[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 methods.
computer vision : medical imaging(医学影像)
natural language processing : electronic health record data(电子健康记录数据)
reinforcement learning : 机器人辅助手术的背景下讨论了强化学习
generalized methods : genomics

关于深度学习

1： 深度学习是机器学习的一个子领域。

2： 发展快；

3： 旧的ML – ML系统需要领域的专业知识和人类工程来设计特征提取器，将原始数据转换为合适的表示，学习算法可以从中检测模式。

​ 深度学习 – 端到端，原始数据直接到最后的输出就OK了，其中经过的每层对原始数据的非常线性计算及不同程序的表示；

4：可以学习到内容的本质：As data flows through the layers of the system, the input space becomes iteratively warped until data points

become distinguishable .

a, A simple, multilayer deep neural network takes two classes of data, denoted by the different colors, and makes them linearly separable by iteratively distorting the data as it flows from layer to layer. The final output layer serves as a classifier by outputting the probability of either one of the classes. This example illustrates the basic concept used by large scale networks. Conceptual illustration adapted with permission from http://colah.github.io/.

两种颜色表达两类数据。

5：深度学习可以从多个异构数据输入

b, Example large-scale network that accepts as input a variety of data types (images, time-series, etc.), and for each data type learns a useful eaturization in its lowerlevel towers. The data from each tower is then merged and flows through higher levels, allowing the DNN to perform inference cross data types—a capability that is increasingly important in healthcare.

CV

一般的任务为 object classification, detection, and segmentation；

目前比较好的应用方法： dermatology（皮肤病学）, radiology（放射学）, ophthalmology（眼科）,pathology（病理学）；

CNN模型在这方面应用相当成功，与人类的水平相当了；另外，迁移学习方法（首先学习natural statistics–线，曲线，颜色,然后diagnostic cases），在这里使用效果非常好：

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。

NLP

Electronic health records (EHRs)：量巨大

The EHR of a large medical organization can capture the medical transactions of over 10 million patients throughout the course of a decade.

An EHR of this scale represents 200,000 years of doctor wisdom and 100 million years of patient outcome data, covering a plethora of rare conditions and maladies.

EHR可以在10年内捕获超过1000万名患者的医疗交易，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。

RL

深度RL获益的医疗领域是机器人辅助手术(RAS)。

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。

Generalized deep learning

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。

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。

参考

【1】[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，https://blog.csdn.net/github_36597203/article/details/90638835

happyprince https://blog.csdn.net/ld326/article/details/116307590