Research Article

المؤشرات الحيوية الجزيئية متعددة الوسائط القائمة على التعلم الآلي لتحليلات الصحة التنبؤية

DOI:

10.3791/69241

⸱

January 16th, 2026

 ,  ,  ,  ,  , 
1Department of CSE, Vidya Jyothi Institute of Technology, 2Department of Artificial Intelligence and Data Science, JB Institute of Engineering and Technology, 3Department of CSE, Sri Chaitanya Institute of Technology and Research, 4Department of CSE, Saveetha Engineering College, 5Department of Artificial Intelligence and Data Science, Rajalakshmi Engineering College, 6Department of CSE, B. S. Abdur Rahman Crescent Institute of Science and Technology

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعزز التعلم الآلي باستخدام المؤشرات الحيوية متعددة الوسائط التنبؤ بالأمراض والمراقبة، مما يوفر وعدا للتقدم في مجال الرعاية الصحية في مجالات متنوعة، ويحسن نتائج الرعاية الصحية من خلال التنبؤ الدقيق بالأمراض.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

كل عام، يتأثر العديد من الناس حول العالم بشكل متزايد بالحالات الصحية المدمرة مثل أمراض القلب، والتهابات الجهاز التنفسي، والاضطرابات العصبية، والإجهاد المعرفي، والسرطان، والسكتة الدماغية، والسكري، وغيرها، مما يؤدي إلى مضاعفات صحية شديدة وشذوذات مرتبطة بها. لذا، فإن تحليلات الصحة المبكرة ضرورية، لأنها تتيح التدخل في الوقت المناسب بعلاجات مستهدفة، مما قد يوفر راحة فورية وفوائد طويلة الأمد قد تبطئ تقدم المرض. نظرا لتعقيد العمليات الفسيولوجية المرضية والتجارب السريرية غير المتجانسة في مختلف الحالات الصحية، هناك حاجة إلى مؤشرات حيوية متعددة الوسائط وحساسة للغاية ونهج استقصائي فعال للكشف بدقة عن نتائج صحة المرضى ومتابعتها. لذلك، يتم النظر في خوارزميات التعلم الآلي ذات الفئات والتقنيات المختلفة للتنبؤ بالنتائج، بما في ذلك التشخيص، وتقييم المخاطر، وتصنيف المرضى، ومراقبة الأمراض. تنقسم عملية العمل المقترح إلى ثلاث مراحل، حيث تحدد المرحلة الأولى أهمية الرعاية الصحية من خلال دراسات حالة، تليها خوارزميات التعلم الآلي التقليدية (ML)، وأساليب التعلم العميق التقليدية (DL)، وتقنيات التعلم العميق الحديثة (TabNet و AutoInt) في المرحلة الثانية. وأخيرا، يتم تنفيذ التجارب لتبرير النتائج. يبرز هذا العمل تجميع الأنماط من خلال دمج البروتينات الجزيئية، والمؤشرات الكيميائية، والوراثية مع ميزات التعلم الآلي الناشئة. تشير النتائج إلى تحسن كبير في التنبؤ بالدقة باستخدام المنهجية المقترحة.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يستخدم نظام الرعاية الصحية بشكل متزايد التحليلات التنبؤية لمراقبة المرضى وتشخيص النتائج الصحية في الوقت المناسب، مما يسهل الرعاية الاستباقية ويحسن نتائج المرضى. من خلال دمج التحليلات التنبؤية مع المؤشرات الحيوية، يمكن للأطباء تحسين دقة التشخيص، وتحديد العلاجات الفعالة، ومتابعة تقدم العلاج، واكتساب رؤى قيمة حول آليات المرض، مما يؤدي في النهاية إلى اتخاذ قرارات علاجية أكثر وعيا وفعالية. تشير المؤشرات الحيوية إلى خصائص الجزيئات أو المؤشرات البيولوجية الموجودة في العينات، مثل السوائل الحيوية، والأنسجة، والخلايا، والحمض النووي، والحمض النووي الريبي، والدم، والبول، والتي تقيس وجود أو تقدم مرض في جسم الإنسان، مما يساعد في تقييم فعالية العلاج1.

تلعب التطورات في تطبيق العلامات الحيوية الجزيئية دورا حيويا في الطب الشخصي من خلال قياس جزيئات محددة بدقة لتحديد مشاكل صحية فريدة لدى المرضى، مما يمكن من استراتيجيات علاجية مستهدفة من المراحلالأولى 2. في المستقبل، ستساعد الأساليب متعددة الوسائط في دمج أنماط الأمراض المعقدة المختلفة، مما يتيح تحديد تشخيص الأمراض في السرطان والأمراض التنكسية بشكل أكثر دقة من خلال تقنيات التحليل التنبؤي المتقدمة3. تستخدم المنهجية المتطورة بيانات متعددة الأوميكس، والمعلوماتية الحيوية، وخوارزميات التعلم الآلي لتحديد مؤشرات حيوية جديدة، مما يمكن من تحديد أنماط المخاطر الخاصة بالمريض واستراتيجيات العلاج الذاتية لأمراض القلب والأوعية الدموية (CVDs) وأمراض معقدة أخرى4. يحمل الجمع بين المؤشرات الحيوية الجزيئية وأساليب المؤشرات متعددة الأوميكس وعدا في تعزيز دقة التشخيص والطبقات العلاجية في الأمراض العصبية5.

مع تقدم تقنيات التعلم الآلي، يمكن للمؤشرات الحيوية الجزيئية متعددة الوسائط دمج أنواع بيانات متنوعة لتحديد توقيعات الأمراض الجديدة في حالات صحية مختلفة، مما يتيح تشخيصا أكثر دقة واستراتيجيات علاج شخصية. استنادا إلى هذه الإمكانيات، يستكشف المؤلف تقنيات التعلم الآلي المختلفة في الرعاية الصحية للتنبؤ بعوامل الخطر لتشخيص الأمراض ويبرز أهميتها في قطاعات الرعاية الصحية المختلفة6. مع تحول التعلم الآلي لتشخيص الأمراض وعلاجها، تستفيد ممارسات الأدوية بشكل متزايد من خوارزميات اتخاذ القرار لتحليل نتائج صحة المرضى وتلبية احتياجاتهم اليومية، مما يتيح رعاية أكثر وعيا وفعالية7. مستفيدا من الحاجة المحتملة لدمج البيانات متعددة الوسائط، طورت هذه الدراسة مؤشرات حيوية باستخدام بيانات متعددة الوسائط (رنين مغناطيسي وجيني) للتنبؤ بتطور وتطور مرض الزهايمر، مما أظهر أن البيانات الجينية تتنبأ بشكل أفضل بتقدم الزهايمر المستقبلي لدى الأشخاص الطبيعيين في الضابطة، بينما أظهرت بيانات الرنين المغناطيسي علامات الضعف الإدراكي الخفيف المستقر، وجمعت بين الاثنين، مما أدى إلى أداء تصنيف أفضل8.

ولتعزيز تطبيق تحليل البيانات متعددة الوسائط، يستخدم التعلم العميق متعدد الوسائط بيانات التعبير الجيني لتحديد الأدوية التي تستهدف خطوط خلايا محددة من جزيئات بيولوجية جديدة، مما يوضح كيف تؤثر التغيرات الجينومية على استجابة العلاج9. بالتزامن مع التقدم في تحليل البيانات متعددة الوسائط، تظهر المؤشرات الحيوية غير الجراحية، التي تم تقييمها باستخدام مقاييس الذكاء الاصطناعي وتعلم الآلة، كأدوات واعدة للتشخيص، مع اختلاف في الخصوصية والحساسية مقارنة بالمؤشرات الحيوية الغازية، وذلك حسب التطبيق والسياق البياني10. تماشيا مع الأهمية المتزايدة لتحليل البيانات متعددة الوسائط، يمكن لنماذج التعلم العميق (DL) الجماعية التعامل مع البيانات المعقدة بفعالية من خلال دمج مؤشرات حيوية جديدة، بما في ذلك تفاعلات الجين والبروتين، لتعزيز أبحاث السرطان وتحسين استراتيجيات العلاج11. مع استمرار نماذج تجميع DL في تطوير أبحاث السرطان، تلعب التحليلات التنبؤية دورا حيويا في تشخيص الأمراض وعلاجها من خلال تحليل كميات كبيرة من البيانات الجماعية من مصادر متعددة، بما في ذلك حالات صحية متنوعة، لتوفير نظرة شاملة على الحالة، مثل تقييم المخاطر والتشخيص12.

الهدف من البروتوكول المقترح هو تنفيذ خوارزميات قائمة على التعلم الآلي والتعلم المنخفض التي تدمج المؤشرات البيولوجية المميزة لتعزيز دقة تحليلات الرعاية الصحية. تعتمد تقنيات التنبؤ التقليدية التي تستخدم المؤشرات الحيوية عادة على بيانات أحادية النمط والنماذج الإحصائية الخطية، والتي قد لا تلتقط بشكل كاف العلاقات المعقدة وغير الخطية التي تؤثر على تطور المرض والفروق الفردية. إن دمج كميات هائلة من البيانات من الملاحظات، وسجلات الصحة الإلكترونية، والقراءات المخبرية، والقياسات الفيزيائية، والتقييمات السريرية يوفر فرصة كبيرة لتلخيص وتحسين تقييم المخاطر في تشخيص المرضى13. تلعب العلامات الحيوية دورا حيويا في الطب الدقيق، حيث تمكن من العلاج الموجه في الوقت المناسب. على الرغم من أن المؤشرات الحيوية معقدة وتشكل تحديات في قياس الأنواع الفرعية للمرض والنمو الجزيئي، إلا أنها لا تقدر بثمن في تقييم التفاعلات السامة تحت ظروف غير طبيعية مختلفة، مما يسهل المزيد من التحليل. من خلال استخدام المؤشرات الحيوية أثناء الملاحظة السريرية، يمكن للعاملين في الرعاية الصحية التنبؤ بدقة أكبر بتطور المرض ومراقبة استجابات العلاج. في النهاية، فإن تقارب المؤشرات الحيوية الجزيئية متعددة الوسائط في تحليلات الرعاية الصحية مع الذكاء الاصطناعي يمكن من التعرف على الأنماط بشكل أكثر فعالية، مع مطابقة الخصائص القائمة لتقليل التأثير السريري.

عند مقارنتها بأحدث المناهج، خاصة أعمال سومبالي وآخرون، حيث اقترح المؤلفون خوارزميات تعلم الآلة، مثل البيانات الأيضية، وفوق الوراثية، والبروتيومية، واقترحوا إرشادات عامة لاختيار خوارزميات التعلم الآلي. ومع ذلك، هناك حد لتحليل البيانات. في العملالحالي رقم 15، تم تطبيق طرق التكامل غير المراقبة على بيانات الأوميكس، مع التركيز على التحديات الحاسوبية. على النقيض من ذلك، هناك قيود على نطاق وتحليل الطرق. علاوة على ذلك، غطى هوانغ وآخرون معظم طرق التعلم العميق لتحليل التطبيقات المتنوعة، بهدف فهم قوة البيانات الضخمة والأطر الحاسوبية. شملت العيوب خلل في توازن البيانات، والإفراط في التوافق، ومشاكل في التفسير. يعد البروتوكول المقترح حاسما لمعالجة فجوة حرجة في أبحاث العلامات الحيوية التكاملية، حيث تفشل التقنيات الحالية في الجمع بين البيانات البيولوجية عالية الأبعاد والمتنوعة بفعالية. من خلال استخدام التعلم الآلي والتعلم العميق المتقدمين الذين يتفوقون في التعرف على الأنماط، واختيار الميزات، والاندماج متعدد الوسائط، يهدف العرض المقترح إلى تحديد توقيعات تنبؤية قوية تعزز التشخيص المبكر، والتوقعات المرضية، وخيارات العلاج الفردية. يعالج هذا البروتوكول بشكل مباشر حدود تقييمات المؤشرات الحيوية المتفرقة من خلال تقديم نموذج شامل قائم على البيانات يتيح توقعات صحية قابلة للتوسع والتفسير وذات صلة سريرية.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. سير العمل التجريبي

يوضح الشكل 1 خط سير عمل منظم ومعياري مصمم لتصنيف المؤشرات الحيوية الجزيئية إلى فئات مؤشرات المخاطر أو التشخيص باستخدام تقنيات التعلم الآلي والتعلم العميق. إليك شرحا تفصيليا خطوة بخطوة للعملية:

  1. جمع مجموعة البيانات
    تم جمع مجموعة البيانات من قاعدة بيانات MarkerDB 2.0، وهي قاعدة بيانات منسقة للمؤشرات الحيوية الجزيئية.
  2. معالجة البيانات المسبقة
    يضمن ذلك جودة البيانات واتساقها من خلال التعامل مع القيم الصفرية والمدخلات المفقودة، وترميز الميزات التصنيفية باستخدام LabelEncoder، وتكبير الميزات الرقمية (مثل entrez_gene_id) باستخدام StandardScaler.
  3. هندسة الميزات
    يوصى باختيار الميزات ذات الصلة التي تؤثر على تصنيف المؤشرات الحيوية، وتمنع تسرب البيانات، وتحسن أداء النموذج.
  4. تطوير النماذج
    الأساليب المستخدمة هي الانحدار اللوجستيكي، الغابة العشوائية، XGBoost، بينما في DL: MLP، mlp مع LR Scheduler، AutoInt، TabNet. الأنشطة التي يتم تنفيذها هي ضبط المعاملات الفائقة، والتحقق المتبادل، والتحسين لمهام التصنيف.
  5. تقسيم البيانات
    هنا، تستخدم مجموعة التدريب (80٪) لتعلم معلمات النموذج، ومجموعة الاختبار (20٪) لتقييم النموذج على بيانات غير مرئية. في المرحلة النهائية، تستخدم مقاييس التقييم لضمان قياس الأداء بشكل شامل، خاصة في سيناريوهات الفئات غير المتوازنة.

figure-protocol-1
الشكل 1: مخطط التدفق للعمل المقترح. يتم تصوير سير العمل للمشكلة المقترحة في هذا الشكل. تشمل الخطوات معالجة البيانات المسبقة، هندسة الميزات، تطوير النماذج، التقسيم، تقييم النموذج باستخدام المقاييس، وتحليل المؤشرات الحيوية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

2. وصف مجموعة البيانات

اسم مجموعة البيانات all_sequence_variants مع امتداد csv. هناك أعمدة بأسماء مثل 'id'، 'التغير'، 'الموقع'، 'external_link'، 'gene_symbol'، 'entrez_gene_id'، 'المرجع'، 'الشروط'، 'indication_types'، حيث جميعها من نوع الكائن باستثناء id كنوع int و entrez_gene_id كنوع عائم. العدد الإجمالي للصفوف هو 42818 مع 9 أعمدة. علاوة على ذلك، تحتوي مجموعة البيانات على قيم صفرية للتغير، والموقع، و external_link، و entrez_gene_id، والمرجع، والظروف، و indication_types. تم أخذ مجموعة البيانات من الرابط المعطى كالتالي: https://markerdb.ca/downloads17

3. معالجة مجموعة البيانات المسبقة

في هذه المرحلة، تبدأ معالجة البيانات المسبق بجمع معلومات مجموعة البيانات، والوصف، وتحديد التكرارات، وتحديد القيم المفقودة/الصفرية. لا يوجد تأثير للميزة external_link عند قياسها بمعامل الارتباط، وبالتالي يتم إزالتها. القيم الصفرية للأعمدة التصنيفية والأعمدة الرقمية تملأ بالوسيط والمتوسط على التوالي. وأخيرا، شكل مجموعة البيانات للإدخال والإخراج هو (42787, 6)(42787,). أعمدة الإدخال هي 'id'، 'التغير'، 'الموقع'، 'gene_symbol'، 'entrez_gene_id'، 'الشروط'، بينما العمود المستهدف هو indication_types.

4. المؤشرات الحيوية: الفئات، تحديات البيانات، ودور المخاطر الجزيئية

العلامة الحيوية هي صفة قابلة للقياس تشير إلى الأنشطة البيولوجية الطبيعية أو غير الطبيعية أو الاستجابات للتعرضات أو التدخلات المختلفة. قد تكون العلامات الحيوية جزيئية أو نسيجية أو شعاعية أو فسيولوجية وتنقسم إلى سبع فئات رئيسية: (1) يحدد المؤشر التشخيصي ما إذا كان الفرد يعاني من مرض أو اضطراب معين وإذا كان يندرج ضمن نوع فرعي، (2) يشير مؤشر المراقبة إلى تقدم المرض واستجابته للعلاج، (3) يشير مؤشر الاستجابة الحيوي إلى ما إذا كان المريض يتفاعل مع دواء أو علاج، مثل تغير معدل ضربات القلب، (4) يمكن للمؤشر البيولوجي التنبؤي تحديد ما إذا كان الفرد معرضا لخطر الإصابة بمرض معين وكيف يمكنه الاستجابة لعلاج معين، (5) يمكن للمؤشر التنبؤي أن يقدم رؤى حول احتمال تقدم المرض أو عودته إذا كان المريض ميالا لنتيجة صحية محددة، (6) يقيم مؤشر المخاطر الحيوي المستوى المحتمل للخطر لحالة ما قبل أن يتلقى المريض تشخيصا رسميا، و(7) يقيم مؤشر السلامة المحتمل لحدوث ردود فعل سامة أو سلبية قد تنشأ من العلاج. تركز هذه الدراسة بشكل أساسي على تحليل المؤشرات الحيوية الجزيئية المتعلقة بتقييم المخاطر والتشخيص، كما هو موضح في الشكل 2. نظرا للكم الهائل من البيانات السريرية المتاحة حول العالم، فإن المؤشرات الحيوية ضرورية في توجيه القرارات السريرية، وتطوير الأبحاث، وتسهيل الطب المخصص.

figure-protocol-2
الشكل 2: فئة المؤشرات الحيوية لاتخاذ القرار السريري. يتم تمثيل قرارات المؤشر الحيوية في هذا الرسم التخطيطي. استنادا إلى التحليلات المطبقة على المؤشرات الحيوية، تؤخذ القرارات السريرية في الاعتبار، وتنفذ خوارزميات التعلم الآلي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يعد العثور على معلومات المؤشرات الحيوية المفيدة سريريا واستيعابها تحديا بسبب تنوع أنواع المؤشرات الحيوية وخصائصها وجودتها. النمو السريع لدراسات المؤشرات الحيوية خلال العقدين الماضيين زاد من تعقيد الوصول إلى بيانات شاملة ومحدثة، خاصة للمؤشرات الحيوية الجزيئية. وقد أدى ذلك إلى مشكلات مثل النتائج غير المتسقة، وإعادة اكتشاف المؤشرات الحيوية القائمة بشكل متكرر، ونتائج متناقضة، وفرص مهملة لاستخدام العلامات الحيوية القائمة.18. أدى ظهور قياسات "الأوميكس" إلى تفاقم هذه المشكلة، مما أدى إلى انتشار علامات حيوية جزيئية جديدة في الاختبارات السريرية والأدبيات، مما يجعل من الصعب بشكل متزايد التنقل وتطبيق معرفة المؤشرات الحيوية بفعالية19.

يوفر MarkerDB 2.0 وصولا إلى مؤشرات حيوية جزيئية متنوعة لأغراض تجريبية20. تستخدم مؤشرات حيوية متنوعة في الأبحاث السريرية وتطبيقات الرعاية الصحية لتشخيص الأمراض والتنبؤ بها ومراقبتها. من بين هذه المواد، تستخدم مؤشرات البروتينات سوائل حيوية مثل المصل، الدم، السائل الدماغي الشوكي (CSF)، السوائل الصفاقية، السائل الأمنيوسي، البلازما، والبول لتحليل حالات مثل السكري، السل، متلازمة داون، والاضطرابات المرتبطة باعتلال العضلة. وبالمثل، تستخدم المؤشرات الحيوية الجينية رموز جينية مثل LRP1، LPP، MAPT، وSPI1 لتحليل حالات مثل التنكس البقعي المرتبط بالعمر، والأمراض التحسسية، ومرض الزهايمر، والسرطان، والربو. علاوة على ذلك، تساعد المؤشرات الحيوية الجزيئية متعددة الوسائط في قياس مخاطر المرضىوالمؤشرات التشخيصية. يبرز هذا العمل الحاجة إلى تحليلات الرعاية الصحية باستخدام أساليب التعلم الآلي لتعزيز تشخيص الأمراض والتنبؤ بها والعلاج الشخصي.

5. نمذجة مناهج التعلم الآلي الإحصائي لاكتشاف المؤشرات الحيوية

لقد غير تطبيق أساليب التعلم الآلي مجال الرعاية الصحية بطرق عديدة. على وجه التحديد، تم تحليل المؤشرات الحيوية الجزيئية باستخدام تقنيات تعلم الآلة، بما في ذلك تحليل المكونات الرئيسية (PCA)، وتجميع المتوسطات K (KMA)، وتحليل أقرب جار (NNA)، وخوارزميات الشبكات العصبية22. تحدد هذه النماذج أنماطا معقدة من الميزات المختارة، وتدير البيانات غير المكتملة أو غير المتسقة، وتدعم تتبع تقدم المرض في الوقت الفعلي. بالإضافة إلى تشخيص الأمراض، توفر خوارزميات التعلم الآلي رؤى مهمة حول قضايا المرضى من خلال فحص البيانات والتصور، ممايتيح رعاية سريعة ومستهدفة. وبالتالي، يعزز ذلك نتائج صحة المرضى في الحالات غير المعتادة. علاوة على ذلك، فإن قدرة التعلم الآلي على إحداث ثورة في اكتشاف العلامات الحيوية والنتائج العلاجية عبر مختلف الأمراض، بما في ذلك تحليل المؤشرات الحيوية الجزيئية، أصبحت أكثر حيوية.

يتم تصنيف خوارزميات التعلم الآلي إلى خمسة أنواع رئيسية، كما هو موضح في الشكل 3. التعلم المراقب هو عملية التدريب على مجموعات البيانات المعنونة لفهم علاقات المدخلات والمخرجات، مما يجعله مثاليا لمهام مثل التصنيف والانحدار، مثل أشجار القرار وآلات التوجيه الداعمة. يحدد التعلم غير المراقب الأنماط داخل البيانات غير المعنونة، وغالبا ما يستخدم في التجميع وتقليل الأبعاد، باستخدام تقنيات مثل تجميع k-means وتحليل المكونات الرئيسية. التعلم شبه المراقب يدمج البيانات الموسومة وغير المعنونة لتوليد توقعات. يركز التعلم المعزز على اتخاذ القرار المستند إلى ردود الفعل من البيئة، ويستخدم بشكل متكرر في الألعاب والروبوتات، مع طرق مثل التعلم ب Q وشبكات التعلم المعزز العميق. يستخدم التعلم العميق شبكات عصبية اصطناعية ذات طبقات متعددة لتحديد الأنماط المعقدة في البيانات. تساعد هذه التقنية في التنبؤ بالمؤشرات الحيوية للأمراض الشائعة، بما في ذلك السرطان، والسكتة الدماغية، ومرض الزهايمر، ومرض باركنسون. العديد من التطبيقات المعتمدة سريريا تستخدم هذه التقنية24,25. يعتمد التشخيص الدقيق للمرضى المصابين بالأورام الخبيثة عادة على جمع عينات الأنسجة والتحليل المرضي، والتي توفر معلومات حاسمة حول الدرجة النسيجية، والنوع الفرعي، والمرحلة، ومؤشرات الأورام الأخرى المتنوعة.

figure-protocol-3
الشكل 3: تصنيف خوارزميات التعلم الآلي لاتخاذ القرار السريري. يتم توضيح أنواع خوارزميات التعلم الآلي في الرسم البياني للمساعدة في فهم المنهجية المطبقة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الإحصاء وتعلم الآلة هما تخصصان منفصلان يتقاطعان كثيرا. تشمل الإحصاءات جمع البيانات وتحليلها وتفسيرها، وغالبا ما يتم العمل مع مجموعات بيانات أصغر ومحددة جيدا، ويركز بشكل أساسي على مقارنة وتلخيص المعلومات. من ناحية أخرى، التعلم الآلي هو فرع من الذكاء الاصطناعي ينشئ نماذج تنبؤية، وغالبا ما يتعامل مع مجموعات بيانات كبيرة ومعقدة. بينما تلعب الإحصاءات دورا مهما في البحث التأكيدي وفهم الآليات الأساسية، فإن التعلم الآلي أكثر فعالية في البحث الاستكشافي، وكشف الأنماط المعقدة، وإدارة البيانات المفقودة. يمكن اعتبار طرق مثل الانحدار اللوجستي نماذج إحصائية ونماذج تعلم آلا خاضع للإشراف، مما يوضح الفروق الضبابية بين المجالين. في النهاية، يجب على الباحثين تقييم أهدافهم البحثية وطبيعة بياناتهم لاختيار الطريقة الأنسب.

6. نمذجة MLP ونسخها

MLP، المعروف أيضا باسم بيرسيبترون متعدد الطبقات، هو نوع من بنية الشبكات العصبية التي تتميز بعدة طبقات عصبية بين طبقتي الإدخال والإخراج، كما هو موضح في الشكل 4. تم إدخال MLP في خمسينيات القرن الماضي واكتسب استخداما واسعا مع التقدم والتطور في التكاثر العكسي في الثمانينيات، مما ساعد في تقليل الخسارة. مبادئ التعلم الأساسية في MLP هي الشبكات العصبية، والأوزان، وقيم التحيز لحساب المخرجات. وأخيرا، معرفة دالة التفعيل وقيمة العتبة للحصول على المخرج في طبقة الإخراج. في المنهجية المقترحة، تتوافق العقد في طبقة الإدخال، والطبقة الخفية، وطبقة الإخراج مع الميزات السريرية والجينية، وطبقات متصلة بالكامل مع تفعيل ReLU، وعصبون واحد مع تنشيط السيجمويدي للتنبؤ بالنتيجة الثنائية لنوع الإشارة (المخاطر، التشخيص) على التوالي. المزايا الرئيسية هي سهولة تدريبها وتفسيرها. ومع ذلك، لا يمكن ل MLP البسيط التعامل مع مجموعات بيانات كبيرة وهو حساس لمعدل التعلم26. لذلك، لتجاوز هذه العيوب، يتم النظر في MLP مع جدولة معدلات التعلم باستخدام البنية المذكورة في الشكل 3B. MLP مع LR هو آلية ديناميكية قوية تحتوي على تحلل حاد، تحلل أسي، تحلل زمني عكسي، ReduceLROnPlateau، وتلدين جيب تمام. بدلا من قيمة LR ثابتة، يتغير معدل التعلم بناء على أداء النموذج والتدريب.

figure-protocol-4
الشكل 4: نمذجة Perceptron وMLP متعدد الطبقات باستخدام جدولة LR. (أ) بيرسيبترون متعدد الطبقات: يتم توضيح بنية MLP بطبقة الإدخال، الطبقة المخفية، وطبقة الإخراج. تستقبل الطبقة الأولى المدخلات وتعالجها في الطبقة الثانية مع التفعيلات، ويتم استقبال المخرج في الطبقة الأخيرة. MLP سهل التنفيذ. (ب) MLP مع جدولة LR: هذا مشابه ل MLP؛ ومع ذلك، يضاف جدولة معدلات التعلم للتحكم في سرعة التدريب من أجل معدل تقارب أفضل. معدل التعلم ينخفض عند نقطة ثبات. هذا يقلل من الحد الأدنى للتجاوز في الحدود. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

هذا النهج أكثر كفاءة وموثوقية وفعالية للبيانات الجدولية. بالإضافة إلى ذلك، هناك فوائد مثل تحسين التقارب المستقر على البيانات الضوضاء، وتحسين التعميم، وتقليل الجهد في ضبط المعاملات الفائقة. ومع ذلك، قد تظهر صعوبات في بعض مهام التنبؤ، مثل الوقوع في الحد الأدنى المحلي. علاوة على ذلك، في بنية MLP الواسعة والعميقة المعروضة في الشكل 5، تم إدخال مكونات واسعة وعميقة في MLP للتفوق في رسم الخرائط الترابطية، وحفظ القواعد، وتعلم أنماط جديدة، مع الحفاظ على معايير عالية من التعميم. من خلال دمج هذه الجوانب في طبقة الإخراج، يتم التنبؤ بمقدار27 الناتج الثنائي. ومع ذلك، هناك قيود على تعميم الميزات غير المرئية والتعميم المفرط. في الختام، يستخدم MLP مع معيار الدفعة وDropout لتطبيع عملية التدريب، مع دمج التسرب للتعلم وتعميم السمات المجهولة. على وجه الخصوص، يمكن تطبيق هذه التقنية على البيانات عالية الأبعاد وتساعد في منع الإفراط في التوافق. ومع ذلك، تعاني هذه التقنية من قيود في حجم الدفعة، وزيادة استهلاك الذاكرة (بسبب طبقات التطبيع الدفعي)، وليست حلا عالميا28,29.

figure-protocol-5
الشكل 5: نمذجة شبكة MLP واسعة وعميقة. يوضح المخطط المسار العميق لمشروع MLP، الذي يمكنه التقاط العلاقات غير الخطية ويجمع بين المخرجات ووحدة السيجمويد للتصنيف. تلتقط هذه البنية تعلم الأنماط والمعرفة لبيانات المؤشرات الحيوية غير المتجانسة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

7. تاب نت

TabNet هو نموذج تعلم عميق يعرف باسم شبكة الجدول، تم تطويره من قبل فريق أبحاث Google30. الدافع الرئيسي لنموذج TabNet هو التوفيق بين طرق DL لمنهجيات الصورة، والنص، والكلام (CNN، Autoencoder، Transformers)، والتعلم الآلي القائم على الشجرة (XGBoost، Random Forest، LightGBM). علاوة على ذلك، فإن محدوديات مناهج التعلم العميق لها تأثير كبير على نموذج TabNet، حيث يعتبر MLP نموذجا معلميا. وقبل كل شيء، تفتقر مناهج التعلم العميق إلى التفسير في المشكلات الواقعية، والتعلم الذاتي الإشرافي، والقدرة على التعلم التسلسلي31. تقتصر نماذج TabNet على تطبيقات مثل توقع مخاطر التأمين32، تقدير محتوى رماد الفحم33، توقع السميةالكيميائية 34، وكشف الغش في اختبارات التعليم35. تم ذكر بنية TabNet في الشكل 6.

figure-protocol-6
الشكل 6: نمذجة الشبكة الجدولية. تأخذ شبكة الجدولات ميزات الإدخال بصيغة جدولية وتطبق تقنية المحول بطريقة متسلسلة في كل كتلة. تتحكم كتلة GLU، المعروفة أيضا باسم كتلة الوحدة الخطية المببة، في تدفق المعلومات عبر الشبكة، مما يسهل اختيار الميزات والتعلم المستقر. يتم عرض الناتج في طبقة الإخراج من الناتج المتراكم. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

من مخطط البنية أعلاه، ينقسم النظام إلى أربعة مكونات: كتلة الإدخال، محول الميزات المشتركة، خطوات اتخاذ القرار التسلسلية، وحساب الخسارة باستخدام التحسين. في الميزات الفئوية، يتم تحويل الميزات إلى أعداد صحيحة بعد طبقة التضمين. وفي الوقت نفسه، تؤخذ السمات المستمرة كما هي. وأخيرا، يتم تحويل الميزات إلى متجه ميزات موحد حيث x ∈ Rd. في الخطوة التالية، يتم تنفيذ طبقات متصلة بالكامل مع دوال تفعيل، تليها عملية تحويل لتحويل البيانات إلى متجه، ويتم اتخاذ القرار. في الخطوة الثالثة، يتم استخدام محول الانتباه، والتمويه، ومحول القرار، وتراكم التنبؤ على التوالي. أهداف هذه الخطوة هي الانتباه الانتقائي، التفكير التسلسلي، ومسارات اتخاذ القرار. في الخطوة الأخيرة، تستخدم إما التحويلات الثنائية أو طرق مشابهة لتحديد الخسارة وتحسين القيمة. علاوة على ذلك، يتم تنظيم التنظيم باستخدام تركيز محدود لمنع الإفراط في التوافق.

8. AutoInt

التعلم التلقائي للتفاعل مع الميزات عبر الشبكات العصبية ذاتية الانتباه (AutoInt) هو الشكل الكامل من AutoInt، تم تقديمه في تنبؤ معدل النقر (CTR)رقم 36 ولاحقا تم تطبيقه على تطبيقات مختلفة، بما في ذلك التنبؤ بالعيوب البرمجية37، وأنظمة التوصية38، واكتشاف الجينوم39. هناك قيود في أساليب التعلم الآلي الحالية، بما في ذلك التعامل مع البيانات عالية الأبعاد المتفرقة، والميزات التوافقية من الدرجة الأعلى، وفهم قدرة الميزة على التنبؤ، والحاجة إلى هندسة ميزات يدوية. جميع هذه التحديات المذكورة يتم معالجتها من خلال نموذج AutoInt بكفاءة وفعالية وقابلية للشرح. الهدف من AutoInt في المنهجية المقترحة هو التنبؤ بما إذا كان المتغير المعطى من نوع مؤشر المخاطر أو التشخيص. هناك سبع خطوات مقترحة لمجموعة البيانات المعطاة، كما هو موضح في الشكل 6، إلى جانب الشفرة المصدرية. أولا، يتم تنفيذ قراءة البيانات والمعالجة المسبقة لترميز جميع الميزات التصنيفية كأعداد صحيحة وربط التسميات إلى 0 و1 للمخاطر والتشخيص على التوالي. في الخطوة الثانية، يتم تمثيل الميزات لإنشاء مصفوفة التضمين؛ وبدورها، يتم تحويل المصفوفة لتطبيع الميزات العددية. هناك طبقات متفاعلة حيث يتم تعلم التفاعل التلقائي المحايد بين الميزات دون التفاعل اليدوي مع المحولات. علاوة على ذلك، يتعلم رؤوس متعددة أنواعا مختلفة من التفاعلات، وأخيرا، يتم ربط الميزات بشكل متتالي، مما يعزز التمثيل. توجد اتصالات متبقية لتعلم التفاعلات من الدرجة الأدنى والأعلى، مثل ميزة واحدة، ميزتان، ثلاث ميزات، وهكذا. وأخيرا، من الشبكة المتبقية، تنقل المخرجات إلى دالة السيجمويد لحسابات القيم الثنائية، كما هو موضح في الشكل 7.

figure-protocol-7
الشكل 7: نمذجة شبكة AutoInt. تتعلم شبكة AutoInt الميزات تلقائيا، حيث تأخذ طبقة التضمين الميزات وتخريبها إلى الطبقة التالية باستخدام آلية التركيز الذاتي والاتصالات المتبقية. المكون الأخير يحتوي على طبقة MLP ودوال التفعيل لإنتاج المخرج. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تجرى التجارب باستخدام أساليب التعلم الآلي والتعلم العميق لمقارنة أدائها. وفي الوقت نفسه، يتم النظر في إنشاء نماذج تعلم آلي تستخدم آليات التعلم الخاضع للإشراف وغير المراقب معا. التقنيات الخاضعة للإشراف المستخدمة في هذه المنهجية هي الانحدار اللوجستي، شجرة القرار، الغابة العشوائية، تعزيز التدرج، آلة متجه الدعم، وخوارزميات K-أقرب جار. تتراوح هذه الخوارزميات من نماذج إحصائية بسيطة إلى تحليلات معقدة قائمة على الأشجار. من ناحية أخرى، خوارزميات التعلم الآلي غير الخاضع للإشراف هي تجميع K-Means، و...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يناقش العمل المقترح بوضوح أهمية العلامات الحيوية في تحديد ومراقبة المرض وخصائصه. يعتمد النهج المقترح لمنهجية المؤشرات الحيوية على أربع خطوات أساسية: إعداد البيانات بعناية (التنظيف، الترميز، إزالة المعرفات); ترميز أهداف موحد (Risk=0، تشخيصي=1); تطبيع الميزات والتضمين العميق عالي الجودة لنماذج مثل AutoInt37/TabNet؛ وسلامة عملية التقييم القوية (قسم التدريب/الاختبار المناسب، وتقارير القياس الصحيحة). علاوة على ذلك، تم التنبؤ بمؤشر المرض باستخدام الجينات بدعم من خوارزمي...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لم يتلق المؤلفون أي تمويل خارجي.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
نموذج أوتوإنتجامعة بكينhttps://github.com/shichence/AutoIntالتعلم التلقائي للتفاعل مع الميزات عبر الشبكات العصبية ذاتية الانتباه: خوارزمية فعالة لتعلم تفاعلات الميزات عالية الترتيب تلقائيا للميزات التصنيفية والعددية (المتناثرة)
deepctr_torch.modelsالمصدر المفتوحhttps://github.com/shenweichen/DeepCTR-Torchحزمة قابلة للتعديل والتوسعة من نماذج CTR المعتمدة على التعلم العميق لبناء نموذج مخصص بسهولة.
مختبر جوجلجوجلhttps://colab.research.google.com/السحابة  بيئة لكتابة وتنفيذ كود بايثون عبر المتصفح لتعلم الآلة وتحليل البيانات
كيراس 2.6.0كيراسhttps://keras.io/يوفر واجهة بايثون لتنفيذ الشبكات العصبية التي تعمل فوق Tensorflow
ماركر دي بي 2.0ماركر دي بيhttps://markerdb.ca/downloadsقاعدة بيانات عامة للعلامات الحيوية الجزيئية
ماتبلوتليب 3.4.3Matplotlib https://matplotlib.org/مكتبة التصور لبايثون
Numpy 1.21.4نومبيhttps://numpy.org/الحزمة الأساسية للحوسبة العلمية باستخدام بايثون
الباندا 1.3.4البانداhttps://pandas.pydata.org/أداة قوية ومرنة وسهلة الاستخدام لتحليل البيانات والتعامل مع البيانات مفتوحة المصدر، مبنية فوق لغة البرمجة بايثون.
بايثون 3.8.10مؤسسة بايثون للبرمجياتhttps://www.python.org/لغات برمجة شائعة تدمج أنظمة التعلم العميق بشكل أكثر فعالية.
pytorch_tabnet.tab_modelبايتورشhttps://pypi.org/project/pytorch-tabnet/لتنفيذ مشاكل التصنيف والانحدار الثنائية/متعددة الفئات.
سكيت-لرنسكيت-لرنhttps://scikit-learn.org/stable/وحدة بايثون لخوارزميات التعلم الآلي
سيبورنسيبورنhttps://seaborn.pydata.org/مكتبة تصور البيانات عالية المستوى لرسم الرسوم الإحصائية الجذابة والمفيدة
نموذج تاب نتجوجلhttps://github.com/dreamquark-ai/tabnetتاب نت هي شبكة عصبية شاملة من طرف إلى طرف مصممة للتعامل المباشر مع البيانات الجدولية
Tensorflow 2.6.0جوجلhttps://www.tensorflow.org/منصة شاملة للتعلم الآلي

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Mollarasouli, F., Bakirhan, N. K., Ozkan, S. A. Introduction to biomarkers. The detection of biomarkers. , Academic Press. 1-22 (2022).
  2. Doroszkiewicz, J., Groblewska, M., Mroczko, B. Molecular biomarkers and their implications for the early diagnosis of selected neurodegenerative diseases. Int J Mol Sci. 23 (9), 4610(2022).
  3. Steyaert, S., et al. Multimodal data fusion for cancer biomarker discovery with deep learning. Nat Mach Intell. 5 (4), 351-362 (2023).
  4. DeGroat, W., et al. Multimodal AI/ML for discovering novel biomarkers and predicting disease using multi-omics profiles of patients with cardiovascular diseases. Sci Rep. 14 (1), 26503(2024).
  5. Myrou, A., Barmpagiannos, K., Ioakimidou, A., Savopoulos, C. Molecular biomarkers in neurological diseases: advances in diagnosis and prognosis. Int J Mol Sci. 26 (5), 2231(2025).
  6. Bansal, A., Shukla, A. K., Bansal, S. Machine learning methods for predictive analytics in health care. Proc IEEE Int Conf Syst Modeling Adv Res Trends. , 258-262 (2021).
  7. Adeghe, E. P., Okolo, C. A., Ojeyinka, O. T. A review of the use of machine learning in predictive analytics for patient health outcomes in pharmacy practice. OARJ Life Sci. 7 (1), 052-058 (2024).
  8. Mirabnahrazam, G., et al. Machine learning based multimodal neuroimaging genomics dementia score for predicting future conversion to Alzheimer's disease. J Alzheimers Dis. 87 (3), 1345-1365 (2022).
  9. Taj, F., Stein, L. D. MMDRP: drug response prediction and biomarker discovery using multimodal deep learning. Bioinform Adv. 4 (1), vbae010(2024).
  10. Lazaros, K., et al. Non-invasive biomarkers in the era of big data and machine learning. Sens. 25 (5), 1396(2025).
  11. Mathema, V. B., Sen, P., Lamichhane, S., Orešič, M., Khoomrung, S. Deep learning facilitates multi-data type analysis and predictive biomarker discovery in cancer precision medicine. Comput Struct Biotechnol J. 21, 1372-1382 (2023).
  12. Pearson, T. A., et al. Precision health analytics with predictive analytics and implementation research: JACC state-of-the-art review. JACC. 76 (3), 306-320 (2020).
  13. Parvin, N., Joo, S. W., Jung, J. H., Mandal, T. K. Multimodal AI in biomedicine: Pioneering the future of biomaterials, diagnostics, and personalized healthcare. Nanomaterials. 15 (12), 895(2025).
  14. Somepalli, G., Goldblum, M., Schwarzschild, A., Bruss, C. B., Goldstein, T. SAINT: Improved neural networks for tabular data via row attention and contrastive pre-training. arXiv. , (2021).
  15. Libbrecht, M. W., Noble, W. S. Machine learning applications in genetics and genomics. Nat Rev Genet. 16 (6), 321-332 (2015).
  16. Huang, S., Chaudhary, K., Garmire, L. X. More is better: Recent progress in multi-omics data integration methods. Front Genet. 8, 84(2017).
  17. Li, Y., Huang, C., Ding, L., Li, Z., Pan, Y., Gao, X. Deep learning in bioinformatics: introduction, application, and perspective in the big data era. Methods. 166, 4-21 (2019).
  18. Frangogiannis, N. G. Biomarkers: Hopes and challenges in the path from discovery to clinical practice. Transl Res. 159 (4), 197-204 (2012).
  19. Frantzi, M., et al. Omics-derived biomarkers and novel drug targets for improved intervention in advanced prostate cancer. Diagn. 10 (9), 658(2020).
  20. Jackson, H., et al. MarkerDB 2.0: A comprehensive molecular biomarker database for 2025. Nucleic Acids Res. 53, D1415-D1426 (2025).
  21. DeGroat, W., et al. IntelliGenes: A novel machine learning pipeline for biomarker discovery and predictive analysis using multi-genomic profiles. Bioinform. 39 (12), btad755(2023).
  22. Thelagathoti, R. K., et al. A hybrid sequential feature selection approach for identifying new potential mRNA biomarkers for Usher syndrome using machine learning. Biomol. 15 (7), 963(2025).
  23. Ng, S., Masarone, S., Watson, D., Barnes, M. R. The benefits and pitfalls of machine learning for biomarker discovery. Cell Tissue Res. 394 (1), 17-31 (2023).
  24. Chudzik, A., Śledzianowski, A., Przybyszewski, A. W. Machine learning and digital biomarkers can detect early stages of neurodegenerative diseases. Sens. 24 (5), 1572(2024).
  25. Chang, C. H., Lin, C. H., Lane, H. Y. Machine learning and novel biomarkers for the diagnosis of Alzheimer's disease. Int J Mol Sci. 22 (5), 2761(2021).
  26. Bzdo, D., Altman, N., Krzywinski, M. Statistics versus machine learning. Nat Methods. 15 (4), 233-234 (2018).
  27. Bikku, T. Multi-layered deep learning perceptron approach for health risk prediction. J Big Data. 7 (1), 50(2020).
  28. Smith, L. N. A disciplined approach to neural network hyper-parameters: part 1-learning rate, batch size, momentum, and weight decay. arXiv. , (2018).
  29. Kim, T. Generalizing MLPs with dropouts, batch normalization, and skip connections. arXiv. , (2021).
  30. Chen, G., Chen, P., Shi, Y., Hsieh, C. Y., Liao, B., Zhang, S. Rethinking the usage of batch normalization and dropout in the training of deep neural networks. arXiv. , (2019).
  31. Arik, S. Ö, Pfister, T. Tabnet: attentive interpretable tabular learning. Proc AAAI Conf Artif Intell. 35 (8), 6679-6687 (2021).
  32. Qamar, T., Bawany, N. Z. Understanding the black-box: towards interpretable and reliable deep learning models. PeerJ Comput Sci. 9, e1629(2023).
  33. McDonnell, K., Murphy, F., Sheehan, B., Masello, L., Castignani, G. Deep learning in insurance: accuracy and model interpretability using TabNet. Expert Syst Appl. 217, 119543(2023).
  34. Zhou, M., Wen, Z., Xu, G., Zhang, Z., Zhou, C. Deep learning with TabNet: Rapid coal ash content estimation via X-ray fluorescence. Int J Coal Prep Util. 45 (3), 523-547 (2025).
  35. Mustafa, F. M., et al. TabNet and TabTransformer: Novel deep learning models for chemical toxicity prediction in comparison with machine learning. J Appl Toxicol. , (2025).
  36. Zhen, Y., Zhu, X. An ensemble learning approach based on TabNet and machine learning models for cheating detection in educational tests. Educ Psychol Meas. 84 (4), 780-809 (2024).
  37. Song, W., et al. Autoint: Automatic feature interaction learning via self-attentive neural networks. Proc ACM Int Conf Inf Knowl Manage. , 1161-1170 (2019).
  38. Jadhav, S., Manikandan, S., Ryu, D. Enhancing the software defect prediction using AutoInt. IEEE Int Conf Big Data Smart Comput. , 103-104 (2025).
  39. He, H., Zhang, R., Zhang, Y., Ren, J. AAIN: Attentional aggregative interaction network for deep learning based recommender systems. Neurocomputing. 547, 126374(2023).
  40. Fan, Y., Waldmann, P. Tabular deep learning: A comparative study applied to multi-task genome-wide prediction. BMC Bioinform. 25 (1), 22(2024).
  41. Kanász, R., Drotár, P., Gnip, P., Zoričák, M. Clash of titans on imbalanced data: TabNet vs XGBoost. Conf IEEE Trans Artif. , 320-325 (2024).
  42. Hwang, Y., Song, J. Recent deep learning methods for tabular data. Commun Stat Appl Methods. 30 (2), 215-226 (2023).
  43. Gorishniy, Y., et al. TabR: Tabular deep learning meets nearest neighbors in 2023. arXiv. , (2023).
  44. Kalidindi, A., Arrama, M. B. A TabTransformer based model for detecting botnet-attacks on internet of things using deep learning. J Theor Appl Inf Technol. 101 (13), 5206-5218 (2023).
  45. Holzmüller, D., Grinsztajn, L., Steinwart, I. RealMLP: Advancing MLPs and default parameters for tabular data. ELLIS Workshop on Representation Learning and Generative Models for Structured Data. , (2025).
  46. Zhu, B., et al. Xtab: cross-table pretraining for tabular transformers. arXiv. , (2023).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Machine Learning BiomarkersMultimodal BiomarkersPredictive Health AnalyticsMolecular BiomarkersDisease MonitoringRisk AssessmentPatient StratificationDeep Learning TechniquesProtein BiomarkersGenetic Biomarkers

Related Articles