Học Máy Trong Y Học
Tóm tắt
Nhờ vào những tiến bộ trong công suất xử lý, bộ nhớ, lưu trữ và kho dữ liệu chưa từng có, máy tính đang được yêu cầu giải quyết những nhiệm vụ học tập ngày càng phức tạp, thường đạt được thành công bất ngờ. Máy tính giờ đây đã thành thạo một biến thể phổ biến của trò chơi poker, học các luật vật lý từ dữ liệu thực nghiệm, và trở thành chuyên gia trong các trò chơi điện tử - những nhiệm vụ mà không lâu trước đây được coi là không thể thực hiện. Song song với đó, số lượng các công ty tập trung vào việc áp dụng phân tích dữ liệu phức tạp vào các ngành công nghiệp đa dạng đã bùng nổ, do đó không có gì đáng ngạc nhiên khi một số công ty phân tích đang chuyển sự chú ý đến các vấn đề trong lĩnh vực chăm sóc sức khỏe. Mục đích của bài đánh giá này là khám phá những vấn đề trong y học có thể được hưởng lợi từ các phương pháp học tập như vậy và sử dụng các ví dụ từ tài liệu để giới thiệu những khái niệm cơ bản trong học máy. Điều quan trọng là lưu ý rằng các tập dữ liệu y tế có vẻ đủ lớn và các thuật toán học tập thích hợp đã có sẵn trong nhiều thập kỷ, và mặc dù có hàng ngàn tài liệu áp dụng các thuật toán học máy vào dữ liệu y tế, rất ít trong số đó đã góp phần đáng kể vào việc chăm sóc lâm sàng. Sự thiếu tác động này nổi bật đối lập với sự liên quan khổng lồ của học máy đối với nhiều ngành công nghiệp khác. Do đó, một phần nỗ lực của tôi sẽ là xác định những trở ngại nào có thể tồn tại trong việc thay đổi thực hành y học thông qua các phương pháp học thống kê và thảo luận về cách thức vượt qua những trở ngại này.
Từ khóa
#học máy #sức khỏe #phân tích dữ liệu #thuật toán #chăm sóc lâm sàngTài liệu tham khảo
Abu-Mostafa YS Magdon-Ismail M Lin HT. Learning From Data. AMLbook.com; 2012.
National Research Council (US) Committee on a Framework for Developing a New Taxonomy of Disease. Toward Precision Medicine: Building a Knowledge Network for Biomedical Research and a New Taxonomy of Disease. Washington, DC: National Academies Press; 2011.
Guyon I, Elisseeff A. An introduction to variable and feature selection. J Mach Learn Res. 2003;3:1157–1182.
Koren Y. The BellKor solution to the Netflix Grand Prize. Netflix Prize Documentation. 2009.
Töscher A, Jahrer M, Bell RM. The bigchaos solution to the netflix grand prize. Netflix Prize Documentation. 2009.
Kaufman L, Rousseeuw P. Clustering by means of medoids. Reports of the Faculty of Mathematics and Informatics. 1987, Issue 87, Part 3. Delft, The Netherlands: Delft University of Technology, Faculty of Mathematics and Informatics.
Lee H, Battle A, Raina R, Ng A. Efficient sparse coding algorithms. Advances in Neural Information Processing Systems 19. 2006.
Yogatama D, Faruqui M, Dyer C, Smith NA. Learning word representations with hierarchical sparse coding. CORD Conference Proceedings. 2014.
Ausiello D, Shaw S. Quantitative human phenotyping: the next frontier in medicine. Trans Am Clin Climatol Assoc. 2014;125:219–226; discussion 226.