Graph-basierte Deep Learning für medizinische Diagnosen und Analysen: Vergangenheit, Gegenwart und Zukunft

Mit den Fortschritten in der datengestützten maschinellen Lernforschung wurden eine Vielzahl von Vorhersageproblemen angegangen. Es ist entscheidend geworden, zu erkunden, wie maschinelles Lernen und insbesondere Deep-Learning-Methoden genutzt werden können, um Gesundheitsdaten zu analysieren. Eine wesentliche Einschränkung der bestehenden Methoden war der Fokus auf gitterartige Daten; jedoch sind die Strukturen physiologischer Aufzeichnungen oft unregelmäßig und ungeordnet, was es schwierig macht, sie als Matrix zu konzipieren. Daher haben graphbasierte neuronale Netzwerke signifikante Aufmerksamkeit erregt, indem sie implizite Informationen nutzen, die in einem biologischen System vorhanden sind, mit interagierenden Knoten, die durch Kanten verbunden sind, deren Gewichte entweder durch zeitliche Assoziationen oder anatomische Verbindungen bestimmt werden können. In dieser Umfrage überprüfen wir umfassend die verschiedenen Arten von Graph-Architekturen und deren Anwendungen im Gesundheitswesen. Wir geben einen Überblick über diese Methoden auf systematische Weise, organisiert nach ihrem Anwendungsbereich, einschließlich funktioneller Konnektivität, anatomischer Struktur und elektrischer Analyse. Wir skizzieren auch die Einschränkungen bestehender Techniken und diskutieren potenzielle Richtungen für zukünftige Forschungen.