以前，小编为大家整理了一篇文章BT与IT综合综述文章??深入学习在生物科学领域的应用，这次是姐妹篇！《Computers in Biology and Medicine》今年3月，我在网上发表了一篇综述文章，回顾了一下介绍了标准技术及其对医学诊断的影响，讨论了癌症、医学化学、大脑、医学成像和可穿戴传感器五大医学应用中的问题，并提供了该领域的潜在研究可能性和未来措施。
机器学习（ML）医疗、金融、环境、营销、安全、工业等复杂挑战得到了广泛的应用。ML该方法的特点是检查许多数据，探索其相关性，提供解释和识别模式。ML有助于提高许多疾病诊断系统的可靠性、性能、可预测性和准确性。
ML计算机辅助诊断算法（CAD）应用程序。这些算法从医学检测报告中收集的许多诊断样本中学习，并支持医学专家预测和诊断未来的疾病。例如ML适用于乳房x光片中微钙化的自动分类；研究头皮脑电图（EEG）准确识别癫痫发作的信号称为联合训练方法可用于CAD系统；复合协变量预测因子转移性肝细胞癌(HCC)患者进行分类；用于诊断心律失常的基于特征投影的监督算法；使用ML心力衰竭模型的技术预测等。
癌症研究是一个重要的社会影响领域。ML癌症研究的应用在癌症相关问题的分类和预测、药物反应和治疗策略等各个方面都具有巨大的潜力。
| 通过基因表达分析提高复杂疾病的分类和预测性能 |
SVM KNN |
| 测定肿瘤细胞系对药物治疗的反应 |
ANNs |
| 确定抗癌药物的临床疗效 |
SVM BT RF |
| 从基因描述中确定个性化药物抑制 |
SVM RFE |
| 为了在癌症研究中保持机器学习，提供了几个特征 |
ANNs |
| 利用疾病诊断模式和DNA复制数变异识别遗传问题 |
BHM GM |
| 检测癌症肿瘤中的错误基因和通路活性 |
基因表达 |
| 对高疲劳患者和低疲劳患者进行分类 |
正则化随机森林 |
| 根据CT扫描图像确定头颈癌的位置 |
ANN |
| 加强癌症类型的诊断和分类 |
ANN |
| 开发计算机辅助检测/诊断系统用于诊断乳腺癌 |
k-NN SVM NB |
| 分析癌症样本的基因表达，预测最有可能致癌的基因子集 |
ANN |
| 乳腺癌 |
SVM Feature Selection VR-CoDES ANN TRF LS-SVM NB k-NN |
| 肺癌 |
Gene expression SVM RF |
| 前列腺癌 |
RF SVR SVM NB |
| 膀胱癌 |
SVM BPNN NB KNN RBFN ELM RELM |
| 胰腺癌 |
LDA RF |
许多关于利用有机化学发现药物的研究已经发表，，例如，研究人员使用香精油化学成分（EOs）机器学习解释实验结果；采用6种机器学习方法和1823种化学物质研究生殖毒性，实验结果表明：除了确定合理的边界外，还确定了最佳性能，将准确预测和不准确预测分为两类；利用机器学习方法（分类、回归树和深度神经网络分类）来寻找药用植物提取物的抗病毒特性。
，例如将高维非线性模式分类方法应用于功能磁共振成像图像，以区分与谎言和真相相关的大脑活动的空间模式；一种结合常规和灌注磁共振的计算机辅助分类方法，用于鉴别诊断脑瘤类型和分级；利用SVM头皮分析EEG，各种机器学习算法(如构建特定于患者的分类器)SVM、NN和随机森林（RF）在预测中重度创伤性脑损伤（TBI）预后方面的附加值；使用改进的CSP和转移学习算法来提高EEG信号分类的准确性，并加快训练时间等。
，如基本放射照相术、计算机断层扫描（CT）、MRI、正电子发射断层扫描（PET）图像和放射学报告。例如研究人员提出了一种序列增强学习技术，用于在乳房X光片中使用SVM检测微钙化（MC）簇时提高性能等。ML和模式识别算法对大脑成像有重大影响，从长远来看，ML领域的技术发展和放射学可以互惠互利。深度学习（DL）是ML的一个分支，它处理的是受大脑的生物和功能启发的算法（即ANN）。这使得相关研究的数量不断增加，覆盖神经病理学、腹部、肺部、心脏、视网膜、肌肉骨骼和乳房等。
| Supervised-DL and ANN |
对通过物联网可穿戴工具收集的大量信息进行分类； 跟踪物联网可穿戴设备以识别人类日常活动； 帕金森综合征患者运动观察； 解决以前的方法的弱点，以增加识别用户动作的数量； 通过学习复数映射提取非线性特征组合； 分类识别不同的人体运动； 活动类型分类：强位移、过渡和零位移活动； 重点研究手势识别和日常活动识别； 满足了基于传感器的人体活动识别的实际要求，提高了识别精度； 自动识别最有效的识别特征，用于活动识别、自动识别； 自动揭示与人体运动生产动力学相关的特征 |
| Supervised-SVM |
通过加强与远程临床专家的沟通，用于在线主动学习信号模型； 使用SVM分类器和HMM的衍生信息对不同的病理步态进行分类； 从突出性、识别准确性、灵活性和能耗方面评估了 28 个系统； 提供一个系统，能够在即将发生的跌倒之前检测到它 ； 定义压力或放松状态的心理状态，评估活动信息对压力推理的影响； 对每个声音样本的特征进行分析和分类，并对所有采集样本的值进行归一化； 识别不同的个体活动，并平滑时间依赖的活动序列 ； 对 12 名年轻和年长的参与者进行跌倒样本测试； 使用可穿戴传感器识别特定活动中的不同人类活动和动作； 根据加速度计数据评估帕金森病患者症状的严重程度和运动困难 ； 确定严重生理学预警的自由参数； 识别包含一套小规模活动的高级别活动 ； 识别智能家居中的日常生活活动，并使用每个传感器的特征进行提取和组合，以创建特征向量； 在没有监督的情况下构建传感器数据的低维模型，而判别部分使用生成的特征空间来构建特征； 应用两种基于多实例学习和图结构的识别方法； 识别几个因素，包括个性特征、睡眠、情绪和压力，并比较这些特征的表现； 检测并诊断患者的活动，以检查他们是否遵循了用药程序； 观察与压力相关的显著特征，并根据他们的压力姿势将参与者分成两组 |
| Supervised-DT |
利用海量信息观察老年人的活动； 在某些情况下，使用无线心脏秤控制器识别自然活动及其优势 |
| Supervised-GP |
管理和使用大规模的信息转换，观察病人的健康状况 |
| Unsupervised-Feature selection |
检测指示人类运动的特征； 过滤特征、检测人体运动并识别其规律性； 减少识别和检测运动所需的特征数量； 使用新平台对传感器的数据转换和通信进行建模； 最小化功能冗余并确定最有用的功能 |
| Unsupervised-HMM |
检测犬类的静态姿势，如站立和躺下，以及动态活动，如爬楼梯和行走； 追踪震颤和运动障碍的外观和硬度，调查从PD病例中获得的标志 ； 通过使用监督训练跟踪通用分类方案的图表来分析特征选择、分类和提取 |
| Unsupervised-ELM |
对不同的日常活动进行分类和识别 |
最后作者提供了该领域潜在的研究可能性和未来的举措：
> 大多数研究使用监督的ML进行癌症检测，因为它足以对未来的输入进行分类。然而，也有一些局限性，如分类后可能会收到不正确的类标签，以及大数据分类的挑战。因此，应包括特征选择以帮助改善这些挑战问题。
> ML算法被用来检测一些大脑问题的发生，如创伤和癫痫发作。为了提高ML性能，人工智能技术可以与ML技术结合使用，以帮助充分跟踪感兴趣的区域。
> 为了提高组件分类器的多样性，我们建议在医学诊断中使用模糊分类器，这在以前还没有被利用过。
> 针对医学图像，我们强烈建议采用无监督学习方法，因为它们能够获取和保留大量数据。
> 可穿戴传感器获取的海量数据需要一种有效的方法来提取最相关的信息，并能快速有效地处理大量在线数据。
由于篇幅问题，建议感兴趣的小伙伴参考文献原文对相关研究和机器学习技术进行深入了解~
文中涉及的机器学习技术见下表：
首发公号：国家基因库生命大数据平台
参考文献
Shehab M, Abualigah L, Shambour Q, et al. Machine learning in medical applications: A review of state-of-the-art methods[J]. Computers in Biology and Medicine, 2022, 145: 105458.
图片均来源于参考文献，如有侵权请联系删除。