Key points are not available for this paper at this time.
Mit den Fortschritten in der Instrumentierung und den Probenahmetechniken gibt es ein explosives Wachstum an Daten aus molekularen und zellulären Proben. Der Anspruch, mehr Informationen aus den großen Datensätzen zu extrahieren, hat die herkömmlichen chemometrischen Methoden erheblich herausgefordert. Deep Learning, das sehr große Datensätze nutzt, um versteckte Merkmale darin zu finden und um genaue Vorhersagen für eine breite Palette von Anwendungen zu treffen, wurde in den letzten 3 Jahren in einem unglaublichen Tempo in der Biospektroskopie und der biospektroskopischen Bildgebung angewendet. In diesem Artikel führen wir zunächst in den Hintergrund und die Grundlagen des Deep Learning ein. Anschließend konzentrieren wir uns auf die aufkommenden Anwendungen des Deep Learning in der Datenvorverarbeitung, Merkmalserkennung und Modellierung der biologischen Proben für die spektrale Analyse und spektroskopische Bildgebung. Schließlich heben wir die Herausforderungen und Einschränkungen im Deep Learning sowie den Ausblick auf zukünftige Richtungen hervor.
He et al. (Thu,) haben diese Frage untersucht.