Introduction to Deep Learning for Healthcare

این کتاب درسی مدل های یادگیری عمیق و کاربردهای مراقبت های بهداشتی آنها را ارائه می دهد. این بر روی داده‌های سلامت غنی و مدل‌های یادگیری عمیق تمرکز می‌کند که می‌توانند به طور موثر داده‌های سلامت را مدل‌سازی کنند. داده های مراقبت های بهداشتی: در میان تمام فناوری های مراقبت های بهداشتی، پرونده الکترونیک سلامت (EHRs) پذیرش گسترده ای داشته و تأثیر قابل توجهی بر ارائه مراقبت های بهداشتی در سال های اخیر داشته است. یکی از مزایای مهم EHR ها این است که تمام برخوردهای بیمار با داده های چند وجهی غنی را به تصویر بکشد. داده های مراقبت های بهداشتی شامل اطلاعات ساختاریافته و بدون ساختار می شود. داده های ساختاریافته شامل کدهای پزشکی مختلف برای تشخیص ها و روش ها، نتایج آزمایشگاهی و اطلاعات دارویی است. داده های بدون ساختار شامل 1) یادداشت های بالینی به عنوان متن، 2) داده های تصویربرداری پزشکی مانند اشعه ایکس، اکوکاردیوگرام، و تصویربرداری تشدید مغناطیسی (MRI)، و 3) داده های سری زمانی مانند نوار قلب (ECG) و الکتروانسفالوگرام (EEG) . فراتر از داده‌های جمع‌آوری‌شده در طول بازدیدهای بالینی، داده‌های تولید شده/گزارش‌شده توسط بیمار به لطف استفاده روزافزون حسگرهای پوشیدنی شروع به رشد می‌کنند. نویسندگان مطالعات موردی یادگیری عمیق را روی همه داده‌های توصیف‌شده ارائه می‌کنند.

مدل‌های یادگیری عمیق: مدل‌های شبکه عصبی دسته‌ای از روش‌های یادگیری ماشین با سابقه طولانی هستند. مدل های یادگیری عمیق شبکه های عصبی چندین لایه هستند که می توانند چندین سطح از ویژگی ها را از داده های خام استخراج کنند. یادگیری عمیق به کار رفته در مراقبت های بهداشتی یک جهت طبیعی و امیدوارکننده با موفقیت های اولیه بسیاری است. نویسندگان شبکه‌های عصبی عمیق، شبکه‌های عصبی کانولوشن، شبکه‌های عصبی مکرر، روش‌های جاسازی، رمزگذارهای خودکار، مدل‌های توجه، شبکه‌های عصبی نمودار، شبکه‌های حافظه و مدل‌های مولد را پوشش می‌دهند. این با مطالعات موردی مراقبت های بهداشتی خاص مانند مدل سازی پیش بینی بالینی، پیش بینی بستری مجدد، فنوتیپ، طبقه بندی اشعه ایکس، تشخیص ECG، نظارت بر خواب، کدگذاری تشخیص خودکار از یادداشت های بالینی، شناسایی خودکار، توصیه دارویی، کشف دارو (پیش بینی خواص دارو و مولکول) ارائه شده است. نسل)، و تطبیق کارآزمایی بالینی.

این کتاب درسی دانشجویان مقطع تحصیلات تکمیلی را هدف قرار می‌دهد که بر روش‌های یادگیری عمیق و کاربردهای مراقبت‌های بهداشتی آن‌ها تمرکز دارند. می توان از آن برای مفاهیم یادگیری عمیق و کاربردهای آن نیز استفاده کرد. محققانی که در این زمینه کار می کنند نیز این کتاب را برای تحقیقات خود بسیار مفید و ارزشمند خواهند دانست.

This textbook presents deep learning models and their healthcare applications. It focuses on rich health data and deep learning models that can effectively model health data. Healthcare data: Among all healthcare technologies, electronic health records (EHRs) had vast adoption and a significant impact on healthcare delivery in recent years. One crucial benefit of EHRs is to capture all the patient encounters with rich multi-modality data. Healthcare data include both structured and unstructured information. Structured data include various medical codes for diagnoses and procedures, lab results, and medication information. Unstructured data contain 1) clinical notes as text, 2) medical imaging data such as X-rays, echocardiogram, and magnetic resonance imaging (MRI), and 3) time-series data such as the electrocardiogram (ECG) and electroencephalogram (EEG). Beyond the data collected during clinical visits, patient self-generated/reported data start to grow thanks to wearable sensors’ increasing use.  The authors  present deep learning case studies on all data described.

Deep learning models: Neural network models are a class of machine learning methods with a long history. Deep learning models are neural networks of many layers, which can extract multiple levels of features from raw data. Deep learning applied to healthcare is a natural and promising direction with many initial successes. The authors cover deep neural networks, convolutional neural networks, recurrent neural networks, embedding methods, autoencoders, attention models, graph neural networks, memory networks, and generative models. It’s presented with concrete healthcare case studies such as clinical predictive modeling, readmission prediction, phenotyping, x-ray classification, ECG diagnosis, sleep monitoring, automatic diagnosis coding from clinical notes, automatic deidentification, medication recommendation, drug discovery (drug property prediction and molecule generation), and clinical trial matching.

This textbook targets graduate-level students focused on deep learning methods and their healthcare applications. It can be used for the concepts of deep learning and its applications as well. Researchers working in this field will also find this book to be extremely useful and valuable for their research.