生物信息驱动的深度学习癌症模型系统综述：编码与解释肿瘤学数据的基本趋势

将基于深度学习（DL）的方法用作肿瘤学中的辅助分析框架日益受到关注。然而，大多数 DL 的直接应用将产生透明度与可解释性有限的模型，制约其在生物医学环境中的部署。本系统综述讨论了用于支持癌症生物学推断的 DL 模型，特别关注多组学分析。它聚焦于现有模型如何应对与先验知识、生物合理性与可解释性更好对话的需求，这些是生物医学领域的基本属性。为此，我们检索并分析了 42 项研究，聚焦新兴架构与方法学进展、生物领域知识的编码以及可解释性方法的集成。我们讨论了 DL 模型近期向集成先验生物关系与网络知识（如通路或蛋白质-蛋白质相互作用网络）以支持更好泛化与可解释性的演化轨迹。这代表了向能集成机制与统计推断方面的模型的功能性根本转变。我们引入生物中心可解释性概念，并依其分类学讨论此类模型中集成领域先验知识的表征方法。本文对 DL 用于癌症中可解释性与可解释性的当代方法给出批判性展望。分析指向先验知识编码与改进可解释性的收敛方向。我们引入生物中心可解释性，这是迈向 DL 模型生物可解释性形式化及发展更少问题或应用依赖方法的重要一步。