综述阅读：A guide to deep learning in healthcare

最新推荐文章于 2024-12-25 16:36:07 发布
最新推荐文章于 2024-12-25 16:36:07 发布
阅读量258 收藏
点赞数
分类专栏： nlp论文阅读 文章标签： 深度学习 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hero19980512/article/details/124605053
版权

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键领域，并探索如何构建端到端系统。 我们对计算机视觉的讨论主要集中在医学成像上，我们描述了自然语言处理在电子健康记录数据等领域的应用。 同样，在机器人辅助手术的背景下讨论了强化学习，并回顾了基因组学的通用深度学习方法。

Computer Vision

略

Natural Language Processing

自然语言处理 (NLP) 侧重于分析文本和语音以从单词中推断含义。 递归神经网络 (RNN)（现在Transformer？）——有效处理顺序输入（如语言、语音和时间序列数据）的深度学习算法——在该领域发挥着重要作用。NLP 的显着成功包括机器翻译、文本生成和图像字幕。在医疗保健领域，序列深度学习和语言技术为电子健康记录 (EHR) 等领域的应用提供动力。

EHR 正迅速

最低0.47元/天 解锁文章
A Guide Resource for Deep Reinforcement Learning
12-24 799
A Guide Resource for Deep Reinforcement Learning 1. About this work: This deep intensive learning database was initiated by the 【 Deep Reinforcement Learning Laboratory(DeepRL-Lab) 】and was jointly c...
The AI Journey: A Beginner’s Guide to Artificial Intelligence
AI天才研究院
10-11 683
作者：禅与计算机程序设计艺术 Artificial Intelligence (AI) is the field of computer science that aims to create intelligent machines that can learn, think like humans, make decisions, and interact with other systems. It has applications in fields such as robotics, image
A guide to deep learning in healthcare
01-13
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。
[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
github_36597203的博客
05-28 7590
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。
[论文阅读笔记32]A guide to deep learning in healthcare
ld326的专栏
04-30 461
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
a guide to deep learning in healthcar
01-31
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 Full Hardware Guide to Deep Learning
weixin_34380948的博客
07-19 153
  A Full Hardware Guide to Deep Learning                       .
【论文阅读】Deep Learning Workload Scheduling in GPU Datacenters:Taxonomy, Challenges and Vision
weixin_46091520的博客
11-11 901
论文阅读笔记Gao W, Hu Q, Ye Z, et al. Deep Learning Workload Scheduling in GPU Datacenters: Taxonomy, Challenges and Vision[J]. 讨论了数据中心负载作业的特征以及相关工作
Learning TensorFlow: A Guide to Building Deep Learning Systems
08-11
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
Learning TensorFlow. A Guide to building Deep Learning Systems
07-29
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 convolution arithmetic for deep learning
10-28
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
A guide to convolution arithmetic for deep learning学习笔记
cdknight_happy的专栏
12-26 3545
1.综述 本文章是对深度学习中出现的各种类型的卷积进行汇总。 https://github.com/vdumoulin/conv_arithmetic http://deeplearning.net/software/theano_versions/dev/tutorial/conv_arithmetic.html#transposed-convolution-arithmetic   ...
A 2017 Guide to Semantic Segmentation with Deep Learning
aitazhixin的专栏
11-16 1932
图像语义分割的深度学习算法发展
深度学习中的残差网络、加权残差连接（WRC）与跨阶段部分连接（CSP）详解
千天夜的博客
12-24 1209
本文介绍了残差网络（ResNet）加权残差连接（WRC）和跨阶段部分连接（CSP）这三种网络架构，它们通过不同的方式提升了深度网络的训练效率、表达能力和计算效率。ResNet通过残差连接解决了深层网络训练中的梯度消失问题，使得深层网络的训练变得更加稳定。WRC通过引入可学习的加权机制，使得残差连接可以更灵活地调整输入和输出的贡献，从而提高了网络的表达能力。CSP通过跨阶段的部分连接，减少了冗余的信息传递和计算开销，提高了网络的效率。
NNDL 作业11 LSTM
Snow1230_的博客
12-25 467
此问题我是看的视频学习的，参考链接：【【重温经典】大白话讲解LSTM长短期记忆网络 如何缓解梯度消失，手把手公式推导反向传播】https://www.bilibili.com/video/BV1qM4y1M7Nv?【【重温经典】大白话讲解LSTM长短期记忆网络 如何缓解梯度消失，手把手公式推导反向传播】https://www.bilibili.com/video/BV1qM4y1M7Nv?的连乘项，从这可以看出，LSTM能缓解梯度消失，梯度爆炸只是不易发生。中参数的梯度， 并分析其避免梯度消失的效果。
深度学习blog-卷积神经网络（CNN）
qq_37481709的博客
12-25 893
*卷积层（Convolutional Layer）：**使用多个卷积核（滤波器）对输入数据进行卷积操作，提取特征。该层的输出是特征图，显示了输入数据中的特征。卷积操作是通过一个小的滤波器（或卷积核）在输入图像上滑动来计算的，每次滑动时，卷积核与局部区域的像素值做点积运算，并输出一个新的值。**池化层（Pooling Layer）：**对特征图进行下采样，通常使用最大池化或平均池化，减少特征的尺寸，降低计算复杂度，同时保留重要特征。**卷积操作：**通过卷积核与输入图像的局部区域进行点积，生成特征图。
深度学习中常见的权重初始化方法
qq_43556680的博客
12-24 968
今天给大家分享常见的 7 种权重初始化方法初始化深度学习模型的权重是影响模型训练速度、稳定性以及最终性能的重要因素。以下是常见的 7 种权重初始化方法，每种方法都有其适用的场景和特性。
机器学习和深度学习中的种子设置
最新发布
gqrblnp的博客
12-25 865
机器学习和深度学习中的种子设置
VMD-SSA-BiLSTM、VMD-BiLSTM、BiLSTM时间序列预测对比
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
12-24 1154
VMD-SSA-BiLSTM、VMD-BiLSTM、BiLSTM时间序列预测对比
评论
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
>