分子技术的进展推动了与生物学和生物医学相关的数据集的巨大增长。这些进展与机器学习中的深度学习子领域相似。可微分编程工具箱中的组件使深度学习成为可能,使计算机科学家能够用灵活和有效的工具解决越来越多的问题。然而,这些工具中许多尚未充分应用于计算生物学和生物信息学领域。在这个观点中,我们对其中一些进展进行了调查,并强调它们在生命科学中的应用,以增加从业人员对将专业知识与新兴的深度学习架构工具相结合的新机遇的认识。
Jun, 2024
深度学习在计算生物学中的历史、优势、挑战,以及应用于 DNA 序列分类、蛋白质结构预测等方面的前景进行了综述,强调了需要解决大规模标记数据集和深度学习模型可解释性等挑战以充分发挥其潜力,对于检测基因组变异、分析基因表达等方面带来了重要的转变,同时在表观遗传学数据分析和蛋白质结构预测方面也取得了显著进展,展望了深度学习在计算生物学中的未来前景。
Oct, 2023
本文综述了深度学习模型及其在生物信息学和医疗保健领域中的广泛应用,涵盖了不同结构的 DL 模型,并讨论了进行 DL 研究时可能遇到的一些关键挑战。
Feb, 2023
通过综合研究文献,本文广泛探讨了深度学习在各个学科中的潜在应用,以及相关的优势和挑战,验证了深度学习在预测分析方面的准确性和优势,使其成为一种强大的计算工具。深度学习独立于训练数据,因此需要大量的数据进行有效的分析和处理。为了处理大量的医疗、科学、医疗保健和环境数据,可以利用诸如 LSTMs 和 GRUs 的门控架构。对于多模态学习,神经网络中的共享神经元和特定任务的专用神经元是必要的。
Sep, 2023
本文综述深度学习、强化学习和深度强化学习等技术在生物数据挖掘中的应用,并比较了这些技术应用于不同数据集在各个应用领域的表现,最后概述了这个具有挑战性的研究领域中的未解决问题和未来发展前景。
Nov, 2017
本文对人工智能及其在生物医学领域中的应用进行了介绍,着重讲述了深度学习、自然语言处理、可解释的人工智能等相关技术及其在生物医学领域的应用和重要性。
Feb, 2022
人工智能对生物医学研究和其他领域有着深远的影响。大脑启发式计算是多模态技术和生物医学领域的重要交叉点。该论文全面回顾了大脑启发式计算中机器学习(ML)和深度学习(DL)模型的演变、应用价值、挑战和潜在研究轨迹。
Dec, 2023
深度学习应用于教育数据科学的调查和讨论,主要涉及深度神经网络、知识追踪模型和自动情感与行为检测器等领域。
Apr, 2024
本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试,强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献,并讨论了未来研究的可能解决方案和技术挑战。
May, 2021
概述了近年来机器学习在医学图像处理和分析领域的应用,特别关注深度学习在 MRI 中的应用,以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。
Nov, 2018