Advances in biological and medical technologies have been providing us explosive volumes of biological and physiological data, such as medical images, electroencephalography, genomic and protein sequences. Learning from these data facilitates the understanding of human health and disease. Developed from artificial neural networks, deep learning-based algorithms show great promise in extracting features and learning patterns from complex data. The aim of this paper is to provide an overview of deep learning techniques and some of the state-of-the-art applications in the biomedical field. We first introduce the development of artificial neural network and deep learning. We then describe two main components of deep learning, i.e., deep learning architectures and model optimization. Subsequently, some examples are demonstrated for deep learning applications, including medical image classification, genomic sequence analysis, as well as protein structure classification and prediction. Finally, we offer our perspectives for the future directions in the field of deep learning.
近年来，高通量技术的发展为我们提供了海量的生物学、医学、生理学数据，给生物医学发展带来了前所未有的机遇。同时，如何从这些体量大、异质性高、产生速度快的大数据中提取出能指导生物医学研究、辅助临床决策的信息，是数据分析面临的巨大挑战。人工智能方法已被广泛应用于生物医学大数据的处理，而为人工智能领域带来重大突破的深度学习，更是为生物医学大数据的分析提供了广阔前景。1958 年，David Hubel 和Torsten Wiesel 在 Johns Hopkins University，研究瞳孔区域与大脑皮层神经元的对应关系。他们在猫的后脑头骨上开了一个3 毫米的小洞，向洞里插入电极，用于观察小猫看到各种形状、亮度、姿态的物体时大脑神经元的活跃程度。实验证明，猫由瞳孔感受到刺激，刺激信息紧接着被分层传输到后脑皮层中相应区域的视觉神经元。受到此过程的启发，人工神经网络（ANN）通过分层的人造神经元来模拟大脑对物体的感知。最初，由于结构浅且计算能力有限，ANN在实际应用中曾一度落后于其他简单的机器学习算法，如支持向量机（SVM），随机森林和k-最近邻算法等。近年来，由于计算机能力和方法的改进，图形处理单元（GPU）和反向传播算法（BP）的使用又重新促进了ANN的发展。并且人们发现，更多分层的ANN可以提取更复杂的特征，提高对事物感知的准确性从而发展为深度学习算法。深度学习是机器学习领域的一个新兴和快速发展领域。它试图通过多层深度神经网络（DNN）对大规模数据进行抽象建模，从而理解图像，声音和文本等数据。一般而言，深度学习有两个属性：（1）多层非线性处理单元，以及（2）有监督或无监督的特征学习。深度学习算法（DL）是一类算法的统称。虽然这些算法基本假设和理论不同，但特征提取的基本思想和过程非常相似。在正向传播过程中，网络接收到输入信息，然后沿着网络连接将输入信息传输到最终层产生预测或重建结果。在反向传递过程中，通过最小化预测数据与实际数据之间的差异来优化网络的连接参数。在这篇文章中，作者介绍了深度神经网络中的分层及其理论依据，如何形成深度神经网络，信息如何传递到最终层，如何定义预测数据与实际数据之间的差异，以及如何利用差异来优化网络的连接参数。通过对这些算法的了解，读者可以根据自己的数据特点，选择合适的深度学习模型，调整算法结构，以期提高模型的准确性和泛化性。由于对信息处理的高效、准确，深度学习算法近年来已广泛应用于自动语音识别，图像识别，自然语言处理等领域。与此同时，由于高通量技术的发展，生物医学数据大幅增长，亟需有效且高效的计算工具来存储，分析和解释。深度学习的出现和应用正好为此提供了良好契机。在医学图像识别领域中，深度学习已在皮肤癌、致盲性眼病、乳腺癌、糖尿病视网膜病和肺炎的诊断中大显身手，其表现匹敌各领域专家。对于爆炸式增长的组学数据，深度学习亦游刃有余：预测基因表达量，预测蛋白质结合位点、可变剪切位点，解读蛋白质三维结构，甚至也为非编码区的解读提供了可能。在上述这些领域的应用中，深度学习的表现都远远超过了其他人工智能算法，准确率的提升高达50%。在这篇文章中，作者总结了深度学习的多种模型在不同的生物医学领域中的应用。除了目前所取得的丰硕成果，深度学习在生物医学领域中的应用也面临着诸多挑战:获取高质量的、大量的样本标注需要巨大的人力物力；医学数据往往具有不平衡性、异质性；对于医学诊断类的应用场景，模型需要具有更高的敏感性。种种挑战为深度学习模型提出了更高的要求。在未来，我们期望深度学习在生物医学领域中取得更深远的影响，不断促进精准医疗领域的发展。





PDF全文下载地址:

http://gpb.big.ac.cn/articles/download/631