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

فراداده ها: یادگیری عمیق یک کلاس از الگوریتم های یادگیری ماشین را توصیف می‌کند که قادر به ترکیب ورودی‌های خام به لایه‌های ویژگی‌های میانی هستند. این الگوریتم ها اخیرا نتایج قابل‌توجهی را در حوزه‌های مختلف نشان داده‌اند. زیست‌شناسی و پزشکی رشته‌های غنی از داده هستند، اما داده‌ها پیچیده هستند و اغلب درک نمی‌شوند. از این رو، تکنیک‌های یادگیری عمیق ممکن است به طور خاص برای حل مشکلات این زمینه‌ها مناسب باشند. ما کاربردهای یادگیری عمیق را برای انواع مشکلات بیومدیکال بررسی می‌کنیم - طبقه‌بندی بیمار، فرآیندهای زیستی بنیادی و درمان بیماران - و بحث می‌کنیم که آیا یادگیری عمیق قادر به تبدیل این وظایف خواهد بود یا اینکه حوزه بیومدیکال چالش‌های منحصر به فردی ایجاد می‌کند. با پیروی از مرور گسترده ادبیات، ما کشف می‌کنیم که یادگیری عمیق هنوز باید انقلابی در علم زیست‌شناسی ایجاد کند و یا به طور قطع هر یک از مهم‌ترین چالش‌ها در این زمینه را حل کند، اما پیشرفت‌های امیدوار کننده‌ای در وضعیت قبلی هنر صورت‌گرفته است. اگرچه بهبود در خطوط پایه قبلی به طور کلی کم بوده‌است، پیشرفت اخیر نشان می‌دهد که روش‌های یادگیری عمیق ابزار ارزشمندی را برای تسریع یا کمک به تحقیقات انسانی فراهم خواهد کرد. اگرچه پیشرفت‌هایی در ارتباط با پیش‌بینی شبکه عصبی خاص به ویژگی‌های ورودی صورت‌گرفته است، اما درک این که کاربران چگونه باید این مدل‌ها را تفسیر کنند تا فرضیه‌های قابل آزمایش در مورد سیستم مورد مطالعه ایجاد کنند یک چالش باز باقی می‌ماند. علاوه بر این، مقدار محدود داده‌های علامت‌گذاری شده برای آموزش، مشکلاتی را در برخی حوزه‌ها، همانند محدودیت‌های قانونی و حریم خصوصی در کار با سوابق بهداشتی حساس، ایجاد می‌کند. با این حال، ما یادگیری عمیق را پیش‌بینی می‌کنیم که تغییرات را هم در نیمکت و هم در کنار بس‌تر با پتانسیل تبدیل حوزه‌های مختلف زیست‌شناسی و پزشکی ممکن می‌سازد. CNN / jats: p.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Biomedical Engineering
  • ترجمه مقاله Biomedical Engineering
  • مقاله مهندسی پزشکی
  • ترجمه مقاله مهندسی پزشکی
  • مقاله Biochemistry
  • ترجمه مقاله Biochemistry
  • مقاله بیوشیمی
  • ترجمه مقاله بیوشیمی
  • مقاله Biophysics
  • ترجمه مقاله Biophysics
  • مقاله بیوفیزیک
  • ترجمه مقاله بیوفیزیک
  • 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 Biotechnology
  • ترجمه مقاله Biotechnology
  • مقاله بیوتکنولوژی
  • ترجمه مقاله بیوتکنولوژی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.