【转】深度学习在生物医学领域的应用 进展述评

深度学习在该领域的应用主要集中在生物信息学、医学图像识别、病症预测、临床辅助决策
和药物开发等方面。
已有研究通过将该领域的文字、图像、信号等记录信息进行多维量化，利用深度学习开发多种模型进行数据特征学习、信息挖掘、状态模拟，完成了识别、评价、预测等功能。深度学习凭借其复杂模拟算法的优势，在生物医学领域的实践取得了优于传统算法的成果，并且在疾病自动编码、多数据源整合分析、公共卫生领域等方面的应用实践值得进一步探索

深度学习( Deep Learning，DL) 作为机器学习( Machine Learning，ML) 领域的一个新兴学科和快速发展的分支，已经被广泛应用于图像识别、自动语音识别、自动机器翻译、自然语言处理等多个领域。

深度学习可以提供更高准确度、处理更复杂问题，因此也意味着需要海量的数据样本、大量的计算资源、特定的模型架构和高额的成本投入。

深度学习最常见的几种模型主要有

• 卷积神经 网络( Convolutional Neural Networks，CNN)
• 循环神经网络( Ｒecurrent Neural Network,RNN)
• 深度置信网络( Deep Belief Networks，DBN)

CNN：
典型的 CNN 拥有卷积层、池化层和全连接层三部分

• 卷积层负责提取目标的局部特征

• 池化层 用来大幅降低参数量级( 降维)

• 全连接层用来输 出想要的结果

CNN
通过卷积层的特征提取和池化层的数据降维，具有共享权值和局部感知的特点，能够较好地识别对象特征，在生物医学领域的图像配准、影像识别方面应用较多

ＲNN
结构简单，主要由输入层、隐藏层和输出层组成，
较传统神经网络的区别在于每次都会将前一隐藏层的输出数据带入下一隐藏层一起训练。

ＲNN
由于对时域序列的输入数据处理更胜一筹，能够对序列的演进方向进行递归，因此在生物医学领域主要应用于患者的病例识别、文本处理等自然语言处理过程( Natural Language Processing，NLP)

深度置信网络

由多层受限玻尔兹曼感知机( Ｒe- stricted Boltzmann Machine，ＲBM) 和前馈反向传播( Back
Propagation，BP) 网络组成，其不仅克服了 BP
网络局部最优与训练时间长的缺点，而且结合了有监督学习与无监督学习的优点，具有高灵活性、容易扩展的特点。

深度学习模型在生物医药领域应用.

1 生物信息学方向应用现状
生物信息学领域基因组、蛋白质数据开始大量累积。由人工神经网络发展而来的基于深度学习的算法在从复杂数据中提取特征和学习模式方面显示出巨大的潜力，由于其可以提供数据驱动的特征学习并处理高维数据，因此在基因组序列的分析中变得越来越流行。

2 医学图像识别方向应用现状
生物医学图像数据方面，随着医学图像数据的显著增加，用于图像分割、定位、分类和识别任务的深度学习算法取得了成功。

基于卷积神经网络的无监督的图像配准技术———深度学习图像配准( Deep Learning Image科技前沿与进展 世界科技研究与发展 2020 年 10 月 第514页 www． globesci． com Ｒegistration，DLIＲ) 框架在训练完成后进行图像配准无需迭代，性能与传统图像配准相当，速度快了几个数量级。

卷积神经网络由于其在空间信息分析方面的出色能力，在序列分析、生物信号处理和临床预判中表现出巨大潜力。在胸部 X 光片检查中，卷积神经网络验证了其对胸部病理分类识别的能力，例如慢性阻塞性肺疾病、肺炎、哮喘、结核病和其他肺部疾病，其综合识别率达到 92.4% ，明显高于传统浅层网络( 反向传播神经网络和竞争神经网络) 的 85%。

标签：配准,卷积,生物医学,学习,神经网络,图像,述评,深度
来源： https://blog.csdn.net/weixin_51552144/article/details/113871970