كاربردهاي يادگيري عميق در مهندسي زيست پزشكي

تقريبا از چهار دهه پيش يادگيري عميق و داده هاي زيست پزشكي در حال تكامل و تغذيه يكديگر هستند. گستردگي، پيچيدگي و رشد روز افزون داده‌هاي زيست پزشكي، توسعه روش هاي جديد يادگيري عميق را سبب شده است و كاربرد اين روش ها در داده هاي زيست پزشكي منجر به اكتشافات علمي و راه حل هاي عملي شده است. پيشرفت هاي انتزاعي در زيست و تكنولوژي-هاي زيستي، حجم بسيار زيادي از داده هاي زيستي و فيزيولوژيك را ايجاد كرده است، از جمله تصوير هاي پزشكي، الكتروانسفالوگرافي، نقشه هاي ژنوم و توالي هاي پروتئيني. يادگيري با استفاده از اين داده ها منجر به تسهيل درك ما نسبت به سلامت و بيماري هاي انسان مي شود. الگوريتم هاي مبتني بر يادگيري عميق كه از شبكه هاي عصبي مصنوعي توسعه پيدا كرده اند، توانايي بالايي براي استخراج كردن ويژگي و الگوهاي يادگيري از داده هاي پيچيده را از خودشان نشان داده اند. هدف اين تحقيق فراهم كردن مروري بر روي تكنيك هاي يادگيري عميق و بعضي از جديد ترين كاربرد هاي آن ها در زمينه ي زيست پزشكي مي-باشد. ما نخست معماري‌هاي‌ مولد يادگيري‌ عميق و كاربردهاي آن ‌را بررسي مي كنيم. سپس دو بخش ديگر از معماري هاي يادگيري عميق، يعني معماري‌ هاي‌ وابسته‌ ‌و معماري‌ هاي‌ تركيبي‌ يادگيري‌ عميق را معرفي مي كنيم. در نهايت بعضي از نمونه هاي كاربردي روش يادگيري عميق ارائه مي گردد.