Достижения в области искусственного интеллекта и машинного обучения для предиктивной медицины

Омные данные, стремительно накапливающиеся благодаря развитию высокопроизводительного секвенирования, открывают новые возможности для предиктивного моделирования в прецизионной медицине, но одновременно создают серьёзные трудности для анализа и интерпретации. Традиционные методы машинного обучения лишь частично успешны в построении прогностических моделей для омикс-анализа и ограничены в учёте скрытых взаимосвязей между данными. В обзоре рассматривается переход к глубокому обучению, в частности к свёрточным нейронным сетям. С помощью преобразующих методов, таких как DeepInsight, омикс-данные с независимыми переменными в табличной форме, включая векторные данные, можно преобразовать в изображеподобные представления, что позволяет свёрточным нейронным сетям эффективно выявлять скрытые признаки. Такой подход не только повышает прогностическую ценность, но и позволяет использовать перенос обучения, сокращая время вычислений и улучшая результаты. Однако внедрение свёрточных нейронных сетей в прогностический анализ омикс-данных связано с трудностями, включая интерпретируемость моделей, неоднородность данных и их объём. Для решения этих проблем необходим междисциплинарный подход с участием специалистов по машинному обучению, исследователей в области биоинформатики, биологов и врачей. Этот обзор освещает указанные сложности и намечает направление будущих исследований, которые должны раскрыть весь прогностический потенциал свёрточных нейронных сетей в анализе омикс-данных и смежных областях.