精准医疗中的多模态机器学习
机器学习
2022-04-12 v1
摘要
随着机器学习和人工智能越来越多地被用于解决医疗领域的问题，人们日益关注其在临床决策支持中的应用。历史上，这主要体现在电子健康记录等单模态数据中。为提升预测性能并模拟临床专家决策的多模态特性，机器学习计算领域通过融合异构数据来应对。本综述旨在总结该领域并识别值得未来研究的话题。我们依据PRISMA（系统综述和荟萃分析优先报告条目）的范围综述扩展协议开展综述，以刻画健康领域的多模态数据融合。我们结合内容分析与文献检索，构建2011至2021年PubMed、Google Scholar和IEEEXplore的检索式与数据库。最终125篇文章纳入分析。应用多模态方法最常见的健康领域为神经病学与肿瘤学，但当前应用范围广泛。最常见的信息融合形式为早期融合。值得注意的是，异构数据融合带来了预测性能的提升。论文中缺乏清晰的临床部署策略及FDA批准工具的追求。这些发现描绘了应用于健康诊断/预后问题的多模态数据融合当前文献图谱。多模态机器学习虽比单模态方法估计更稳健，但在可扩展性及信息拼接的耗时性上存在缺陷。
引用
@article{arxiv.2204.04777,
title = {Multimodal Machine Learning in Precision Health},
author = {Adrienne Kline and Hanyin Wang and Yikuan Li and Saya Dennis and Meghan Hutch and Zhenxing Xu and Fei Wang and Feixiong Cheng and Yuan Luo},
journal= {arXiv preprint arXiv:2204.04777},
year = {2022}
}