[译]A guide to deep learning in healthcare 深度学习在医疗健康领域的应用概述--nature论文

综述阅读:A guide to deep learning in healthcare 综述阅读:A guide to deep learning in healthcare 来源:2019 nature medicine 下载地址:https://www.researchgate.net/publication/330203264_A_guide_to_deep_learning_in_healthcare Abstract 在这里,我们将介绍用于医疗保健的深度学习技术,重点讨论计算机视觉、自然语言处理(only)、强化学习和通用方法中的深度学习。 我们描述了这些计算技术如何影响医学的几个关 阅读详情

A guide to deep learning in healthcare 深度学习在医疗健康领域的应用概述--nature论文


转发请标注来源: blog.youkuaiyun.com/github_36597203/article/details/90638835
英文原文来自于: https://www.nature.com/articles/s41591-018-0316-z

Abstract

       本文介绍了医疗保健领域的深度学习技术,重点讨论了计算机视觉(CV)、自然语言处理(NLP)、强化学习(RL)和通用方法方面的深度学习。我们将描述这些计算技术如何影响医学的几个关键领域,并探讨如何构建端到端系统。我们对CV的讨论主要集中在医学成像上,对NLP的描述主要在电子健康记录数据等领域。同样,在机器人辅助手术的背景下也讨论了RL,同时讨论了通用方法的深度学习在基因组学的应用。

Introduction

       深度学习(Deep learning)是机器学习(ML)的一个子领域,在过去6年里由于计算能力的提高和大规模新数据集的可用性经历了一次戏剧性的复兴。这个领域见证了机器在理解和操作数据方面的惊人进步,包括图像、语言和语音。由于生成的数据量巨大(仅在美国就有150艾字节或1018字节,每年增长48%),以及越来越多的医疗设备和数字记录系统,医疗和医学将从深度学习中受益匪浅。
       ML与其他类型的计算机编程的不同之处在于,它使用统计的、数据驱动的规则将算法的输入转换为输出,这些规则自动派生自大量示例,而不是由人工显式指定。从历史上看,构建ML系统需要领域专家和人工工程来设计特征提取器,这些特征提取器将原始数据转换为合适的表示形式,学习算法可以从中检测模式。相反,深度学习是一种表示法学习,在这种学习中,机器得到原始数据,并开发自己的表示法,这是模式识别所需要的表示法,它由多层表示形式组成。这些层通常是按顺序排列的,由大量原始的非线性操作组成,这样一来,一层的表示(从原始数据输入开始)就被输入到下一层,并转换为更抽象的表示。当数据流经系统的各个层时,输入空间会不断地扭曲,直到数据点变得可识别为止(图1a)。用这种方法,可以学习高度复杂的函数。
       DL模型能够扩展到大型数据集,部分原因是它们能够在专门的计算硬件上运行,并随着更多的数据不断改进,使它们能够超越许多经典的ML方法。深度学习系统可以接受多种数据类型作为输入,作为异构医疗数据的特定关联的一个方面(图1b)。最常见的模型是使用监督学习进行训练,其中数据集由输入数据点(如皮损图像)和相应的输出数据标签(如良性或恶性)组成。强化学习(RL)是一种通过反复试验或专家演示进行学习的计算代理,随着深度学习的采用而不断发展,在游戏(如Go6)等领域取得了非凡的成就。当学习需要医生的示范时,RL在医疗保健中很有用,例如学习如何缝合机器人辅助手术的伤口1。

图1 DeepLearning. a, 一个简单的多层深度神经网络接受两类数据,用不同的颜色表示,当数据从一层流向另一层时,通过不断迭代地扭曲数据,使它们线性可分。最后一个输出层作为分类器,输出其中一个类的概率。这个例子说明了大型网络使用的基本概念。经同意改编的概念图来自:http://colah.github.io/. b, 例如,大型网络接受各种数据类型(图像、时间序列等)作为输入,并为每种数据类型在其低层塔中学习有用的特性。然后,来自每个塔的数据被合并并流经更高的级别,从而允许DNN跨数据类型执行推理——这一功能在医疗保健中越来越重要。
图1 DeepLearning. a, 一个简单的多层深度神经网络接受两类数据,用不同的颜色表示,当数据从一层流向另一层时,通过不断迭代地扭曲数据,使它们线性可分。最后一个输出层作为分类器,输出其中一个类的概率。这个例子说明了大型网络使用的基本概念。经同意改编的概念图来自:http://colah.github.io/. b, 例如,大型网络接受各种数据类型(图像、时间序列等)作为输入,并为每种数据类型在其低层塔中学习有用的特性。然后,来自每个塔的数据被合并并流经更高的级别,从而允许DNN跨数据类型执行推理——这一功能在医疗保健中越来越重要。

Computer vision

       深度学习的一些最大的成功是在CV领域。CV侧重于图像和视频的理解,处理对象分类、检测和分割等任务,这些任务在确定患者的x线片是否含有恶性肿瘤时非常有用。卷积神经网络(CNNs),一种用于处理具有自然空间不变性的数据的深度学习算法(例如,图像,其含义在翻译时不会改变)已经成为该领域的核心。
       例如,医学成像可以从最近在图像分类和目标检测方面的进展中得到很大的好处2。许多研究表明,在皮肤病学(9、10)、放射学(11-14)、眼科(15-17)和病理学(18-21)(图2)的复杂诊断方面,有很好的结果。DL系统可以通过提供第二意见和标记图像中的区域来帮助医生。

       在使用基于CNN的方法方面,图像级诊断已经相当成功(图2)。这在很大程度上是由于CNNs在对象分类任务中实现了与人类水平相当的性能,在该任务中,CNN学习对包含在图像中的对象进行分类。通过在大量与目标任务无关的数据集(eg. ImageNet:数百万个日常对象组成的数据集)上训练,再通过与目标任务相关的数据集(eg. 医学图像)进行微调,迁移学习展现出了非常好的效果。在第一步中,该算法利用大量数据来学习图像中的自然统计信息——直线、曲线、颜色等。在第二步中,对算法的higher-level层进行再训练,以区分诊断病例。类似地,目标检测和分割算法识别图像中与特定对象对应的特定部分。CNN方法以图像数据为输入,通过一系列卷积和非线性操作迭代扭曲,直到原始原始数据矩阵转化为潜在图像类(如医学诊断病例)的概率分布(图2)。

在这里插入图片描述
图2:医学成像。CNNs可以训练多种医学图像,包括放射学、病理学、皮肤病学和眼科。信息从左到右流动。CNNs使用简单的操作(如卷积、池化和完全连接的层)将输入图像按顺序转换为扁平向量。输出向量(softmax层)的元素表示疾病存在的概率。在训练过程中,对网络层的内部参数进行迭代调整,以提高训练精度。通常,较低的层(左)学习简单的图像特征—边缘和基本形状—这些特征影响高级表示(右)。预测任务包括对图像的分类(即恶性与良性)以及肿瘤等医学特征的定位。
       值得注意的是,深度学习模型在各种诊断任务,包括识别痣与和色素瘤、糖尿病性视网膜病变、心血管疾病风险、眼底筛查、X光的乳腺疾病监测和脊髓磁共振图像分析上,都取得了physician-level准确性的。一个单一的深度学习模型甚至被证明在跨医学模式的诊断中是有效的(如放射学和眼科)。
       然而,在比较人类和算法性能的研究中,一个关键的限制是缺乏临床背景——它们限制了诊断只能使用手头的图像。这常常增加了人类读者的诊断任务的难度,在真实的临床环境中,他们可以访问医学图像和补充数据,包括患者历史和健康记录、附加测试、患者证词等。
       诊所开始对一些紧急且容易漏诊的病例,如在永久性脑损伤发生前的有限时间(几分钟)内,利用放射学图像来标记大脑中的大动脉阻塞,在图像中进行目标检测和分割。此外,癌症组织病理学要求人类专家费力地扫描和诊断十亿像素图像(或相当大的物理幻灯片),可辅以训练有素的CNNs,以检测有丝分裂细胞或肿瘤区域。他们可以通过训练来量化组织病理学图像中PD-L1的含量,这一任务对于确定患者会接受哪种类型的免疫肿瘤药物非常重要。结合像素点分析,CNNs甚至被用来发现与生存概率相关的组织的生物学特征。
       为新的医学成像任务构建监督深度学习系统的主要限制是访问足够大的标记数据集。针对特定任务的小型标记数据集更容易收集,但会导致算法在处理新数据时性能较差。在这些情况下,大量数据增强技术已被证明在帮助算法泛化方面是有效的。同样,大型但未标记的数据集也更容易收集,但需要转向改进的半监督和非监督技术,比如生成对抗性网络。

Natural language processing

       自然语言处理(NLP)侧重于分析文本和语音,从单词中推断意义。递归神经网络(RNNs)的深度学习算法在处理顺序输入(如语言、语音和时间序列数据)方面发挥着重要作用。NLP的显著成功包括机器翻译、文本生成和图像字幕。在医疗保健领域,有序的深度学习和语言技术在电子健康记录(EHRs)等领域的有有效的应用。
       电子病历正迅速普及。大型医疗机构的EHR可以在10年内捕获超过1000万名患者的医疗交易。仅一次住院治疗通常就会生成约150,000个数据。这些数据的潜力是显然的。总而言之,这种规模的EHR代表了20万年的医生智慧和1亿年的患者结局数据,涵盖了过多的罕见疾病和疾病。因此,将深度学习方法应用于EHR数据是一个快速发展的领域34。

       图3概述了为EHRs构建深度学习系统的技术步骤。原始数据首先跨机构进行聚合,以确保构建了一个可泛化的系统。然后,这些数据被标准化,并在患者之间进行时间和跨患者的分析,这使得它们适合于深度学习培训。由此,我们可以推断出高层次的医学问题的答案,如过去的病史与病人目前的诊断有关吗?,病人目前的问题是什么?,有什么机会进行干预?
图3:使用电子病历进行预测。a,非结构化EHR数据。医疗记录以特殊的数据结构和格式存储,因此基于给定医院记录的模型不一定能处理来自不同医院的数据。b、数据标准化。通过将来自多个站点的数据映射到基于FHIR的单一格式,数据被标准化为同构格式。c,排序。通过将所有数据按时间顺序排列到患者时间表中,基于时间的深度学习技术可以应用于整个EHR数据集,从而对单个患者进行预测。
图3:使用电子病历进行预测。a,非结构化EHR数据。医疗记录以特殊的数据结构和格式存储,因此基于给定医院记录的模型不一定能处理来自不同医院的数据。b、数据标准化。通过将来自多个站点的数据映射到基于FHIR的单一格式,数据被标准化为同构格式。c,排序。通过将所有数据按时间顺序排列到患者时间表中,基于时间的深度学习技术可以应用于整个EHR数据集,从而对单个患者进行预测。

       在进行预测时,迄今为止的大多数工作都是在有限的结构化数据集上使用监督学习,包括实验室结果、生命体征、诊断代码和人口统计数据。为了解释电子病历中包含的结构化和非结构化数据,研究人员开始采用无监督学习方法,如自动编码器——在自动编码器中,网络首先经过训练,通过压缩和重构未标记的数据来学习有用的表示,从而预测特定的诊断5。最近使用深度学习模型对病人病历中发生的结构化事件的时间序列进行CNN和RNN的建模,以预测未来的医疗事件6789。这项工作的大部分集中在重症监护数据的医疗信息集(MIMIC)(如脓毒症的预测),它从一个中心获得重症监护病房(ICU)患者。虽然ICU患者比非ICU患者产生更多的EHR数据,但非ICU患者的EHR数据明显多于非ICU患者。因此,目前还不确定从这些数据中得到的技术将如何推广到更广泛的人群。

       下一代的自动语音识别和信息提取模型可能会开发出临床语音助手来准确记录病人的就诊情况。医生们通常在一天11小时的工作里花6个小时处理EHR文件,这会导致精力耗尽,减少与病人相处的时间。自动抄写将缓解这一问题,并促进更廉价的抄写服务。考虑基于RNN的语言翻译,它使用端到端技术将一种语言的语音直接翻译成另一种语言的文本。与EHRs相适应,这种技术可以将患者提供者的对话直接转换为转录文本记录。关键的挑战在于从对话中对每个医疗实体的属性和状态进行分类,同时准确地总结对话。虽然这些技术在早期的人机交互实验中很有前景,但还没有广泛应用于医学实践。
       未来的工作可能集中在开发算法,以便更好地利用电子病历中一些信息丰富但非结构化的数据。例如,在开发预测系统时,临床记录常常被省略或修改。在这方面,大型的RNNs开始通过半监督的方式将结构化和非结构化数据结合起来4,并展示出令人印象深刻的预测结果。这种数据组合使他们能够从更广泛的、更多样化的数据类型的流行中学习,在死亡率、再入院率、住院时间和诊断预测等任务上都优于其他技术。

Reinforcement learning

       强化学习(RL)是一种旨在训练agent成功地与其环境进行交互的技术,通常是为了实现特定的目标。这种学习可以通过反复试验、演示或混合方法来实现。当一个agent在其环境中采取行动时,奖励和结果的迭代反馈训练使得agent可以更好地完成手头的目标。从专家演示中学习,既可以通过监督学习直接预测专家的行为(即:模仿学习),也可以通过推断专家的目标来实现(即:逆RL)。要成功地训练一个agent,关键是要有一个模型函数,它可以从环境中获取感官信号作为输入,并输出agent接下来要采取的动作。以深度学习模型作为模型函数的Deep RL显示了良好的前景。
       一个可以从深度RL获益的医疗领域是机器人辅助手术(RAS)。目前,RAS在很大程度上依赖于一名外科医生指导机器人进行远程操作。深度学习可以通过计算机视觉模型(如CNNs)感知手术环境,通过RL方法学习外科医生的身体动作,增强RAS的鲁棒性和适应性。1011

       这些技术支持自动化和速度的高度重复和时间敏感的手术任务,如缝合和打结。例如,计算机视觉技术(如cnn的对象检测/分割和立体观察)可以从图像数据重建开放创面的景观,通过解决路径优化问题来生成缝合或打结轨迹,该问题可以在考虑关节极限和障碍物等外部约束的同时找到最优轨迹12。同样,经过图像训练的RNNs可以通过从外科医生那里学习一系列事件(在本例中是身体动作),学会自主打结13。

       这些技术对于全自动机器人手术或微创手术特别有利。考虑一下现代腹腔镜手术(MLS),在这种手术中,几个小的初始阶段被用来将一些仪器插入身体,包括摄像机和手术工具,然后外科医生就可以通过遥控操作了。深度模仿学习、RNNs和轨迹转移算法可以完全自动化手术过程中的某些远程操作任务1。在MLS中,重复任务的自动化甚至比开放式手术的时间要求更严格。例如,在MLS中,打一个结可能需要3分钟,而不是像在开腹手术中那样需要几秒钟。
       半自主遥操作的主要挑战之一是在手术场景附近正确定位仪器的位置和方向。在这里,使用改进的U-Net结构CNN14开发的像素级仪器分割技术开始显示出潜力15。外科机器人深度学习的另一个挑战是数据收集。深度模仿学习需要大量的训练数据集,每个手术动作都有很多例子。考虑到许多手术都是细致入微和独特的,因此仍然很难收集足够的数据来完成更泛化的手术任务。此外,自治系统仍然难以适应完全未知和未观察到的情况,这些情况与以前所见的任何情况都非常不同,例如异常的外科事故。

Generalized deep learning

       除了CV、NLP和RL任务之外,深度学习还适用于输入数据非常细微且需要专门处理的领域。为了说明起见,这里我们考虑基因组学,在这个示例领域中,深度学习已经超越了传统(例如,基于CNN或RNN)的方法,而用独特的(例如,非图像、非时间)数据表示。
       现代基因组技术收集各种各样的测量数据,从个体的DNA序列到血液中各种蛋白质的数量。有很多机会可以通过深度学习来改进分析这些测量数据的方法,这将最终帮助临床医生提供更准确的治疗和诊断。构建基因组学深度学习系统的典型途径包括获取原始数据(如基因表达数据),将这些原始数据转换为输入数据张量,然后通过神经网络将这些张量送入神经网络,为特定的生物医学应用提供动力(图4)。
图4:基因组学中的ML。a、输入数据。基因组数据由实验测量数据组成,从中可以预测某些特性或感兴趣的结果。这些数据通常是多种多样的,可能包括序列、基因表达、功能数据以及其他形式的分子数据。b、数据张量的例子。需要将原始的实验测量数据转换成适合深度学习算法使用的形式,深度学习算法将多维数据张量和相关目标标签作为输入。c、DNN。已标记的张量用于训练神经网络来预测输入数据标签。d、生物医学应用。经过训练的DNNs可用于生物医学应用,如预测以前未见过的数据张量的标签或检查输入数据和输出标签之间的关系。应用示例包括解释实验数据(例如,从测序仪的输出推断DNA序列或推断DNA突变对基因剪接的影响)和分子诊断(例如,预测基因突变对疾病风险或药物反应的影响),以及其他许多应用。
图4:基因组学中的ML。a、输入数据。基因组数据由实验测量数据组成,从中可以预测某些特性或感兴趣的结果。这些数据通常是多种多样的,可能包括序列、基因表达、功能数据以及其他形式的分子数据。b、数据张量的例子。需要将原始的实验测量数据转换成适合深度学习算法使用的形式,深度学习算法将多维数据张量和相关目标标签作为输入。c、DNN。已标记的张量用于训练神经网络来预测输入数据标签。d、生物医学应用。经过训练的DNNs可用于生物医学应用,如预测以前未见过的数据张量的标签或检查输入数据和输出标签之间的关系。应用示例包括解释实验数据(例如,从测序仪的输出推断DNA序列或推断DNA突变对基因剪接的影响)和分子诊断(例如,预测基因突变对疾病风险或药物反应的影响),以及其他许多应用。
       其中一组机会集中在全基因组关联(GWA)研究上,即大型病例对照研究,旨在发现影响特定性状的因果基因突变。分析GWA的研究需要算法可以扩展到非常大的患者群体,并处理潜在的混杂因素。这些挑战可以通过为深度学习开发的优化工具和技术来解决,这些工具和技术包括随机优化和其他现代算法,并结合并行计算的软件框架,以及处理未知混杂因素的建模技术。在不久的将来,将外部模式和额外的生物数据来源整合到GWA研究中的模型,例如医学图像或剪接和其他中间分子表型的测量,也可能从深度学习中受益,从而更准确地识别疾病相关的因果突变。
       了解疾病的遗传学使临床医生能够改进治疗并提供更准确的诊断。医生面临的一个关键挑战是确定病人基因组中的新变异是否与医学相关。在某种程度上,这一决定依赖于预先判断突变的致病性,一项已经使用蛋白质结构和进化守恒等特征来训练学习算法的任务。由于深度学习技术具有更强的能力来有效地整合不同的数据类型,因此它很可能提供比现在更准确的致病性预测。
       ML还在从遗传数据中预测表型方面发挥作用,包括复杂的特征,如身高和疾病风险。DL可以进一步的通过集成其他模式,如医学图像、临床历史和可穿戴设备数据增强这些模型16。表型预测的一个特别有前途的方法是预测中间分子的表型即基因表达或基因剪接,然后进入下游疾病预测17。由于更大、更接近的信号和更广泛的训练数据,中间分子状态比人类特征更容易预测。这两个特点使得该问题非常适合深度学习,该方法在预测剪接因子和转录因子方面取得了成功18。

       基因组数据也可以直接作为疾病发生和发展的生物标志物。例如,血液中含有从身体其他部位的细胞中释放出来的无细胞DNA的小片段。这些碎片是器官排斥(即,免疫系统攻击移植物细胞)、细菌感染和早期癌症的非侵入性指标。无细胞DNA被成功地用于产前诊断:存在于母亲血液中的胎儿DNA表明染色体畸变,可以揭示胎儿的整个基因组。生物标志物的数据往往是嘈杂的,需要复杂的分析(例如,确定无细胞DNA是否表明癌症);深度学习系统可以提高针对DNA序列、甲基化、基因表达、染色质谱和许多其他测量的生物标志物检测的质量。


  1. Yohannes Kassahun, et al. Surgical robotics beyond enhanced dexterity instrumentation: a survey of machine learning techniques and their role in intelligent and autonomous surgical actions. Int. J. Comput. Assist. Radio. Surg. 11, 553–568 (2016). ↩︎ ↩︎

  2. Litjens, G. et al. A survey on deep learning in medical image analysis. Med. Image Anal. 42, 60–88 (2017). ↩︎

  3. Shickel, B., Tighe, P. J., Bihorac, A. & Rashidi, P. Deep EHR: a survey of recent advances in deep learning techniques for electronic health record (EHR) analysis. IEEE J. Biomed. Health Inform. 22, 1589–1604 (2017). ↩︎

  4. Rajkomar, A. et al. Scalable and accurate deep learning with electronic health records. NPJ Digit. Med. 1, 18 (2018). ↩︎ ↩︎

  5. Miotto, R. et al. Deep patient: an unsupervised representation to predict the future of patients from the electronic health records. Sci. Rep.6, 26094 (2016) ↩︎

  6. Liu, V., Kipnis, P., Gould, M. K. & Escobar, G. J. Length of stay predictions: improvements through the use of automated laboratory and comorbidity variables. Med. Care 48, 739–744 (2010). ↩︎

  7. Choi, E. et al. Doctor AI: predicting clinical events via recurrent neural networks. In Machine Learning for Healthcare 301–318 (2016). ↩︎

  8. Che, Z. et al. Recurrent neural networks for multivariate time series with missing values. Rep. 8, 1–12 (2018). ↩︎

  9. Suresh, H. et al. Clinical intervention prediction and understanding with deep neural networks. PMLR 68, 322–377 (2017). ↩︎

  10. Abbeel, P. & Ng, A. Y. Apprenticeship learning via inverse reinforcement learning. In Proceedings of the Twenty-First International Conference on Machine Learning 1 (ACM, 2004). ↩︎

  11. Ratli, N. D., Silver, D. & Bagnell, J. A. Learning to search: functional gradient techniques for imitation learning. Autonomous Robots 27, 25–53 (2009). ↩︎

  12. Schulman, J. et al. A case study of trajectory transfer through non-rigid registration for a simplied suturing scenario. In 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 4111–4117 (IEEE, 2013). ↩︎

  13. Mayer, H.et al. A system for robotic heart surgery that learns to tie knots using recurrent neural networks. Adv. Robot 22, 1521–1537 (2008). ↩︎

  14. Ronneberger, O., Fischer, P. & Brox, T. U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention (2015). ↩︎

  15. Shvets, A., Rakhlin, A., Kalinin, A. A. and Iglovikov, V. Automatic instrument segmentation in robot-assisted surgery using deep learning. Preprint at https://arxiv.org/abs/1803.01207 (2018). ↩︎

  16. Dudley, J. T. et al. Personalized medicine: from genotypes, molecular phenotypes and the quantied self, towards improved medicine. In Pacic Symposium on Biocomputing 342–346 (2014). ↩︎

  17. Leung, M. K. K., Delong, A., Alipanahi, B. & Frey, B. J. Machine learning in genomic medicine: a review of computational problems and data sets. Proc. IEEE 104, 176–197 (2016). ↩︎

  18. Xiong, H. Y. et al. e human splicing code reveals new insights into the genetic determinants of disease. Science 347, 1254806 (2015). ↩︎

医学自然语言处理相关资源整理 # Chinese_medical_NLP 医疗NLP领域(主要关注中文) 评测数据集 与 论文等相关资源。 阅读详情

相关推荐

FRP+NoMachine远程开发实战:1M带宽也能流畅操作的配置秘籍

本文详细介绍了如何利用FRP内网穿透与NoMachine远程桌面组合,在仅1Mbps的低带宽环境下搭建流畅的远程开发环境。通过实战配置步骤、核心优化技巧(如调整图像质量与颜色深度)以及常见故障排查指南,帮助开发者克服网络限制,实现高效的远程编码与调试。

weixin_42605397的博客 660

[论文阅读笔记32]A guide to deep learning in healthcare

题目 A guide to deep learning in healthcare https://doi.org/10.1038/s41591-018-0316-z A guide to deep learning in healthcare.[J]. Nature Medicine, 2019. 摘要 深度学习在医学应用的四个方面:computer vision, natural language processing, reinforcement learning, generalized metho

ld326的专栏 672

基于强化学习的医疗诊断 Inquire and Diagnose: Neural Symptom Checking Ensemble using Deep Reinforcement Learning

​​将强化学习应用于医疗诊断的早期工作是发表在2016年人工智能领域顶级会议NIPS深度强化学习研讨会上的一篇工作,后续大部分基于强化学习进行医疗问诊的工作均基于该工作展开。其基本思想是将辅助诊断的问诊过程看成一个序列决策过程,每次只能向患者询问一个症状,然后根据当前搜集的症状进行诊断。整个问诊过程基于强化学习进行训练,依据诊断结果设定奖惩信号,并对问诊轮数进行惩罚。完成了基于强化学习的问诊与诊断模型训练过程。该工作将基于神经网络多轮交互的问诊与诊断模型称之为神经症状检查器,其具体方法我们在文中进行详细介绍

AIMasterStar的博客 2204

医疗诊断文本多分类问题(NLP)(合工大机器学习)

针对医疗文本多分类问题,分别使用传统机器学习和深度学习进行处理,比较结果

lengyue29的博客 3849

医疗AI的智能转型:上下文工程的核心驱动

上下文工程(Context Engineering)是针对特定领域(如医疗),系统设计上下文的收集、表示、推理与自适应的技术体系。它不是简单的“多数据输入”,而是将分散的、异构的上下文信息转化为可被AI理解的“知识网络”,并基于此进行动态决策。用一个比喻来说,传统医疗AI像“只会看照片的侦探”——只能根据当前的“症状照片”判断案情;

小程序开发 884

23、大脑网络与阿尔茨海默病的早期诊断

本文探讨了图像融合与机器学习技术在阿尔茨海默病(AD)早期诊断中的应用。首先介绍基于DCT的图像融合方法,通过分块、变换与系数选择实现高效融合,具有计算和内存效率高的优势。随后分析SVM和深度学习在脑图像分类中的应用:SVM利用灰质比例和皮质厚度等特征,结合核技巧实现高精度分类;深度学习通过CNN自动提取特征,在LeNet5和三维卷积网络中取得优异表现。文章比较了两种方法的优劣,并总结了操作步骤与关键技术点,最后展望多模态数据融合与模型优化的未来方向,为AD早期诊断提供了有力的技术支持。

yhn456789的博客 59

保健中的深度学习nlp技术用于决策

介绍 (Introduction) The ubiquitous adoption of electronic health records in hospitals and other healthcare facilities generates vast real-world information, which is very valuable for conducting clinic...

weixin_26706653的博客 3132

38、机器学习在医疗数据分析与回归任务中的应用

本文探讨了机器学习在医疗数据分析与回归任务中的广泛应用,涵盖监督、无监督和强化学习模型在疾病早期诊断中的应用,详细介绍了逻辑回归、决策树、随机森林、SVM、神经网络等分类技术,并深入分析了线性回归、多项式回归及模型选择方法。针对过拟合问题,讨论了子集选择、岭回归、套索回归和主成分分析等正则化与降维技术。同时,介绍了K-均值和层次聚类等无监督聚类方法及其评估指标。通过R和Python代码示例展示了回归与聚类的实际实现,最后总结了各类模型的性能比较与挑战,展望了机器学习在医疗领域的未来潜力。

snow3的博客 81

深度学习框架在医疗健康领域的应用

1.背景介绍 深度学习(Deep Learning)是一种人工智能(Artificial Intelligence)技术,它通过模拟人类大脑中的神经网络结构,来实现对大量数据的自主学习和智能决策。在过去的几年里,深度学习技术在图像识别、语音识别、自然语言处理等领域取得了显著的成果,并被广泛应用于医疗健康领域。 医疗健康领域的深度学习应用主要包括病例诊断、疾病预测、药物研发、医学图像分析等方面。...

AI天才研究院 1813

a guide to deep learning in healthcar

Here we present deep-learning techniques for healthcare, centering our discussion on deep learning in computer vision, natural language processing, reinforcement learning, and generalized methods. We describe how these computational techniques can impact a few key areas of medicine and explore how to build end-to-end systems. Our discussion of computer vision focuses largely on medical imaging, and we describe the application of natural language processing to domains such as electronic health record data. Similarly, reinforcement learning is discussed in the context of robotic-assisted surgery, and generalized deeplearning methods for genomics are reviewed.

A guide to convolution arithmetic for deep learning

一篇外国大牛写的关于CNN调参的讲解,具体内容见目录: 1 Introduction 1.1 Discrete convolutions . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2 Pooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2 Convolution arithmetic 2.1 No zero padding, unit strides . . . . . . . . . . . . . . . . . . . . 12 2.2 Zero padding, unit strides . . . . . . . . . . . . . . . . . . . . . . 14 2.2.1 Half (same) padding . . . . . . . . . . . . . . . . . . . . . 14 2.2.2 Full padding . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3 No zero padding, non-unit strides . . . . . . . . . . . . . . . . . . 15 2.4 Zero padding, non-unit strides . . . . . . . . . . . . . . . . . . . . 15 3 Pooling arithmetic 4 Transposed convolution arithmetic 4.1 Convolution as a matrix operation . . . . . . . . . . . . . . . . . 19 4.2 Transposed convolution . . . . . . . . . . . . . . . . . . . . . . . 19 4.3 No zero padding, unit strides, transposed . . . . . . . . . . . . . 20 4.4 Zero padding, unit strides, transposed . . . . . . . . . . . . . . . 21 4.4.1 Half (same) padding, transposed . . . . . . . . . . . . . . 21 4.4.2 Full padding, transposed . . . . . . . . . . . . . . . . . . . 21 4.5 No zero padding, non-unit strides, transposed . . . . . . . . . . . 23 4.6 Zero padding, non-unit strides, transposed . . . . . . . . . . . . . 23

从“不会问诊”到“专业医生水平”:350万病历 + 强化学习,让多轮诊断准确率提升30%

传统的LLM在医学问答领域的优势主要体现在单轮问题解答上,但在需要多轮交互的诊断场景中,由于缺乏临床经验和高效的信息收集能力,其表现远逊色于专业医生。研究者在LLM外面包了一层“分析器(Analyzer)”,它会解析对话中收集到的症状信息,并把结果传给“问诊策略模型”和“初诊模型”。你们在模拟环境中用 PPO 来训练问诊策略,规模达到上百万级 EMR,是否会导致训练时间过长?利用海量的电子病历(EMR)来模拟病人,把这些EMR做成“问诊环境”,让一个“问诊策略模型(RL训练)”反复在里面试错、学习。

Debroon 1399

Learning TensorFlow: A Guide to Building Deep Learning Systems

Learning TensorFlow: A Guide to Building Deep Learning Systems by Tom Hope English | 9 Aug. 2017 | ISBN: 1491978511 | ASIN: B074PDHDQQ | 242 Pages | AZW3 | 3.43 MB Roughly inspired by the human brain, deep neural networks trained with large amounts of data can solve complex tasks with unprecedente

强化学习医学案例——脓毒症人工智能治疗决策

脓毒症是全世界第三大死因,也是医院1-3级死亡的主要原因,但是最好的治疗方法。战略仍然不确定。特别是,有证据表明目前静脉输液的做法而血管加压剂是次优的,在1,4-6比例的患者中可能会引起伤害。解决这个连续的决策问题,我们开发了一种强化学习剂,人工智能临床医师,它提取了内隐从大量患者数据中获得的知识,超过了临床医生的生活经验的许多倍通过分析大量(大部分是次优的)治疗决定来优化治疗。我们证明了人工智能...

Li_yi_chao的博客 5411

Learning TensorFlow. A Guide to building Deep Learning Systems

Deep learning has emerged in the last few years as a premier technology for building intelligent systems that learn from data. Deep neural networks, originally roughly inspired by how the human brain learns, are trained with large amounts of data to solve complex tasks with unprecedented accuracy. With open source frameworks making this technology widely available, it is becoming a must-know for anybody involved with big data and machine learning. TensorFlow is currently the leading open source software for deep learning, used by a rapidly growing number of practitioners working on computer vision, natural language processing (NLP), speech recognition, and general predictive analytics. This book is an end-to-end guide to TensorFlow designed for data scientists, engineers, students, and researchers. The book adopts a hands-on approach suitable for a broad technical audience, allowing beginners a gentle start while diving deep into advanced topics and showing how to build production-ready systems. In this book you will learn how to: 1. Get up and running with TensorFlow, rapidly and painlessly. 2. Use TensorFlow to build models from the ground up. 3. Train and understand popular deep learning models for computer vision and NLP. 4. Use extensive abstraction libraries to make development easier and faster. 5. Scale up TensorFlow with queuing and multithreading, training on clusters, and serving output in production. 6. And much more!

A guide to deep learning in healthcare

来自斯坦福大学和 Google Research 的研究者对医疗领域中的深度学习应用进行了综述,并将研究文章发表在《Nature Medicine》上。这篇文章从应用于医疗行业的计算机视觉、自然语言处理、强化学习和通用方法入手,详细介绍了深度学习在医疗中的应用。

Nature 82分:基于AI的皮肤癌决策支持的强化学习模型

在复杂的临床场景中表现出优越性:文章通过三种不同的临床场景,比较了奖励调整的强化学习模型、阈值调整的监督学习模型和简单的监督学习模型的表现,发现强化学习模型能够在提高对恶性病变的识别率的同时,减少对良性病变的过度干预,尤其是在需要考虑患者个体情况的场景中,强化学习模型能够做出更符合专家实践的管理策略。利用强化学习优化人工智能辅助诊断:文章提出了一种基于奖励表的强化学习模型,可以根据专家的偏好调整人工智能对皮肤癌诊断的预测,提高了对黑色素瘤和基底细胞癌的敏感性,同时降低了人工智能的过度自信。

simoncool23的博客 1169

GATK SNP过滤参数优化:从标准到个性化调整的实践指南

本文深入探讨了GATK SNP过滤参数的个性化调整策略,强调不应盲目套用官方标准参数。文章详细拆解了QD、FS、SOR等关键过滤参数的含义,并提供了通过数据分布分析、文献调研和迭代测试来确定适合自身数据(如动植物重测序)最佳阈值的实践方法,旨在帮助研究者在保留真实变异与剔除假阳性信号之间找到最优平衡。

weixin_29216049的博客 278

文献速递:多模态深度学习在医疗中的应用--多模态深度学习用于阿尔茨海默病痴呆评估

全球每年新发痴呆症病例近1000万例,其中阿尔茨海默病(AD)最为常见。需要新的措施来改善因各种病因引起的认知功能障碍患者的诊断。在这里,我们报告了一个深度学习框架,按照连续的方式完成多个诊断步骤,以识别具有正常认知(NC)、轻度认知障碍(MCI)、AD和非AD痴呆症(nADD)的人群。我们展示了一系列能够接受灵活组合的常规收集的临床信息的模型,包括人口统计学数据、病史、神经心理测试、神经影像学和功能评估。然后,我们展示了这些框架与从业神经学家和神经放射科医师的诊断准确性相比具有有利的优势。

weixin_38594676的博客 1101

通达信强龙趋势幅图指标:从强弱分析到买卖点实战指南

在股票技术分析中,趋势判断一直是交易决策的核心环节。传统指标通常依赖均线交叉或MACD金叉来确认趋势,但这种确认机制天然存在滞后性,往往等信号明确时行情已走过大半。针对这一问题,基于价格位置、量能配合和均线结构三个维度综合打分的思想逐渐受到关注,通过量化个股所处强弱区间,帮助投资者更快识别强势股与风险信号。这类强弱分析工具不仅适用于刚接触公式编辑的新手,也能为有经验的交易者提供一把可视化的“强度刻度尺”。在实际应用中,结合回踩低吸、离场判断等交易场景,能够有效提升买卖点的把握能力。本文详细解析通达信强龙趋势

weixin_29044157的博客 330

学Simulink——基于Simulink的PMSM矢量控制(FOC)从零搭建

《Simulink下PMSM矢量控制(FOC)全流程开发指南》 本教程系统讲解了基于Simulink的永磁同步电机(PMSM)磁场定向控制(FOC)实现方法。主要内容包括:FOC控制原理与双闭环架构设计、Simulink建模全流程(含PMSM本体建模、坐标变换、PI控制器设计等)、关键调试技巧以及工程扩展方向。教程以48V伺服电机为例,详细演示了从Clarke/Park变换到SVPWM生成的完整实现过程,并提供了参数配置建议和常见问题解决方案。通过本教程,读者可掌握FOC系统的核心实现技术,为开发高性能电机

xiaoheshang_123的博客 274
下一篇: NLP在电子健康记录方面的应用(文献阅读)
christiana_hui
博客等级 码龄10年 4粉丝 1原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值