医疗保健中的多模态机器学习方法综述

医疗保健中的机器学习方法传统上侧重于使用单一模态的数据，这限制了其有效复刻临床实践中整合多种信息源以改进决策的能力。临床医生通常依赖多种数据源，包括患者的人口统计信息、实验室数据、生命体征和各种成像数据模态，以做出明智的决策并将其发现情境化。机器学习的最新进展促进了多模态数据的更高效整合，从而产生了能更好代表临床医生方法的应用。在此，我们提供了关于医疗保健中多模态机器学习方法的综述，对近期文献进行了全面概述。我们讨论了临床诊断中使用的各种数据模态，并特别强调成像数据。我们评估了融合技术，探索了现有的多模态数据集，并考察了常见的训练策略。