Глубокое обучение в диагностике рака, прогнозировании исходов и выборе лечения

Deep learning in cancer diagnosis, prognosis and treatment selection
Nicola Waddell, John V. Pearson, Khoa Anh Tran, Olga Kondrashova, Andrew Peter Bradley, Elizabeth D. Williams
2021-09-27

диагностика ракаглубокое обучениеобъяснимое глубокое обучениеинтеграция мультиомных данныхточная онкология
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.
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.

Применения глубокого обучения в онкологии (для анализа омных данных и гистопатологии, связанных с раком)

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
Access Type
Author Information
Authors
Nicola Waddell
John V. Pearson
Khoa Anh Tran
Olga Kondrashova
Andrew Peter Bradley
Elizabeth D. Williams
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%