20、医疗人工智能驱动精准医疗的关键进展与疾病亚型识别

医疗人工智能驱动精准医疗的关键进展与疾病亚型识别

疾病亚型的数据驱动识别

在处理组学数据时，若数据规模无法缩减，维度灾难通常会阻碍分析，此时双聚类是一个可考虑的方法，且已有良好的性能报告。

聚类轨迹和时间序列

近年来，出现了一些基于测量或事件的时间序列对患者进行分类和聚类的新方法。许多疾病是渐进性的，或有加重和缓解期，单一时间点的生物标志物测量可能无法很好地描述疾病。通过检查患者的时间进程可以直接了解疾病结果。不过，这些方法目前面临挑战，因为方法论尚不完善，且算法的计算需求较高。大致可分为基于轨迹和时间序列两类：
- 患者轨迹 ：是疾病过程中经历的一系列事件或诊断，如患者可能有恶性增生、贫血、梗阻性尿路病和死亡等诊断记录。识别常见轨迹的主要方法是先确定丰富的事件顺序对，再通过搜索人群逐步组装成更长的轨迹。该方法已用于大规模研究以识别常见路径和共病，也用于小规模预测败血症和乳腺癌的死亡情况。此方法能利用真实世界数据构建疾病演变图景，但计算要求高，轨迹组装是启发式的，统计支持不足，轨迹解释也较随意。可通过采用不同的识别方法或聚类相关轨迹来改进。
- 时间序列匹配 ：基于测量时间序列匹配患者的方法发展相对不足，主要原因是生物医学时间序列较短且信息少，且很多生物医学研究仅使用单一生物标志物。不过也有一些有趣的新进展，如有人对基因表达数据聚类方法进行了综述，发现了几种性能良好的方法；还有人报道了一个能处理多变量短时间序列且有很多缺失值的深度学习系统，用于成功对阿尔茨海默病患者进行亚型分类。

整合分析

近年来，整合或多模态分析（多组学）兴起，它在单一