前沿综述 | 机器学习在医学中的应用
前沿综述 | 机器学习在医学中的应用
此前，小编为大家整理过一篇BT与IT融合的综述文章 👉 深度学习在生物科学领域的应用，这次姐妹篇来咯！《Computers in Biology and Medicine 》在今年3月在线发表了一篇综述文章，回顾了医学领域使用机器学习（ML）的情况；介绍了标准技术及其对医学诊断的影响；深入讨论了五种主要的医学应用（癌症、医学化学、大脑、医学成像和可穿戴传感器）中的问题；同时提供了该领域潜在的研究可能性和未来的举措。
机器学习（ML）已被广泛应用于解决各种复杂的挑战，如医疗、金融、环境、营销、安全和工业等各领域。ML方法的特点是能够检查许多数据并发掘其相关性，提供解释，并识别模式。ML可以帮助提高许多疾病的诊断系统的可靠性、性能、可预测性和准确性。
机器学习方法和应用概述
利用机器学习技术进行医学诊断
ML算法被用于计算机辅助诊断（CAD）应用中。这些算法从医学检测报告中收集的许多诊断样本中学习，并与专家的诊断一起支持医学专家预测和诊断未来的疾病。ML的使用有助于提高特定疾病诊断系统的可靠性、性能和准确性，例如ML模型在乳房X光片中自动分类聚集微钙化的适用； 支持向量机（SVM）通过研究头皮脑电图（EEG）信号来精确识别癫痫发作；一种称为co-Forest的联合训练方法，可用于CAD系统；一种名为复合协变量预测因子的监督ML方法对转移性肝细胞癌(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技术预测心力衰竭的模型等。
机器学习在医学中的应用
癌症
癌症研究是一个具有重大社会影响的重要领域。ML在癌症研究中的应用在各个方面均表现出巨大的潜力，包括癌症相关问题的基准，如癌症类型的分类和预测、药物反应和治疗策略等。
利用ML技术进行癌症预测 | |
|---|---|
通过基因表达分析提高复杂疾病的分类和预测性能 | SVMKNN |
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 | SVMBTRF |
从基因描述中确定个性化药物抑制 | SVMRFE |
提出的框架提供了几个特点，以保持机器学习在癌症研究 | ANNs |
利用疾病诊断模式和DNA拷贝数变异识别遗传问题 | BHMGM |
检测癌症肿瘤中的错误基因和通路活性 | 基因表达 |
将高疲劳患者与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 |
开发用于诊断乳腺癌的计算机辅助检测/诊断系统 | k-NNSVMNB |
分析癌症样本的基因表达，预测最可能致癌的基因子集 | ANN |
利用ML技术进行癌症研究 | |
|---|---|
乳腺癌 | SVMFeature SelectionVR-CoDESANNTRFLS-SVMNB k-NN |
肺癌 | Gene expressionSVMRF |
前列腺癌 | RFSVRSVM NB |
膀胱癌 | SVMBPNNNBKNNRBFNELMRELM |
胰腺癌 | LDARF |
药物化学
有许多关于利用有机化学来发现药物的研究已经发表，一些有效的研究使用机器学习模型来帮助引入预测，例如研究人员利用香精油化学成分（EOs）的机器学习来解释所取得的实验结果；使用了六种机器学习方法和1823种化学品来研究生殖毒性，实验结果表明：SVM模型取得了最好的性能，此外还确定了合理边界，将准确预测和不准确预测分为两类；使用机器学习方法（分类和回归树以及深度神经网络分类）来寻找药用植物提取物的抗病毒特性等。
脑研究
大量研究利用ML技术进行大脑相关研究，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通过分析头皮EEG，通过构建特定于患者的分类器来检测癫痫发作；各种机器学习算法（如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。
医学影像
医学图像的模式可以通过ML技术识别，允许放射科医生根据放射信息做出明智的决定，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）。DL已经迅速成为医学影像领域评估医学图像的首选方法，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。
可穿戴传感器
ML技术在可穿戴传感器中的应用 | |
|---|---|
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：
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。