[论文解读] Transformers in Healthcare: A Survey
对 Transformer 架构在多样化医疗数据中的应用及相关优点、局限性和伦理考量的综述（包括成像、电子健康记录、社交媒体、信号和生物分子序列）。
With Artificial Intelligence (AI) increasingly permeating various aspects of society, including healthcare, the adoption of the Transformers neural network architecture is rapidly changing many applications. Transformer is a type of deep learning architecture initially developed to solve general-purpose Natural Language Processing (NLP) tasks and has subsequently been adapted in many fields, including healthcare. In this survey paper, we provide an overview of how this architecture has been adopted to analyze various forms of data, including medical imaging, structured and unstructured Electronic Health Records (EHR), social media, physiological signals, and biomolecular sequences. Those models could help in clinical diagnosis, report generation, data reconstruction, and drug/protein synthesis. We identified relevant studies using the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines. We also discuss the benefits and limitations of using transformers in healthcare and examine issues such as computational cost, model interpretability, fairness, alignment with human values, ethical implications, and environmental impact.
研究动机与目标
- 总结 Transformer 在不同医疗数据模态中的用法（成像、结构化/非结构化 EHR、社交媒体、生理信号、生物分子序列）。
- 确定 Transformer 能带来哪些临床应用，例如诊断支持、报告生成、数据重建，以及药物/蛋白质合成。
- 讨论方法学方面的考虑，包括计算成本、可解释性、公平性、与人类价值观的一致性，以及伦理/环境影响。
提出的方法
- 按照 PRISMA 指南对文献进行综述，以识别相关的基于 Transformer 的医疗研究。
- 按数据模态和任务（诊断、生成、重建、合成）对应用进行分类。
- 讨论 Transformer 模型在医疗保健中的优点、局限性以及实际考量。
- 强调可解释性、公平性、与人类价值观的一致性、伦理以及环境影响等问题。
实验结果
研究问题
- RQ1在医疗保健领域，Transformer 已应用于哪些数据模态？
- RQ2Transformer 在医疗保健中支持哪些临床任务（如诊断、报告生成、数据重建、合成）？
- RQ3在医疗保健中使用 Transformer 的优点、局限性，以及伦理/环境考量有哪些？
主要发现
- Transformer 已应用于医学影像、EHR 数据（结构化和非结构化）、社交媒体、生理信号以及生物分子序列。
- 应用包括临床诊断支持、报告生成、数据重建，以及药物/蛋白质合成。
- 该综述讨论了成本、可解释性、公平性、与人类价值的一致性、伦理含义以及医疗保健中 Transformer 的环境影响。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。