前沿综述 | 机器学习在医学中的应用
机器学习混合药物
以前，编辑已经编写了一篇有关BT集成的评论文章。这次开元棋官方正版下载，姐妹在这里！生物学和医学的计算机在今年3月发表了一篇在线评论文章，审查了医疗领域的机器学习（ML）的使用；引入标准技术及其对医学诊断的影响；并通过该领域的潜在研究可能性和未来计划提供了深入医疗应用（癌症，医学化学，大脑，医学成像和可穿戴传感器）的五个主要问题。
机器学习（ML）已被广泛用于解决各种复杂的挑战，例如医疗保健，金融kaiyun.ccm，环境，营销，安全和行业。 ML方法的特征在于能够检查大量数据并发现其相关性，提供解释和识别模式的能力。 ML可以帮助提高许多疾病诊断系统的可靠性，性能，可预测性和准确性。
机器学习方法和应用程序的概述
使用机器学习技术进行医学诊断
ML算法用于计算机辅助诊断（CAD）应用中。这些算法从从医学测试报告中收集的许多诊断样本中学习，并与专家合作支持医学专家预测和诊断未来疾病。 ML的使用有助于提高特定疾病诊断系统的可靠性，性能和准确性，例如在乳房X线照片中使用ML模型自动对微钙化进行分类和汇总；支持向量机（SVM）研究头皮脑电图（EEG）信号，以准确识别癫痫；一种称为Co-Forest的组合训练方法，可用于CAD系统；一种称为复合协变量预测因子的有监督的ML方法，可对转移性肝细胞癌（HCC）分类进行转移。用于诊断心律不齐的基于特征投影的监督算法；使用ML技术预测心力衰竭的模型，等等。
机器学习在医学中的应用
癌症
癌症研究是具有重大社会影响的重要领域。 ML在癌症研究中的应用在各个方面都具有巨大的潜力，包括用于癌症相关问题的基准，例如分类和预测癌症类型，药物反应和治疗策略。
使用ML技术预测癌症
通过基因表达分析改善复杂疾病的分类和预测性能
SVM
KNN
确定肿瘤细胞系对药物治疗的反应
安
确定抗癌药的临床功效
SVM
Bt
RF
从基因描述中识别个性化药物抑制
SVM
rfe
拟议的框架提供了几个功能，以维持癌症研究中的机器学习
安
使用疾病诊断模式和DNA拷贝数变化确定遗传问题
bhm
通用
检测癌症肿瘤中错误的基因和途径活性
基因表达
对高疲劳和低疲劳患者进行分类
正则随机森林
根据CT扫描图像确定头颈癌的位置
安
加强癌症类型的诊断和分类
安
开发用于诊断乳腺癌的计算机辅助检测/诊断系统
K-nn
SVM
NB
分析癌症样品中的基因表达以预测最可能的致癌子集
安
使用ML技术进行癌症研究
乳腺癌
SVM
功能选择
VR代码
安
trf
LS-SVM
NB
K-nn
肺癌
基因表达
SVM
RF
前列腺癌
RF
SVR
SVM
NB
膀胱癌
SVM
NB
KNN
RBFN
榆树
relm
胰腺癌
LDA
RF
药物化学
关于使用有机化学发现药物的许多研究，一些有效的研究使用机器学习模型来帮助介绍预测，例如使用机器学习精油化学成分（EOS）来解释获得的实验结果；六种机器学习方法和1,823种化学物质用于研究生殖毒性。实验结果表明，SVM模型达到了最佳性能，此外，还确定了合理的界限，并且将准确的预测和不准确的预测分为两类。使用机器学习方法（分类和回归树和深层神经网络分类）用于查找药用植物提取物等的抗病毒特性。
大脑研究
大量使用ML技术进行与大脑相关的研究的研究，例如将高维非线性模式分类方法应用于FMR成像图像，以区分与谎言和真理相关的大脑活动的空间模式；常规和灌注磁共振分类方法的计算机辅助组合，用于诊断脑肿瘤类型和分级； SVM分析头皮脑电图并构建患者特异性分类器以检测癫痫。各种机器学习算法（例如SVM，NN和随机森林（RF））在预测中度至重度脑损伤（TBI）的预后方面增加了价值；使用改进的CSP和转移学习算法来提高脑电信号分类和加快训练时间的准确性kaiyun全站登录网页入口，等等。
医学成像
可以通过ML技术来识别医学图像的模式，从而使放射科医生可以根据辐射信息（例如基本X射线摄影，计算机断层扫描（CT），MRI，正电子发射断层扫描（PET）图像和放射学报告做出明智的决定。例如，研究人员提出了一种序列增强学习技术，用于改善乳房X线照片中的SVM检测微钙化（MC）簇时的性能。 ML和模式识别算法对脑成像具有重大影响。从长远来看，ML领域的技术发展和放射学可以相互受益。深度学习（DL）是ML的一个分支，该分支是受到大脑生物学和功能方面启发的算法（IE ANN）的处理。 DL已迅速成为评估医学成像领域医学图像的首选方法，这导致相关研究的数量越来越多，涵盖了神经病理学，腹部，肺，心脏，视网膜，视网膜，肌肉骨骼和乳房。
可穿戴传感器
ML技术在可穿戴传感器中的应用
监督dl安an
通过物联网可穿戴工具对大量信息进行分类；
跟踪物联网可穿戴设备以识别日常人类活动；
帕金森综合症患者的运动观察；
解决以前方法的弱点，以增加用户确定的动作数量；
通过学习复杂映射提取非线性特征组合；
对不同的人类运动进行分类和识别；
活动类型分类：强大位移，过渡和零位移活动；
专注于手势识别和日常活动识别；
它符合基于传感器的人类活动识别的实际要求并提高识别精度；
自动确定用于活动识别和自动识别的最有效的识别功能；
自动揭示与人类运动生产动态有关的特征
监督SVM
用于通过增强与远程临床专家的沟通来积极地在线学习信号模型；
使用来自SVM分类器和HMM的导数信息对不同的病理步态进行了分类。
根据突出，识别准确性，灵活性和能耗评估了28个系统；
提供一个可以在即将跌落之前检测到的系统；
定义压力或放松状态的心理状态，并评估活动信息对压力推理的影响；
分析和分类每个声音样品的特征，并将所有收集样品的值归一化；
确定不同的个人活动并平滑时间依赖性活动序列；
对12名年轻参与者进行了秋季样本测试；
使用可穿戴传感器来识别特定活动中的不同人类活动和行动；
根据加速度计数据评估帕金森氏病患者的症状和功能障碍；
确定严重生理预警的自由参数；
确定包含一小部分活动的高级活动；
确定智能家居中的日常生活活动，并提取并结合每个传感器的特征以创建特征向量；
传感器数据的低维模型是在没有监督的情况下构建的，而判别部分则使用生成的特征空间来构建特征。
采用了基于多实体学习和图形结构的两种识别方法；
确定几个因素，包括人格特征，睡眠，情绪和压力，并比较这些特征的表现；
测试和诊断患者的活动，以检查他们是否遵循药物治疗程序；
观察与压力有关的突出特征，并根据他们的压力姿势将参与者分为两组
监督-DT
使用大量信息观察老年人的活动；
在某些情况下，使用无线心脏秤控制器来识别自然活动及其优势
监督GP
管理和使用大规模信息转换以观察患者的健康
无监督的特定选择
检测表明人类运动的特征；
过滤特征，检测人类运动并确定其规律性；
减少识别和检测运动所需的功能数量；
使用新平台对传感器的数据转换和通信进行建模；
最小化功能冗余并确定最有用的功能
无监督的嗯
检测狗的静态姿势，例如站立和躺下，以及动态的活动，例如爬楼梯和步行；
跟踪震颤和运动障碍的外观和硬度，以研究从PD病例获得的标记；
通过使用监督培训跟踪共同分类方案的图表，分析特征选择，分类和提取
无监督的ELM
分类并确定不同的日常活动
//
最后，作者在该领域提供了潜在的研究可能性和未来计划：
>大多数研究都使用监督的ML进行癌症检测，因为它足以对未来的投入进行分类。但是，也存在一些局限性，例如分类后的类标签不正确的可能性以及大数据分类的挑战。因此，应包括功能选择以帮助改善这些具有挑战性的问题。
> ML算法用于检测某些大脑问题的发生，例如创伤和癫痫发作。为了提高ML性能，可以将人工智能技术与ML技术结合使用，以帮助完全跟踪感兴趣的领域。
>为了提高组件分类器的多样性，我们建议在医学诊断中使用模糊分类器，这之前尚未被利用。
>对于医学图像，我们强烈建议您无监督的学习方法，因为它们能够获取和保留大量数据。
>可穿戴传感器获得的大量数据需要一种提取最相关信息的有效方法，并可以快速有效地处理大量的在线数据。
由于太空问题，建议有兴趣的朋友参考文章的原始文本，以深入了解相关研究和机器学习技术〜
文章中涉及的机器学习技术如下：
有关更多高质量内容，请单击下面的名片以遵循“国家基因银行大数据平台”和“深圳国家基因银行”官方帐户。
参考
Shehab M，Abualigah L，Shambour Q等。医疗应用中的机器学习：最新方法的综述[J]。生物学和医学的计算机，2022，145：105458。
