知识驱动的机器学习在癌症诊断与预后中的应用：综述

癌症仍然是医学领域最具挑战性的疾病之一。机器学习已能够对丰富的多组学图谱和医学影像进行深入分析，用于癌症诊断和预后。尽管取得了这些进展，机器学习模型仍面临诸多挑战，包括有限的标记样本量、高维数据类型之间复杂的相互作用、患者之间和肿瘤内部固有的异质性，以及可解释性和与现有生物医学知识一致性的问题。克服这些挑战的一种方法是将生物医学知识整合到数据驱动模型中，这已被证明有潜力提高模型结果的准确性、鲁棒性和可解释性。在此，我们综述了采用生物医学知识与数据融合（称为知识驱动的机器学习）进行癌症诊断和预后的最新机器学习研究。强调四种主要数据类型（包括临床、影像、分子和治疗数据）固有的属性，我们突出了与这些背景相关的建模考虑。我们概述了多种知识表示形式以及将知识整合到机器学习流程中的当前策略，并附有具体示例。最后，我们讨论了通过知识驱动的机器学习推进癌症研究的未来方向。