Глубокое обучение в диагностике рака, прогнозировании исходов и выборе лечения
Deep learning in cancer diagnosis, prognosis and treatment selection
2021-09-27
SCID: 54.1/m4xsktch
Discuss with AI
диагностика ракаглубокое обучениеобъяснимое глубокое обучениеинтеграция мультиомных данныхточная онкология
Figures from the paper
Abstract (AI)
Глубокое обучение — это подраздел искусственного интеллекта, использующий метод машинного обучения, называемый искусственными нейронными сетями, для выявления закономерностей и построения прогнозов на основе больших наборов данных. Расширение применения глубокого обучения в различных областях здравоохранения наряду с доступностью хорошо охарактеризованных наборов данных о раке ускорило исследования возможностей глубокого обучения для анализа сложной биологии рака. Хотя первые результаты являются многообещающими, эта область быстро развивается, и новые знания появляются как в биологии рака, так и в глубоком обучении. В этом обзоре представлен обзор развивающихся методов глубокого обучения и их применения в онкологии. Основное внимание уделено применению глубокого обучения к различным типам омиксных данных, включая геномные данные, данные о метилировании и транскриптомные данные, а также к геномным выводам на основе гистопатологических данных; кроме того, рассматриваются перспективы интеграции различных типов данных для разработки инструментов поддержки принятия решений. Приведены конкретные примеры применения глубокого обучения для диагностики рака, прогнозирования исходов и выбора тактики лечения. Также оценены современные ограничения и проблемы применения глубокого обучения в прецизионной онкологии, включая недостаток фенотипически насыщенных данных и необходимость создания более интерпретируемых моделей глубокого обучения. В заключение обсуждается, каким образом можно преодолеть существующие препятствия, чтобы обеспечить клиническое применение глубокого обучения в будущем.
Key Findings
1
Применение глубокого обучения в прецизионной онкологии ограничено недостатком фенотипически насыщенных данных и низкой объяснимостью моделей.
2
Глубокое обучение всё шире применяется к сложной биологии рака с использованием крупных, хорошо охарактеризованных наборов данных.
3
Интеграция различных типов данных может поддержать разработку систем принятия решений для диагностики, прогноза и выбора лечения рака.
4
Для будущего клинического внедрения глубокого обучения в онкологии необходимо преодолеть барьеры, связанные с данными и интерпретируемостью.
5
Обзор охватывает применение глубокого обучения к геномным, метиляционным, транскриптомным данным и гистопатологическому выводу геномных характеристик.
Research Object
Применения глубокого обучения в онкологии (для анализа омных данных и гистопатологии, связанных с раком)
Research Subject
применение глубокого обучения для диагностики рака, прогнозирования исходов, выбора лечения и поддержки принятия решений в прецизионной онкологии, включая интеграцию данных и ограничения моделей
Publication Details
Publication Date
2021-09-27
Journal
Publisher
ISSN
Cited by
1090
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai11
Единый подход к интерпретации предсказаний моделей2017
edgeR: пакет Bioconductor для анализа дифференциальной экспрессии данных цифровой экспрессии генов2009
WGCNA: R-пакет для взвешенного корреляционного сетевого анализа2008
Почему я должен вам доверять?2016
Генеративно-состязательные сети2020
Проект панкансерного анализа «Атлас генома рака»2013
Мутационный ландшафт и его значение при 12 основных типах рака2013
Ключевые проблемы обеспечения клинического эффекта искусственного интеллекта2019
Международная сеть проектов по исследованию геномов рака2010
Объяснимость искусственного интеллекта в здравоохранении: междисциплинарная перспектива2020
Пан-канцерная детекция клинически значимых генетических изменений по изображениям2020
Работы, цитирующие эту статью3
Применение машинного обучения для дифференциации злокачественных опухолей костей по данным визуализации: систематический обзор2023
Прогнозирование молекулярного онкологического биомаркера щитовидной железы BRAF (V600E) по цитологическим препаратам с использованием глубокого обучения без аннотаций2023
Искусственный интеллект в медицинской диагностике: основы, клинические применения и перспективные направления2026