Apprentissage Profond Basé sur des Graphes pour le Diagnostic et l'Analyse Médicale : Passé, Présent et Futur

Avec les avancées de la recherche en apprentissage machine axé sur les données, une grande variété de problèmes de prédiction a été abordée. Il est devenu essentiel d'explorer comment l'apprentissage machine et spécifiquement les méthodes d'apprentissage profond peuvent être exploitées pour analyser les données de santé. Une limitation majeure des méthodes existantes a été l'accent mis sur les données de type grille ; cependant, la structure des enregistrements physiologiques est souvent irrégulière et désordonnée, ce qui rend difficile leur conceptualisation en tant que matrice. En tant que tel, les réseaux neuronaux graphiques ont attiré une attention significative en tirant parti des informations implicites qui résident dans un système biologique, avec des nœuds interactifs connectés par des arêtes dont les poids peuvent être déterminés soit par des associations temporelles soit par des jonctions anatomiques. Dans cette enquête, nous examinons en profondeur les différents types d'architectures graphiques et leurs applications dans le secteur de la santé. Nous fournissons un aperçu de ces méthodes de manière systématique, organisé par leur domaine d'application, y compris la connectivité fonctionnelle, la structure anatomique et l'analyse basée sur l'électricité. Nous décrivons également les limites des techniques existantes et discutons des directions potentielles pour les recherches futures.