Editorial Ilmu Komputer & AI
Open AccessOA2024
Kemajuan AI dan machine learning untuk kedokteran prediktif
Tinjauan ini membahas bagaimana deep learning, khususnya convolutional neural network (CNN), mengubah pemodelan prediktif dalam omika dengan mengonversi data tabular menjadi representasi mirip gambar melalui metode seperti DeepInsight. Tinjauan ini menyoroti peningkatan daya prediktif dan manfaat transfer learning, sekaligus membahas tantangan dalam interpretabilitas, heterogenitas data, dan ukuran data.
Alok Sharma; Artem Lysenko; Shang-Ru Jia; K. Boroevich; T. Tsunodaยท Journal of Human Geneticsยท 2024ยท DOI 10.1038/s10038-024-01231-y
Masalah inti
Bidang omika, yang didorong oleh kemajuan sekuensing throughput tinggi, menghadapi ledakan data. Kelimpahan data ini menawarkan peluang tak tertandingi untuk pemodelan prediktif dalam kedokteran presisi, tetapi juga menghadirkan tantangan berat dalam analisis dan interpretasi data. Teknik machine learning (ML) tradisional telah sebagian berhasil menghasilkan model prediktif untuk analisis omika, namun menunjukkan keterbatasan dalam menangani potensi hubungan di dalam data untuk prediksi yang lebih akurat. Tinjauan ini membahas pergeseran revolusioner dalam pemodelan prediktif melalui penerapan deep learning (DL), khususnya convolutional neural network (CNN).
Inovasi
Para penulis meninjau penerapan deep learning, khususnya CNN, pada data omika. Inovasi metodologis utama adalah penggunaan metode transformasi seperti DeepInsight, yang mengonversi data omika dengan variabel independen dalam bentuk tabular (mirip tabel, termasuk vektor) menjadi representasi mirip gambar. Hal ini memungkinkan CNN menangkap fitur laten secara efektif. Tinjauan ini membahas bagaimana pendekatan ini tidak hanya meningkatkan daya prediktif tetapi juga memanfaatkan transfer learning, mengurangi waktu komputasi dan meningkatkan kinerja.
Pendahuluan
Bidang omika, yang didorong oleh kemajuan sekuensing throughput tinggi, menghadapi ledakan data. Kelimpahan data ini menawarkan peluang tak tertandingi untuk pemodelan prediktif dalam kedokteran presisi, tetapi juga menghadirkan tantangan berat dalam analisis dan interpretasi data. Teknik machine learning (ML) tradisional telah sebagian berhasil menghasilkan model prediktif untuk analisis omika, namun menunjukkan keterbatasan dalam menangani potensi hubungan di dalam data untuk prediksi yang lebih akurat. Tinjauan ini membahas pergeseran revolusioner dalam pemodelan prediktif melalui penerapan deep learning (DL), khususnya convolutional neural network (CNN).
Mengapa penting
Para penulis menjelaskan kompleksitas penggunaan CNN dalam analisis data omika dan merancang arah penelitian masa depan untuk membuka potensi prediktif penuh CNN dalam analisis data omika dan bidang terkait. Mengatasi tantangan ini memerlukan pendekatan multidisiplin, yang melibatkan kolaborasi antara pakar ML, peneliti bioinformatika, ahli biologi, dan dokter. Tinjauan ini menekankan bahwa meskipun CNN menawarkan keunggulan signifikan, pertimbangan cermat terhadap interpretabilitas, heterogenitas data, dan ukuran data sangat penting untuk implementasi yang berhasil dalam kedokteran presisi.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ