特征向量；在沒有監(jiān)督的情況下構(gòu)建傳感器數(shù)據(jù)的低維模型，而判別部分使用生成的特征空間來構(gòu)建特征；應(yīng)用兩種基于多實例學習和圖結(jié)構(gòu)的識別方法；識別幾個因素，包括個性特征、睡眠、情緒和壓力，并比較這些特征的表現(xiàn)；檢測并診斷患者的活動，以檢查他們是否遵循了用藥程序；觀察與壓力相關(guān)的顯著特征，并根據(jù)他們的壓力姿勢將參與者分成兩組
Supervised-DT	利用海量信息觀察老年人的活動；在某些情況下，使用無線心臟秤控制器識別自然活動及其優(yōu)勢
Supervised-GP	管理和使用大規(guī)模的信息轉(zhuǎn)換，觀察病人的健康狀況
Unsupervised-Feature selection	檢測指示人類運動的特征；過濾特征、檢測人體運動并識別其規(guī)律性；減少識別和檢測運動所需的特征數(shù)量；使用新平臺對傳感器的數(shù)據(jù)轉(zhuǎn)換和通信進行建模；最小化功能冗余并確定最有用的功能
Unsupervised-HMM	檢測犬類的靜態(tài)姿勢，如站立和躺下，以及動態(tài)活動，如爬樓梯和行走；追蹤震顫和運動障礙的外觀和硬度，調(diào)查從PD病例中獲得的標志；通過使用監(jiān)督訓練跟蹤通用分類方案的圖表來分析特征選擇、分類和提取
Unsupervised-ELM	對不同的日常活動進行分類和識別

最后作者提供了該領(lǐng)域潛在的研究可能性和未來的舉措：

> 大多數(shù)研究使用監(jiān)督的ML進行癌癥檢測，因為它足以對未來的輸入進行分類。然而，也有一些局限性，如分類后可能會收到不正確的類標簽，以及大數(shù)據(jù)分類的挑戰(zhàn)。因此，應(yīng)包括特征選擇以幫助改善這些挑戰(zhàn)問題。

> ML算法被用來檢測一些大腦問題的發(fā)生，如創(chuàng)傷和癲癇發(fā)作。為了提高ML性能，人工智能技術(shù)可以與ML技術(shù)結(jié)合使用，以幫助充分跟蹤感興趣的區(qū)域。

> 為了提高組件分類器的多樣性，我們建議在醫(yī)學診斷中使用模糊分類器，這在以前還沒有被利用過。

> 針對醫(yī)學圖像，我們強烈建議采用無監(jiān)督學習方法，因為它們能夠獲取和保留大量數(shù)據(jù)。

> 可穿戴傳感器獲取的海量數(shù)據(jù)需要一種有效的方法來提取最相關(guān)的信息，并能快速有效地處理大量在線數(shù)據(jù)。

由于篇幅問題，建議感興趣的小伙伴參考文獻原文對相關(guān)研究和機器學習技術(shù)進行深入了解~

文中涉及的機器學習技術(shù)見下表：

更多優(yōu)質(zhì)內(nèi)容請點擊下方名片，關(guān)注“國家基因庫大數(shù)據(jù)平臺”和“深圳國家基因庫”公眾號。

參考文獻

Shehab M, Abualigah L, Shambour Q, et al. Machine learning in medical applications: A review of state-of-the-art methods[J]. Computers in Biology and Medicine, 2022, 145: 105458.

圖片均來源于參考文獻，如有侵權(quán)請聯(lián)系刪除。

本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點擊舉報。

中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频