草袖国外网站导航·环游世界互联网

当前位置:主页 > 亚洲 > 韩国 > >直接使用多种格式和来源的数据进行直接分析

网站详情 直接使用多种格式和来源的数据进行直接分析

收录时间:2020-09-24 23:37

名称

直接使用多种格式和来源的数据进行直接分析

投稿须知

网站介绍

综上所述,基于深度学习的人工智能技术可以在一定程度上模拟人类的思维,并从新信息中学习,建立自组织的学习机制,它为复杂的医疗领域提供了新的解决方案。目前,深度学习的应用主要侧重于医学图像的分析, 电子病历, 药物开发和基因组学, 等等未来的应用领域包括疾病治疗决策和中医健康管理。

(1)疾病的治疗决定

(2)电子病历

2。 医学领域“深度学习”应用程序清单

简单地说,人工智能的范围最大,涵盖机器学习, 深度学习和强化学习。如果您将人工智能与孩子的大脑进行比较,然后,机器学习是儿童掌握认知能力的过程。深度学习是此过程中非常有效的教学系统。目前,常见的深度学习模型主要包括深度神经网络(DNN), 卷积神经网络(CNN)和递归神经网络(RNN)。

基于单个目标的传统药物开发过程效率低下且昂贵。难以满足市场需求。“基于系统的药物设计”全面利用了药物分子信息和各种数据信息,例如疾病调控网络, 基因组 蛋白质组 和代谢组。这是未来药物设计的方向之一。

(2)中医健康管理

深度学习是大数据分析涉及的关键技术之一,由于它克服了依靠人工特征创建和选择的传统机器学习算法的局限性,在许多领域,例如语音识别, 视觉对象识别 目标检测, 和药物发现。目前,深度学习主要关注医学图像的分析, 电子病历, 药物开发 和基因组学。根据PubMed在过去十年中的文章数和趋势,可以看出,医学图像领域是当前深度学习研究和应用中的热点领域。

随着大数据时代的到来,并且大量增加了计算资源和人工智能技术,新模型和新理论的验证周期将大大缩短。深度学习可能会在更多领域进一步推动智能医疗技术的发展。

深度学习算法是一种非常适合大数据分析的机器学习算法。具有“抽象概念”的处理能力。使用深度学习算法,它可以改善过去在药物设计和药物信息中建立的各种机器学习模型。在药物小分子的结构信息处理中,由于化学分子数量众多,结构复杂,使用传统算法处理信息时,通常功能不足。诸如深度学习之类的算法的使用可以改变这种情况。促进化学信息学的发展。

随着对某种疾病的研究越来越深入,深度学习模型的准确性逐渐提高,在将来, 有望为各种疾病建立预测性的诊断平台,从医院和患者的实际需求出发,对疾病的综合信息和患者的个性化信息进行综合分析,为医生的诊断提供参考意见。

深度学习技术可以基于特征参数,确定状态元素,确定身体的状态。表征参数的收集格式可以来自多种来源,例如文本, 数字, 图片, 和声音。通过四个诊所的标准化实现统一标准化,然后执行识别分析。随着技术的发展,也可以使用多源异构方法,直接使用多种格式和来源的数据进行直接分析,通过这种方式,数据丢失率会更低,相应的准确率会更高。借助AI技术,中医健康管理将发挥更好的作用,为人类健康事业做出更多贡献。

此外,大数据分析方法对诸如组学和系统生物学之类的复杂数据具有强大的分析能力。可以促进基于系统的药物设计和药物信息研究的发展,例如毒品目标的确定以及关键目标的选择和组合。以中医药信息研究为例,中药的药理毒理研究是一个复杂的问题。包括中药化合物 药材 分子成分和含量 分子代谢 相应的症状, 中药分子与靶标之间复杂的相互作用, 等等上述因素之间存在多种关系,这些复杂的动态和非线性特征都表明深度学习和其他大数据分析方法可以应用于上述领域。

基于Pubmed的深度学习的医学领域相关文章数

据悉,现在, 我国医学影像数据的年增长率约为30%。放射科医生人数的年增长率仅为4。1%放射科医生的数量增长远远少于图像数据。这表示,医学图像识别领域存在巨大差距,市场潜力巨大。

(1)医学图像识别

(3)药物开发

深度学习能够分析大量数据,通过特征提取和算法优化,对某种疾病的大规模分析,为了获得有关病因的全面信息, 发病率 和药物作用; 此外,它还可以在不同的时间节点连续分析同一名患者。因此,这对个性化治疗具有重要意义, 疾病预测 和临床诊断。

以深度学习为代表的“特征学习”,让计算机根据大数据自动找到目标的高维相关特征值,建立数据处理渠道模型,实现全自动智能处理流程,完成检测, 分割, 指定应用场景中目标的分类和预测。在医学影像中的应用没有人工干预, 可以通过深度学习方法来提取针对疾病诊断和治疗的最重要的相关特征。“读取”医学成像图像,实现识别, 位置, 病变的分类和预测。

深度学习本质上是一种复杂的机器学习算法,在语言和图像识别方面取得的成果远远超过了以前的相关技术,在搜索技术领域取得了许多成就, 数据挖掘, 机器学习 机器翻译和自然语言处理。深度学习允许机器模仿人类的活动,例如视听和思维,解决了许多复杂的模式识别问题,已经实现了机器学习的许多实际应用。

医学成像AI系统具有两个主要优点:(1)高精度, 高效率, 高可靠性创造了卓越的性能。这些性能在将来将继续得到改善; (2)可重用性的优点; 可移植性, 和连续性是人类影像医生无法比拟的。

电子病历中的数据主要是自由文本,除了结构化的基本患者信息之外,它还包括非结构化诊断信息, 用药信息, 考试信息, 临床记录 等等,加上个人电子病历的时间安排,手动方法或原始计算方法很难分析和使用。

中医健康管理以传统中医基础理论的发展为基础,并结合现代科学管理理念。包含健康信息收集的内容, 状态识别 干预和疗效评估, 等等主要是指在中医理论指导下,个人显示的外部代表信息,进行全面分析,为了判断整体反应状态(包括程度, 位置, 性质)确定生活状态。

研究显示,与传统的预测方法相比,深度学习可更快,更有效地使用异构数据,深度学习模型的使用对医院死亡率具有良好的预测效果, 在30天内重新住院, 长期住院 和大量异类电子病历中的出院诊断。

另一项研究表明,根据目前的大约180个健康数据,000名慢性病患者, 电子病历中的病历, 和基本的人口信息,使用深度学习方法来预测患者是否有高血压的风险,最终获得了82%的准确率,这对辅助疾病诊断和患者自我健康管理具有重要意义。

1。 了解“深度学习”

人工智能深度学习在医学影像中的应用可以分为三个层次:(1)第一层次是病变检测,那就是识别和划定可疑病变; (2)第二层是病变的定量诊断,帮助医生识别良性和恶性疾病, 类型和阶段 等等; (3)第三层是治疗决策,在将来, 通过图像数据和临床数据的相关性分析,帮助临床医生做出科学合理的治疗决策和预后预期。

例如, 陆春成使用开源深度学习平台TensorFlow建立了糖尿病预测模型,深入研究数据预处理的相关理论,建立基于前向传播算法和BP算法的深度神经网络(DNN)作为分类器,建立糖尿病预测和诊断平台。实验结果表明,与传统的机器学习预测模型相比,基于深度神经网络(DNN)算法的预测模型具有一定优势。随着数据集的增长,深度神经网络模型的优势将更加明显,可以不断提高预测的准确性,为患者的疾病诊断和合理用药提供参考意见,并预测患者的康复时间和其他相关信息。

四 摘要

人工智能(ArtificialIntelligence,AI)是一门研究模拟的技术科学, 扩展和扩展人类智能,人工智能技术可以大大提高工作效率,取代简单的体力劳动。新一代AI技术以大数据和机器学习为代表。作为一种高性能的AI技术, 机器学习依靠计算机的高性能存储和计算能力,基于大数据自动学习,可以建立高效,高精度的算法。

LinkedOpenDrugData(LODD)以RDF的形式关联有关药物信息的不同方面,例如, 药物对基因表达的影响, 毒品的全面目标信息, 等等,研究人员可以方便地搜索关键字(例如“阿尔茨海默氏综合症”),为了获得与其相关的所有动态和视觉信息(疾病特征, 相关基因 毒品, 等等)。

生物信息学领域产生分子水平的基因突变, 基因表达和其他数据; 制药公司在药物开发过程中产生的临床试验数据; 在社交媒体上发布疾病和药物治疗经验的疾病患者或吸毒者; 由医疗移动设备收集的用户每日健康数据, 等等这些是医疗大数据的主要组成部分,这对于确定医院的疾病辅助诊断和治疗计划具有重要意义, 制药行业的研发和营销效率, 监督部门对流行病的预测和药物不良反应的监测, 个性化的患者治疗和个人健康管理。

3。 深度学习的未来应用领域

站长头像赫赫无敌:探索互联网世界,收集和分享实用互联网资源,推荐国内和国外知名、实用、创新、科技、优质的站点资源!互联无极限,探索无止境;分享求真知,网络无国界!
更多>>

同类站点推荐

更多>>

推荐阅读

更多>>

评论

分享互联网优秀资源-国外网站推荐

Copyright ◎ 2014 egouz.com, All Rights Reserved.| 目前收录国外网站 个!

草袖国外网站导航 版权所有