یادگیری عمیق در پزشکی

یادگیری عمیق، به عنوان یکی از شاخه های یادگیری ماشین، در سال های اخیر توجه بسیاری را در حوزه پزشکی به خود جلبکرده است. این تکنیک ها با توانایی شناسایی الگوهای پیچیده و پردازش داده های بزرگ، بهبود چشمگیری در تشخیص بیماریها، تحلیل تصاویر پزشکی و پیش بینی نتایج بالینی را فراهم کرده اند.پیشرفت های انتزاعی در زیست و تکنولوژی های زیستی،حجم بسیار زیادی از داده های زیستی و فیزیولوژیک را ایجاد کرده است،از جمله تصویرهای پزشکی،الکتروانسفالوگرافی،نقشه های ژنوم و توالی های پروتئینی. یادگیری با استفاده از این داده ها منجر بهتهسیل درک ما نسبت به سلامت و بیماری های انسان می شود. الگوریتم های مبتنی بر یادگیری عمیق که از شبکه های عصبیمصنوعی توسعه پیدا کرده اند ،توانایی بالایی برای استخراج کردن ویژگی و الگوهای یادگیری از داده های پیچیده را ازخودشاننشان داده اند. هدف این مقاله فراهم کردن مروری بر روی تکنیک های یادگیری عمیق و بعضی از جدیدترین کاربردهای ان ها درزمینه پزشکی می باشد. ما نخست توسعه شبکه های عصبی و یادگیری عمیق را ارائه می کنیم. سپس دو بخش اصلی از یادگیریعمیق ،یعنی معماری یادگیری عمیق و بهینه سازی مدل را ارائه می کنیم. در نهایت بعضی از نمونه های کاربردی روش یادگیریعمیق ارائه می گردد، از جمله طبقه بندی تصاویر پزشکی، تحلیل توالی ها، و همچنین طبقه بندی و پیش بینی کردن ساختارپروتئین ها. و در اخر ما دیدگاه و موارد قابل توجه خودمان را در رابطه با جهت اتی در زمینه یادگیری عمیق را ارائه می کنیم.

کلیدواژه ها:

یادگیری عمیق ، داده های بزرگ ، انفورماتیک زیستی ، انفورماتیک پزشکی ، تصویر های پزشکی