除此之外，Dernoncourt［26］等利用字符串令牌嵌入的双向长短期记忆网络（Long Short-Term Memory，LSTM）以及字符和单词嵌入创建了一个用于临床文本自动识别的系统（在去标识化MIMIC数据集上 F1得分 ＝0.9923，召回率 ＝0.9925，精确度＝0.9921），取代了传统费力的人工识别过程并促进了临床记录的利用。Harini Suresh［27］等利用长短期记忆网络和卷积神经网络对ICU的多来源数据进行整合，分别进行有创通气、无创通气等五项任务的临床干预任务预测，两者的预测结果均优于传统基线。

1.5 药物开发方向应用现状

新药开发是一个漫长且复杂的过程，涉及生物、化学、医药等多学科专业知识。其中药代动力学、药效建模、药物临床试验等环节的改进对加快新药的研发速度意义重大。在药代动力学分析领域，不仅可以通过将药物结构特征结合深度学习建立基于深度神经网络的药物-药物相互作用（Drug-Drug Interactions，DDI）预测模型，预测可能的不良药物事件（Deep DDI可预测86种药物—药物相互作用类型，平均准确率为92.4%）［28］，而且还可以通过结合具有贪婪层与监督层的DBN与药物靶点相互作用机制评估候选分子的有效性、估计药物与标靶的相互作用，促进药效学建模［29］。在医学和基因组学领域，深度学习还可以被应用于重建大脑神经回路［42］以及预测潜在药物分子的活性［30］。Chen G［31］等通过堆叠RBMs模型，结合基因表达过程、药物作用途径和本体属性特征来预测药物组合的协同作用，结果总准确度为71.5%，召回率为60.2%，F评分为65.4%，优于DREAM 2015年参与团队的模型，有效提高了新药研发效率。

2 结论与展望

通过对深度学习在生物医学领域的应用进展研究，算法专家不仅已经在该领域取得了令人振奋的结果，而且还得到了一部分意想不到的收获。如Harini Sureshde［27］等利用 EHR进行模型训练的过程中发现，生理专业术语的录入有效提高了利用LSTM模型的性能。在对医疗保健领域数据值缺失的情况进行分析的过程中发现，基于门控循环单元的GRU-D模型，充分利用掩码和时间间隔，在处理临床应用中的时间序列数据缺失的情况有一定的借鉴意义［43］。

研究结果显示，深度学习凭借其复杂模拟算法的优势，在生物医学领域取得了优于已有算法的成果。无论是在生物信息学、生物医疗方向，还是在药物研发方向，深度学习都已取得突破性进展，利用自身优势为疾病诊断、预测、治疗提供参考。随着该算法与生物医学技术的结合发展，更多应用的可能性也逐渐显现出来，本文对深度学习在生物医学领域的应用展望主要如下：

1）疾病ICD自动编码

虽然目前已有系统的疾病分类编码规则，但是主要依靠人工完成。且由于规则复杂，人工编码水平参差不齐，导致疾病编码结果准确度不一致。而编码质量的好坏直接影响后期算法对个人健康记录学习、预测的质量，因此对临床病例进行深度学习，根据文本识别结果及编码规则对疾病进行ICD分类编码，将会是深度学习在生物医学领域的一个应用场景。

2）多数据源临床分析与预测

影像诊断模型的训练不应仅停留在对影像图像的识别和分析上，还应整合患者病史、体征、实验室检查、心电检查等其他检查结果，进一步提升人工智能的综合诊断能力，将深度学习在生物医药方面的应用从辅助诊断逐步过渡到预测判断和辅助决策。

3）深度学习在公共卫生领域的应用

公共卫生领域在流行病学、人口健康普查、慢性病等领域经过多年的积累已经储存了大量的数据，但是该领域目前的数据应用主要集中在利用分析软件的分析功能方面，通过中国知网经初步检索未见深度学习在该领域应用的相关文献。将深度学习应用于该领域的慢性病预测、疫情追踪预测、地方病预测等方面可作为公共卫生领域的一个未来发展方向。

［1］CIOSK J，MAMITSUKA H，NAGASHIMA T，et Intelligence in Solving Bioinformatics Problems［J］.Artificial Intelligence In Medicine，2005，35（1-2）：1-8.

［2］LANGKVISTM，KARLSSON L， Review of Unsupervised Feature Learning and Deep Learning for Time-Series Modeling［J］.Pattern Recognition Letters，2014，42：11-24.

［3］KRIZHEVSKY A，SUTSKEVER I，HINTON G Classification with Deep Convolutional Neural Networks［J］.Communications of the Acm，2017，60（6）：84-90.

［4］HINTON G E，OSINDERO S，TEH Y-W.A Fast Learning Algorithm for Deep Belief Nets［J］.Neural Computation，2006，18（7）：1527-1554.

文章来源：《医学食疗与健康》 网址: http://www.yxslyjkbjb.cn/qikandaodu/2021/0115/595.html