Apprentissage profond multimodal pour la fusion de données biomédicales : une revue

Les données biomédicales deviennent de plus en plus multimodales et capturent ainsi les relations complexes sous-jacentes entre les processus biologiques. Les stratégies de fusion de données basées sur l'apprentissage profond (DL) sont une approche populaire pour modéliser ces relations non linéaires. Par conséquent, nous passons en revue l'état de l'art actuel de telles méthodes et proposons une taxonomie détaillée qui facilite des choix plus éclairés des stratégies de fusion pour les applications biomédicales, ainsi que des recherches sur de nouvelles méthodes. Ce faisant, nous constatons que les stratégies de fusion profonde surpassent souvent les approches unimodales et superficielles. De plus, les sous-catégories de stratégies de fusion proposées présentent différents avantages et inconvénients. L'examen des méthodes actuelles a montré que, notamment pour les stratégies de fusion intermédiaires, l'apprentissage de représentation conjointe est l'approche préférée car elle modélise efficacement les interactions complexes des différents niveaux d'organisation biologique. Enfin, nous notons que la fusion progressive, basée sur des connaissances biologiques antérieures ou sur des stratégies de recherche, constitue une voie de recherche future prometteuse. De même, l'utilisation de l'apprentissage par transfert pourrait surmonter les limitations de taille d'échantillon des ensembles de données multimodales. À mesure que ces ensembles de données deviennent de plus en plus disponibles, les approches DL multimodales offrent l'opportunité de former des modèles holistiques capables d'apprendre les dynamiques réglementaires complexes derrière la santé et la maladie.