کاربردهای یادگیری عمیق در مهندسی زیست پزشکی

تقریبا از چهار دهه پیش یادگیری عمیق و داده های زیست پزشکی در حال تکامل و تغذیه یکدیگر هستند. گستردگی، پیچیدگی و رشد روز افزون داده‌های زیست پزشکی، توسعه روش های جدید یادگیری عمیق را سبب شده است و کاربرد این روش ها در داده های زیست پزشکی منجر به اکتشافات علمی و راه حل های عملی شده است. پیشرفت های انتزاعی در زیست و تکنولوژی-های زیستی، حجم بسیار زیادی از داده های زیستی و فیزیولوژیک را ایجاد کرده است، از جمله تصویر های پزشکی، الکتروانسفالوگرافی، نقشه های ژنوم و توالی های پروتئینی. یادگیری با استفاده از این داده ها منجر به تسهیل درک ما نسبت به سلامت و بیماری های انسان می شود. الگوریتم های مبتنی بر یادگیری عمیق که از شبکه های عصبی مصنوعی توسعه پیدا کرده اند، توانایی بالایی برای استخراج کردن ویژگی و الگوهای یادگیری از داده های پیچیده را از خودشان نشان داده اند. هدف این تحقیق فراهم کردن مروری بر روی تکنیک های یادگیری عمیق و بعضی از جدید ترین کاربرد های آن ها در زمینه ی زیست پزشکی می-باشد. ما نخست معماری‌های‌ مولد یادگیری‌ عمیق و کاربردهای آن ‌را بررسی می کنیم. سپس دو بخش دیگر از معماری های یادگیری عمیق، یعنی معماری‌ های‌ وابسته‌ ‌و معماری‌ های‌ ترکیبی‌ یادگیری‌ عمیق را معرفی می کنیم. در نهایت بعضی از نمونه های کاربردی روش یادگیری عمیق ارائه می گردد.