“人工智能(AI)作为计算机科学的一个分支，其目的是模仿思维过程、学习能力和知识管理，在实验和临床医学中得到越来越多的应用。近几十年来，人工智能在医学和生物医学科学中的应用不断扩大。人工智能在医学诊断、风险预测和治疗技术支持领域的可能性正在迅速增长。由于人工智能在眼科、放射学和心脏诊断中的使用，已经获得了可衡量的临床益处。


AI的发展也为营养物质和医学传感技术的研究提供了新的机遇。人工神经网络作为目前人工智能领域广泛使用的建模技术，其灵感来自于人脑的自然神经元结构。人工神经网络旨在通过称为人工神经元的处理元件来处理和计算输入信号，这些处理元件通过人工突触相互连接。共有三种类型的层形成ANN。输入层捕获原始数据并将它们传递给隐藏层。


在第二层中，发生了学习过程。在输出层收集分析结果并创建输出数据。一个神经网络可能由数百个单个单元组成。人工神经网络是一个参数化系统，具有作为可调参数的权重。由于需要估计这些参数，人工神经网络需要大量的训练集。人工神经网络通过检测数据之间的模式和关系来获取知识，即通过经验，而不是编程的结果。在需要对具有非线性相关性的数据集进行建模的情况下，ANN显示出它的特殊用途。


在解决生物医学问题时，原始数据既可以是文献数据，也可以是实验数据。在过去的二十年中，人工神经网络已被用于创建一个有待改进的实验决策算法模型，旨在评估面对参考值和临床数据的生化测试结果[8]。该技术还用于基于完整哺乳动物细胞的质谱指纹评估细胞培养交叉污染水平。人工神经网络的特殊用途已在药物分析中得到证明。


ANN的一个有趣应用是预测地中海饮食模式、临床特征和认知功能之间的关系。人工神经网络的有用性已在身体成分分析中得到证明，其具有明显的非线性特征。使用ANN建模，可以在临床营养学中获得显着的好处。值得注意的是，模糊逻辑方法（FLM）可以与神经网络相结合。人工智能这一领域的想法是争取更高的精度、维度和结构的简化。


有可能创建模糊神经网络并将基于FLM的模型转换为神经网络。ML是与通过经验自动改进的算法相关的AI领域。ML算法有可能为决策创建数学模型。创建这些模型的过程基于大量训练数据，无需编程。机器学习算法的普及发生在20世纪最后十年在搜索引擎应用中。在接下来的几十年里，人们对有机合成领域的重大发现寄予厚望，使用越来越先进的ML算法。尽管这些希望尚未完全实现，但人工智能这一领域在生物医学科学和临床医学中都有重要应用。机器学习（有监督和无监督）可应用于临床数据集以开发风险模型。它可以显着支持对从患者获得的数据进行分析。


有人认为ML是计算机辅助诊断、生物医学研究和个性化医疗的未来。ML算法在肠道微生物群研究中的使用是假设的，特别是因为这些研究中收集了大量数据集。在最近的一份报告中，刘等人证明集成肠道微生物群基线微生物特征的ML算法可以准确预测患者对体力活动的血糖反应。深度学习是ML的一个子类型。它是一个人工智能领域，特别是在图像和语音识别以及外语翻译技术中得到了应用。DL在医学诊断中也有重要用途。DL相对于监督ML的显着优势体现在程序在构建用于识别的特征集方面的自主性。
评分完成：已经给本帖加上 20 银元！