Машинное обучение с мультимодальными биомаркерами улучшает прогнозирование и мониторинг заболеваний, предлагая перспективы для достижений в различных областях здравоохранения и улучшая результаты за счет точного прогнозирования заболеваний.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Машинное обучение с мультимодальными биомаркерами улучшает прогнозирование и мониторинг заболеваний, предлагая перспективы для достижений в различных областях здравоохранения и улучшая результаты за счет точного прогнозирования заболеваний.
Каждый год многие люди по всему миру постепенно сталкиваются с разрушительными состояниями здоровья, такими как болезни сердца, респираторные инфекции, неврологические нарушения, когнитивный стресс, рак, инсульт, диабет и др., что приводит к серьёзным осложнениям со здоровьем и сопутствующим аномалиям. Поэтому ранняя медицинская аналитика крайне важна, так как она позволяет своевременно вмешиваться с помощью таргетных терапий, потенциально обеспечивая немедленное облегчение и устойчивые долгосрочные преимущества, которые могут замедлить прогрессирование заболевания. Из-за сложных патофизиологических процессов и гетерогенных клинических испытаний при различных заболеваниях возникает необходимость в высокочувствительных мультимодальных биомаркерах и эффективных исследовательских подходах для точного выявления и мониторинга исходов здоровья пациентов. Поэтому для прогнозирования исходов рассматриваются алгоритмы машинного обучения с различными категориями и методами, включая прогноз, оценку риска, стратификацию пациентов и мониторинг заболеваний. Поток предлагаемой работы делится на три этапа: первый этап определяет важность здравоохранения с помощью кейс-стади, за ним следуют традиционные алгоритмы машинного обучения (ML), традиционные подходы глубокого обучения (DL) и современные методы DL (TabNet и AutoInt) на втором. Наконец, эксперименты проводятся для обоснования результатов. В данной работе выделяется группировка модальностей путём интеграции молекулярных белковых, химических и генетических биомаркеров с новыми признаками машинного обучения. Результаты показывают значительное улучшение в прогнозировании точности с использованием предлагаемой методологии.
Система здравоохранения всё чаще использует предиктивную аналитику для мониторинга пациентов и своевременной диагностики исходов для здоровья, что способствует проактивному уходу и улучшает результаты лечения пациентов. Интегрируя предиктивную аналитику с биомаркерами, клиницисты могут повысить точность диагностики, выявлять эффективные методы лечения, отслеживать ход терапии и получать ценные знания о механизмах заболевания, что в конечном итоге приводит к более обоснованным и эффективным решениям по лечению. Биомаркеры относятся к характеристикам биологических молекул или индикаторов, обнаруженных в образцах, таких как биожидкости, ....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
1. Экспериментальный рабочий процесс
Рисунок 1 иллюстрирует организованный и модульный конвейер рабочих процессов, предназначенный для категоризации молекулярных биомаркеров на категории риска или диагностических индикаций с использованием методов машинного обучения и глубокого обучения. Вот подробное пошаговое объяснение процесса:
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Эксперименты проводятся с использованием методов машинного обучения и линейного обучения для сравнения их эффективности. В то же время рассматривается создание моделей машинного обучения, использующих как контролируемое, так и неконтролируемое обучение. В этой методологии используются контролируемые методы: логистическая регрессия, дерево принятия решений, случайный лес, усиление градиента, опорная векторная машина и k-ближайшие соседи. Эти алгоритмы варьируются от простых статистических.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В предлагаемой работе чётко обсуждается важность биомаркеров в идентификации и мониторинге заболевания и его характеристик. Предлагаемый подход к методологии биомаркеров основан на четырёх основных этапах: тщательная подготовка данных (очистка, кодирование, устранение идентификаторов); однородное кодирование целей (Risk=0, Диагностика=1); нормализация функций и высококачественное глубокое встраивание для моделей, таких как AutoInt37/TabNet; и надёжную целостность .......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторам нечего раскрывать.
Авторы не получали внешнего финансирования.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Модель AutoInt | Пекинский университет | https://github.com/shichence/AutoInt | Автоматическое обучение взаимодействия признаков с помощью самовнимательных нейронных сетей: эффективный алгоритм для автоматического изучения взаимодействий признаков высокого порядка для (редких) категориальных и числовых признаков |
| deepctr_torch.models | Открытый исходный код | https://github.com/shenweichen/DeepCTR-Torch | Модульный и расширяемый пакет CTR-моделей на основе глубокого обучения для легкого создания собственной собственной модели. |
| Google Colaboratory | https://colab.research.google.com/ | Облачные среда для написания и выполнения кода на Python через браузер для машинного обучения и анализа данных | |
| Keras 2.6.0 | Керас | https://keras.io/ | Предоставляет интерфейс на Python для запуска нейронных сетей, который работает поверх Tensorflow |
| MarkerDB 2.0 | MarkerDB | https://markerdb.ca/downloads | Публично доступная база данных молекулярных биомаркеров |
| Matplotlib 3.4.3 | Matplotlib | https://matplotlib.org/ | Библиотека визуализации для python |
| Numpy 1.21.4 | Numpy | https://numpy.org/ | Фундаментальный пакет для научных вычислений на Python |
| Панды 1.3.4 | Панды | https://pandas.pydata.org/ | Мощный, гибкий и простой в использовании инструмент для анализа и обработки данных с открытым исходным кодом, построенный на языке программирования Python. |
| Python 3.8.10 | Фонд программного обеспечения Python | https://www.python.org/ | Популярный язык программирования, который эффективнее интегрирует системы глубокого обучения. |
| pytorch_tabnet.tab_model | Pytorch | https://pypi.org/project/pytorch-tabnet/ | Для реализации задач бинарной/многоклассовой классификации и регрессии. |
| Scikit-learn | Scikit-learn | https://scikit-learn.org/stable/ | Модуль Python для алгоритмов машинного обучения |
| Сиборн | Сиборн | https://seaborn.pydata.org/ | Библиотека визуализации данных высокого уровня для создания привлекательной и информативной статистической графики |
| Модель TabNet | https://github.com/dreamquark-ai/tabnet | TabNet — это сквозная нейронная сеть, предназначенная для прямой обработки табличных данных | |
| Tensorflow 2.6.0 | https://www.tensorflow.org/ | Сквозная платформа для машинного обучения |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.