view in publisher's site

Opportunities and obstacles for deep learning in biology and medicine

Deep learning describes a class of machine learning algorithms that are capable of combining raw inputs into layers of intermediate features. These algorithms have recently shown impressive results across a variety of domains. Biology and medicine are data-rich disciplines, but the data are complex and often ill-understood. Hence, deep learning techniques may be particularly well suited to solve problems of these fields. We examine applications of deep learning to a variety of biomedical problems—patient classification, fundamental biological processes and treatment of patients—and discuss whether deep learning will be able to transform these tasks or if the biomedical sphere poses unique challenges. Following from an extensive literature review, we find that deep learning has yet to revolutionize biomedicine or definitively resolve any of the most pressing challenges in the field, but promising advances have been made on the prior state of the art. Even though improvements over previous baselines have been modest in general, the recent progress indicates that deep learning methods will provide valuable means for speeding up or aiding human investigation. Though progress has been made linking a specific neural network's prediction to input features, understanding how users should interpret these models to make testable hypotheses about the system under study remains an open challenge. Furthermore, the limited amount of labelled data for training presents problems in some domains, as do legal and privacy constraints on work with sensitive health records. Nonetheless, we foresee deep learning enabling changes at both bench and bedside with the potential to transform several areas of biology and medicine.

فرصت‌ها و موانع یادگیری عمیق در زیست‌شناسی و پزشکی

یادگیری عمیق دسته‌ای از الگوریتم های یادگیری ماشین را توصیف می‌کند که قادر به ترکیب ورودی‌های خام به لایه‌های ویژگی میانی هستند. این الگوریتم ها اخیرا نتایج قابل‌توجهی را در سراسر دامنه‌های مختلف نشان داده‌اند. زیست‌شناسی و پزشکی رشته‌های غنی از اطلاعات هستند، اما داده‌ها پیچیده و اغلب نادرست هستند. از این رو، تکنیک‌های یادگیری عمیق ممکن است برای حل مشکلات این زمینه‌ها به خوبی مناسب باشند. ما کاربردهای یادگیری عمیق را به انواعی از مشکلات پزشکی - طبقه‌بندی بیماران، فرآیندهای زیستی اساسی و درمان بیماران مورد بررسی قرار می‌دهیم - و در مورد این که آیا یادگیری عمیق قادر به تغییر این کارها خواهد بود یا اگر حوزه پزشکی چالش‌های منحصر به فرد دارد، بحث می‌کنیم. پس از بررسی گسترده ادبیات، متوجه شدیم که یادگیری عمیق هنوز انقلابی در علوم زیستی یا به طور قطع حل هر کدام از مهم‌ترین چالش‌ها در این زمینه دارد، اما پیشرفت‌های نوید بخش در حالت قبلی هنر صورت‌گرفته است. حتی با وجود پیشرفت‌هایی که در زمینه خطوط هوایی قبلی صورت‌گرفته است، پیشرفت‌های اخیر نشان می‌دهد که روش‌های یادگیری عمیق ابزار ارزشمندی برای سرعت بخشیدن به تحقیقات انسانی و یا کمک به تحقیقات انسانی خواهند داشت. اگر چه پیشرفت‌هایی در ارتباط با پیش‌بینی شبکه‌های عصبی خاص برای ویژگی‌های ورودی ایجاد شده‌است، اما درک اینکه چگونه کاربران باید این مدل‌ها را تفسیر کنند تا فرضیه‌های آزمایش قابل آزمایش در مورد سیستم مورد مطالعه به عنوان یک چالش باز باقی بماند. علاوه بر این، مقدار محدودی داده نشاندار شده برای آموزش، مشکلاتی را در برخی حوزه‌ها مطرح می‌کند، همانطور که محدودیت‌های قانونی و حریم خصوصی بر روی کار با سوابق بهداشتی حساس کار می‌کنند. با این وجود، ما یادگیری عمیق را پیش‌بینی می‌کنیم که قادر به تغییر در هر دو نیمکت و بالین با پتانسیل تغییر حوزه‌های مختلف زیست‌شناسی و پزشکی است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Biomedical Engineering
  • ترجمه مقاله Biomedical Engineering
  • مقاله مهندسی پزشکی
  • ترجمه مقاله مهندسی پزشکی
  • مقاله Biomaterials
  • ترجمه مقاله Biomaterials
  • مقاله مواد بیولوژیکی
  • ترجمه مقاله مواد بیولوژیکی
  • مقاله Bioengineering
  • ترجمه مقاله Bioengineering
  • مقاله مهندسی زیستی
  • ترجمه مقاله مهندسی زیستی
  • مقاله Biochemistry
  • ترجمه مقاله Biochemistry
  • مقاله بیوشیمی
  • ترجمه مقاله بیوشیمی
  • مقاله Biophysics
  • ترجمه مقاله Biophysics
  • مقاله بیوفیزیک
  • ترجمه مقاله بیوفیزیک
  • مقاله Biotechnology
  • ترجمه مقاله Biotechnology
  • مقاله بیوتکنولوژی
  • ترجمه مقاله بیوتکنولوژی
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.