针对医疗保健应用中基于图结构数据的自监督学习: 综合综述
机器学习
2024-12-10 v1
摘要
复杂且相互关联的医疗数据为改进预测、诊断和治疗提供了众多机会。图结构数据因能捕捉实体及其关系的复杂关联,非常适合用于此目的。有效利用这类数据通常需要强大且高效的学习算法,尤其是在处理有限标记数据时。越来越重要的是,在各种领域中都利用自监督学习(SSL)作为学习和优化有效表征的范式。本文全面综述了针对医疗保健应用中图结构数据的自监督学习方法。我们探讨了医疗数据所面临的挑战与机会,并评估了 SSL 技术在实际医疗保健应用中的效果。我们的讨论涵盖了各种医疗场景,如疾病预测、医学图像分析和药物发现。我们批判性地评估了不同 SSL 方法在这些任务中的性能,突出其优势、局限性及潜在未来研究方向。最终,本综述旨成为面向医疗保健领域利用图结构数据的 SSL 研究者和实践者的宝贵资源,为该关键领域的改进结果与洞见铺平道路。据我们所知,本工作是对医疗保健领域应用图数据 SSL 的文献进行全面综述的首篇作品。
引用
@article{arxiv.2412.05312,
title = {Self-Supervised Learning for Graph-Structured Data in Healthcare Applications: A Comprehensive Review},
author = {Safa Ben Atitallah and Chaima Ben Rabah and Maha Driss and Wadii Boulila and Anis Koubaa},
journal= {arXiv preprint arXiv:2412.05312},
year = {2024}
}
备注
46 pages, 8 figures