[论文解读] Machine Learning and Deep Learning Methods for Building Intelligent Systems in Medicine and Drug Discovery: A Comprehensive Survey

G. Jignesh Chowdary, G. Suganya+3 more|arXiv (Cornell University)|Jul 19, 2021

COVID-19 diagnosis using AI参考文献 106被引用 7

一句话总结

本篇全面综述回顾了机器学习与深度学习在16个医学专科及药物发现中的应用，评估了CNN、RNN和GAN等模型在疾病诊断与工作流程优化中的表现。文章识别出关键趋势、数据集与临床影响，为医疗领域中人工智能驱动的诊断系统提供了结构化概览。

ABSTRACT

With the advancements in computer technology, there is a rapid development of intelligent systems to understand the complex relationships in data to make predictions and classifications. Artificail Intelligence based framework is rapidly revolutionizing the healthcare industry. These intelligent systems are built with machine learning and deep learning based robust models for early diagnosis of diseases and demonstrates a promising supplementary diagnostic method for frontline clinical doctors and surgeons. Machine Learning and Deep Learning based systems can streamline and simplify the steps involved in diagnosis of diseases from clinical and image-based data, thus providing significant clinician support and workflow optimization. They mimic human cognition and are even capable of diagnosing diseases that cannot be diagnosed with human intelligence. This paper focuses on the survey of machine learning and deep learning applications in across 16 medical specialties, namely Dental medicine, Haematology, Surgery, Cardiology, Pulmonology, Orthopedics, Radiology, Oncology, General medicine, Psychiatry, Endocrinology, Neurology, Dermatology, Hepatology, Nephrology, Ophthalmology, and Drug discovery. In this paper along with the survey, we discuss the advancements of medical practices with these systems and also the impact of these systems on medical professionals.

研究动机与目标

• 系统性地调研机器学习与深度学习在16个医学专科（包括心脏病学、肿瘤学、放射学和皮肤病学）中的应用。
• 分析卷积神经网络（CNNs）、循环神经网络（RNNs）和生成对抗网络（GANs）等深度学习架构在临床环境中提升诊断准确率与工作流程效率的作用。
• 评估基于人工智能的系统对医疗专业人员的影响，包括在诊断、决策支持和手术辅助方面的支持作用。
• 整理并审查用于训练和验证医疗领域人工智能模型的关键公开医学影像与临床数据集。
• 识别在医学与药物发现中开发稳健、可泛化且可临床部署的人工智系统方面的研究空白与未来方向。

提出的方法

• 利用'机器学习'、'深度学习'及各专科特定术语等关键词，在IEEE、Elsevier、ACM和Springer数据库中开展系统性文献回顾。
• 基于监督与非监督学习范式，对机器学习与深度学习模型在疾病诊断、图像分割与药物发现中的应用进行分类与分析。
• 评估包括卷积神经网络（CNNs）在医学图像分类与分割中的应用、循环神经网络（RNNs）在心电图与语音等序列数据中的应用，以及生成对抗网络（GANs）在数据增强与合成图像生成中的应用。
• 审查36个公开可用的医学数据集，包括ChestXpert、MIMIC-CXR、fastMRI与Medical Segmentation Decathlon，以评估模型训练所需的数据可及性与质量。
• 利用已发表研究中报告的AUC、准确率与F1-score等指标，对各专科中模型性能进行映射分析。
• 将研究发现整合为一个智能诊断系统的框架，强调混合模型、集成方法与临床医生-人工智能协作的重要性。

实验结果

研究问题

• RQ1 机器学习与深度学习模型在不同医学专科中如何提升诊断准确率与工作流程效率？
• RQ2 在肿瘤检测、器官分割与心电图分析等特定医学任务中，哪些最有效的深度学习架构（如CNNs、RNNs、GANs）表现最佳？
• RQ3 在医学影像与临床数据中，哪些公开数据集最广泛使用且对训练与基准测试人工智能模型最为有效？
• RQ4 与单一模型方法相比，混合与集成模型在复杂疾病预测中的诊断性能如何提升？
• RQ5 将人工智能系统整合到医疗实践中，其在不同专科中的临床影响与伦理考量为何？

主要发现

• CNN在医学图像分类与分割中表现出色，在多项研究中对肺结节与肿瘤检测的AUC值超过0.90。
• GAN通过生成合成医学图像有效缓解了数据稀缺问题，在低数据环境下提升了模型泛化能力并减少了过拟合。
• 将多种算法（如XGBoost、SVM与CNN）结合的集成方法在多类别疾病预测任务中，相较单一模型将诊断准确率提升了5%至10%。
• ChestXpert、MIMIC-CXR与Medical Segmentation Decathlon等公开数据集实现了可复现的基准测试，加速了各专科中的模型开发。
• 人工智能系统在糖尿病视网膜病变、肺癌与脑出血等疾病的早期诊断中展现出巨大潜力，部分模型已达到或超越放射科医生水平的性能。
• 将人工智能整合进临床工作流程可协助临床医生缩短诊断时间、提高一致性，并在肥厚型心肌病（HCM）与急性呼吸窘迫综合征（ARDS）等复杂疾病中实现早期干预。