深度學習在健康醫學領域的應用綜述

近年來，以深度學習為代表的機器學習在健康醫學領域越來越多。按照處理的資料種類可以分為數值型，文本型以及圖片資料；本文主要集中在文本資料。

臨床診斷決策：

(Miotto R,et al;2016)[1]提出了一種新的無監督深度特徵學習方法即為三層堆疊的降噪自動解碼器，它可以從電子健康病曆資料中擷取一個通用的病人表徵，從而讓臨床預測性建模更加方便。用於捕捉西奈山資料倉儲中70萬患者彙總電子健康病曆中的層次規律性（ hierarchical regularities ）及依存關係。 結果顯著優於其他使用了基於原始電子健康檔案資料表徵的研究方法，以及其他特徵學習策略。在對嚴重糖尿病、精神分裂症以及各種癌症的預測表現上，“深度患者”遙遙領先。發現表明將深度學習應用到電子健康病曆中，可以得到病人表徵，這些表徵可以協助我們改善臨床預測，研究也為增強臨床決策系統提供了深度學習架構。類似地(Nguyen P,et al;2016)[2] 基於深度卷積網路構建“深度記錄”（Deeppr）用於提高臨床診斷。(Nie L, Wang M, Zhang L, et al;2015)[3]提出了一個稀疏深度學習架構用來建立基於使用者的提出健康表徵資訊，推斷可能出現的疾病。

知識庫構建

（Savova G K, Masanz J J, Ogren P V, et al；2010）針對如何從臨床文本中提取知識在架構設計，模組以及評估應用方面給出了全面的闡述，該系統主要集中在臨床領域自然語言處理的分詞，命名體識別以及淺層次文法解析方面。(de Bruijn B，et al； 2010)[5]在對健康領域的實體名識別以及關係分析方面給出了基準的效果。主要是通過構建自然語言特徵以及外部知識特徵並輔助以SVM，CRF等機器學習模型。(Lei J, Tang B, Lu X, et al,2014)針對中文診斷文本，測度了CRF，SVM，ME，SSVM模型在命名體識別的效果，結果SSVM在入院小結文本和出院診斷單上F值有93.51%和90.01％的效果。隨著深度學習在自然語言的深入應用（Collobert R, Weston J, Bottou L, et al，2011），一些傳統的自然語言任務也從深度學習的特徵產生機制中獲得一定程度的提升。比如（Wu Y, Jiang M, Lei J, et al；2015）發現針對於傳統的醫學的命名體識別任務，以無監督的詞向量為輸入層，在建立深度神經網路架構可以勝過傳統的CRF模型。

 ［1］Miotto R, Li L, Kidd B A, et al. Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records[J]. Scientific reports, 2016, 6.

 ［2］Nguyen P, Tran T, Wickramasinghe N, et al. Deepr: A Convolutional Net for Medical Records[J]. arXiv preprint arXiv:1607.07519, 2016.

 ［3］Nie L, Wang M, Zhang L, et al. Disease inference from health-related questions via sparse deep learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2015, 27(8): 2107-2119.

 ［4］Savova G K, Masanz J J, Ogren P V, et al. Mayo clinical Text Analysis and Knowledge Extraction System (cTAKES): architecture, component evaluation and applications[J]. Journal of the American Medical Informatics Association, 2010, 17(5): 507-513.

 ［5］Uzuner Ö, South B R, Shen S, et al. 2010 i2b2/VA challenge on concepts, assertions, and relations in clinical text[J]. Journal of the American Medical Informatics Association, 2011, 18(5): 552-556.

 ［6］Lei J, Tang B, Lu X, et al. A comprehensive study of named entity recognition in Chinese clinical text[J]. Journal of the American Medical Informatics Association, 2014, 21(5): 808-814.

 ［7］Wu Y, Jiang M, Lei J, et al. Named entity recognition in Chinese clinical text using deep neural network[J]. Studies in health technology and informatics, 2015, 216: 624.

［8］Collobert R, Weston J, Bottou L, et al. Natural language processing (almost) from scratch[J].  Journal of Machine Learning Research, 2011, 12(Aug): 2493-2537.