深度学习在健康医疗领域的应用综述

近年来，以深度学习为代表的机器学习在健康医疗领域越来越多。按照处理的数据种类可以分为数值型，文本型以及图片数据；本文主要集中在文本数据。

临床诊断决策：

(Miotto R,et al;2016)[1]提出了一种新的无监督深度特征学习方法即为三层堆叠的降噪自动解码器，它可以从电子健康病历数据中获取一个通用的病人表征，从而让临床预测性建模更加方便。用于捕捉西奈山数据仓库中70万患者聚合电子健康病历中的层次规律性（ hierarchical regularities ）及依存关系。 结果显著优于其他使用了基于原始电子健康档案数据表征的研究方法，以及其他特征学习策略。在对严重糖尿病、精神分裂症以及各种癌症的预测表现上，“深度患者”遥遥领先。发现表明将深度学习应用到电子健康病历中，可以得到病人表征，这些表征可以帮助我们改善临床预测，研究也为增强临床决策系统提供了深度学习框架。类似地(Nguyen P,et al;2016)[2] 基于深度卷积网络构建“深度记录”（Deeppr）用于提高临床诊断。(Nie L, Wang M, Zhang L, et al;2015)[3]提出了一个稀疏深度学习框架用来建立基于用户的提出健康表征信息，推断可能出现的疾病。

知识库构建

（Savova G K, Masanz J J, Ogren P V, et al；2010）针对如何从临床文本中提取知识在架构设计，模块以及评估应用方面给出了全面的阐述，该系统主要集中在临床领域自然语言处理的分词，命名体识别以及浅层次语法解析方面。(de Bruijn B，et al； 2010)[5]在对健康领域的实体名识别以及关系分析方面给出了基准的效果。主要是通过构建自然语言特征以及外部知识特征并辅助以SVM，CRF等机器学习模型。(Lei J, Tang B, Lu X, et al,2014)针对中文诊断文本，测度了CRF，SVM，ME，SSVM模型在命名体识别的效果，结果SSVM在入院小结文本和出院诊断单上F值有93.51%和90.01％的效果。随着深度学习在自然语言的深入应用（Collobert R, Weston J, Bottou L, et al，2011），一些传统的自然语言任务也从深度学习的特征生成机制中获得一定程度的提升。比如（Wu Y, Jiang M, Lei J, et al；2015）发现针对于传统的医学的命名体识别任务，以无监督的词向量为输入层，在建立深度神经网络框架可以胜过传统的CRF模型。

 ［1］Miotto R, Li L, Kidd B A, et al. Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records[J]. Scientific reports, 2016, 6.

 ［2］Nguyen P, Tran T, Wickramasinghe N, et al. Deepr: A Convolutional Net for Medical Records[J]. arXiv preprint arXiv:1607.07519, 2016.

 ［3］Nie L, Wang M, Zhang L, et al. Disease inference from health-related questions via sparse deep learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2015, 27(8): 2107-2119.

 ［4］Savova G K, Masanz J J, Ogren P V, et al. Mayo clinical Text Analysis and Knowledge Extraction System (cTAKES): architecture, component evaluation and applications[J]. Journal of the American Medical Informatics Association, 2010, 17(5): 507-513.

 ［5］Uzuner Ö, South B R, Shen S, et al. 2010 i2b2/VA challenge on concepts, assertions, and relations in clinical text[J]. Journal of the American Medical Informatics Association, 2011, 18(5): 552-556.

 ［6］Lei J, Tang B, Lu X, et al. A comprehensive study of named entity recognition in Chinese clinical text[J]. Journal of the American Medical Informatics Association, 2014, 21(5): 808-814.

 ［7］Wu Y, Jiang M, Lei J, et al. Named entity recognition in Chinese clinical text using deep neural network[J]. Studies in health technology and informatics, 2015, 216: 624.

［8］Collobert R, Weston J, Bottou L, et al. Natural language processing (almost) from scratch[J].  Journal of Machine Learning Research, 2011, 12(Aug): 2493-2537.