Глубокое обучение в здравоохранении: обзор, возможности и проблемы

Получение знаний и практически значимых выводов из сложных, многомерных и неоднородных биомедицинских данных остается ключевой задачей преобразования системы здравоохранения. В современных биомедицинских исследованиях появляются различные типы данных, включая электронные медицинские карты, изображения, омиксные данные, данные с датчиков и тексты; эти данные сложны, неоднородны, плохо аннотированы и, как правило, неструктурированы. Традиционные подходы к интеллектуальному анализу данных и статистическому обучению обычно требуют сначала выполнить конструирование признаков, чтобы получить эффективные и более устойчивые признаки из этих данных, а затем построить на их основе модели прогнозирования или кластеризации. Оба этапа сопряжены с многочисленными трудностями в условиях сложных данных и недостатка предметных знаний. Последние достижения в области технологий глубокого обучения предоставляют новые эффективные парадигмы построения сквозных обучаемых моделей на основе сложных данных. В данной статье мы рассматриваем современную литературу по применению технологий глубокого обучения для развития здравоохранения. На основе проанализированных работ мы предполагаем, что подходы глубокого обучения могут стать инструментом преобразования больших массивов биомедицинских данных в улучшение здоровья людей. Вместе с тем мы отмечаем ограничения, а также необходимость совершенствования методов и практических приложений, особенно с точки зрения понятности для специалистов предметной области и гражданских исследователей. Мы обсуждаем эти проблемы и предлагаем разрабатывать целостные, содержательные и интерпретируемые архитектуры, способные связать модели глубокого обучения с интерпретируемостью для человека.