第二代测序深度为肺部感染检测强化学习

文摘

深强化学习,最近与医疗大数据生成和收集到的有关医疗物联网,是计算机辅助诊断和治疗的前瞻性。在本文中,我们专注于第二代测序技术的应用价值肺部感染性疾病的诊断和治疗的帮助下强化学习。具体来说,快速、全面、准确的识别病原体是临床医生选择的先决条件及时和有针对性的治疗。因此,在这项工作中,我们现在代表深潜在的强化学习方法来识别病原体治疗肺部感染。之后,肺部传染病的病原诊断的现状及其主要特点进行了总结。此外,我们分析第二代测序技术的常见类型,可用于诊断肺部感染。最后,我们指出的挑战和未来可能的研究方向与第二代测序技术集成深度强化学习诊断和治疗肺部感染,这是潜在的加速进化的智能医疗与医疗物联网和大数据。

1。介绍

如今,智能医疗似乎是一个跨学科主题混合计算技术集成到健康管理局(1,2]。智能医疗的主要目的是提供普遍的和个性化的医疗服务和健康保护的人。计算机辅助诊断和决策的个性化治疗方案是当前精密医学的发展(3,4]。智能医疗旨在提供智能全面分化为疾病的诊断和治疗和处方建议通过应用人工智能技术和云计算的实践的临床医学。已经通过人工智能的应用大大发展,云计算、大数据分析、物联网(物联网),被应用到许多医学等领域智能中药和智能测试。医学大数据是将物联网系统集成到医学和医疗数据集成和分类收集到的信息通过创建医疗物联网(5,6]。深层的学习模式和强化学习模型是最常用的人工智能模型,它可以通过提供大量的训练和模拟训练例子通过医疗大数据。现代医学和中医的计算机设备已经成熟。因此,有许多训练有素的深度学习临床医学的模式。

肺部感染性疾病是常见的呼吸道疾病,其临床表现包括咳嗽、发烧和发冷。然而,肺感染的病原体是复杂的,很难开展生物培养和鉴定。特别是复杂的肺部感染有多种临床表现:死亡率高,治疗困难,传统的病原体检测方法积极率低;这是一个耗时长、复杂的操作,很难满足的要求复杂感染性疾病的诊断和治疗。古典病原体检测方法包括细菌(真菌)文化、显微镜和抗体测试和pcr pathogen-specific核酸检测。这些方法已经取得了很大的进步在肺部感染性疾病的诊断,但灵敏度较低,可怜的及时性;耐药性病原体识别信息和信息并不全面,所以它无法识别未知的和罕见的病原微生物。因此,肺部感染性疾病的临床诊断非常困难。

第二代测序(SGS),也被称为下一代测序技术和高通量测序,可以同时并行序列数十亿DNA分子(7]。它是一组与高通量测序,低成本,短时间内,自动测序技术(8- - - - - -10]。然而,可怜的特异性是SGS的主要问题,限制了临床应用。不致病的病原体,无关的病原体,和模棱两可的病原体通常出现在SGS报告。为了明确诊断,病原体SGS检测到的信息需要使用更先进的方法验证和解释(11,12]。

在本文中,我们探讨计算机辅助诊断和治疗的深度强化学习复杂的肺部感染性疾病。我们现在几个代表深强化学习模型潜在肺部感染的诊断和治疗,探讨深层强化学习模型的应用第二代基因检测诊断的肺部感染,和总结肺部传染病的病原诊断的现状及其主要特点,然后分析第二代基因检测的结果和每种类型的主要特点常见的肺部感染。最后,我们指出开放的挑战和未来可能的研究方向深入研究的第二代基因检测结合深强化学习在肺部感染,将促进智能的发展医疗和医疗物联网。

在本文的提醒,部分2介绍了深度强化学习方法可用于第二代测序肺部疾病的检测和治疗。部分3检查肺部传染病的病原诊断的现状和应用程序的SGS检测肺病原体感染中讨论部分4。部分5给的挑战和未来可能的研究方向深入研究的第二代基因检测结合深强化学习在肺部感染。最后,部分6总结了纸。

2。深入强化学习

深入强化学习(DRL)是人工智能领域的一个新的研究热点。它结合了深度的知觉学习的决策能力,强化学习在一个常见的形式,使直接控制从原始输入输出通过端到端的学习。人类社会的快速发展,越来越多的复杂的真实世界的任务任务,深入学习(DL)需要自动学习大规模输入数据的抽象表示和使用这种表示方法为基础self-incentive强化学习(RL)优化解决问题的策略。DRL实验室是一个端到端的传感和控制系统,并有很强的通用性。学习过程可以描述如下:(1)在每一个时刻,代理与环境交互获得高维观测和使用DL方法感知观察获得一个特定的状态特征表示。(2)每个操作的价值功能评估基于预期收益,和当前状态映射到相应的行动通过一定的策略。(3)环境对这个动作,下一个观察。通过不断循环上面的流程,实现我们的目标的最优策略可以最终获得13]。DRL的框架如图1。

目前,DRL技术已广泛应用于游戏、参数优化、机器视觉等领域。应用被认为是一个重要的方式走向一般人工智能(14,15]。本文探讨了应用DRL肺部感染的第二代测序检测。

2.1。基本概念

2.1.1。深度学习

DL源于人工神经网络的概念。DL模型通常是由多个层的非线性运算单元。它使用较低的层的输出作为输入层越高;通过这种方式,它会自动学习的抽象特性表示大量的训练数据以发现数据的分布特征。与浅网络相比,multi-hidden-layer网络模型有更好的特征表征能力。它首先使用无监督学习进行贪婪pretraining一层一层地,然后监督整个网络监督学习。这个pretraining方法提供了理想的深层神经网络初始参数,减少了优化难度深神经网络(16,17]。典型的DL模型包括堆叠Autoencoder (SAE),限制了玻耳兹曼机(元),深层信念网络(DBN)和递归神经网络(RNN)。训练数据的增长和计算能力的提高,卷积神经网络(CNN)已广泛应用于各个领域。

2.1.2。强化学习

强化学习(RL)是一种学习,从环境状态映射到行动。我们的目标是让代理获得最大的累积奖励在与环境相互作用的过程18]。马尔可夫决策过程可用于模型RL问题,通常定义为 ,在哪里(1) 是所有环境状态的集合。和代表代理时的状态 。(2) 是一家集代理执行的行动。和代表代理需要在时间的行动 。(3) 是奖励函数。和 代表的直接奖励价值代理的状态当执行行动 。(4) 状态转移概率分布函数。和 从国家代表代理转换的概率来当执行行动 。

在RL,策略是一个从状态空间映射到动作空间,这表明代理选择行动在国家 ,执行行动,并转换到下一个状态的概率 ,而接受奖励从环境的反馈。假设每个时间步的直接奖励在未来必须乘以折扣因素 ,然后从结束的时间 ,奖励被定义为的总和 在这是用来衡量未来回报累积奖励的影响。

政府行动值函数 指的是行动在当前状态和总是遵循策略的情节,累计代理表示为获得的回报

对于所有国家行动对,如果返回的策略大于或等于所有其他策略的预期回报,那么策略被称为最优策略。可能有一个以上的最佳策略,但是他们共享相同的国家行动价值函数。

它被称为最优状态动作值函数,和最优状态动作值函数遵循贝尔曼最优方程;也就是说,

在传统的RL, - - - - - -价值函数通常是通过迭代的贝尔曼方程:

在此,当 , 。通过不断的迭代,国家行动将最终收敛值函数,最优策略 将获得的。然而,对于实际问题来说,这显然不是可行的解决最优策略通过迭代更新(5),因为在大状态空间,解决的方法 - - - - - -价值函数的迭代贝尔曼方程太贵了。解决它,在RL算法,线性函数近似者通常是用来近似状态动作值函数, 。此外,深层神经网络等非线性函数近似者也可以用来近似函数或策略的价值。因此,DRL实验室近年来引起了广泛关注。在下一小节,我们将讨论一些深强化学习技术潜力的第二代测序在肺部感染诊断和治疗。

2.2。DRL实验室技术

在本节中,我们首先描述三个主要类型的深的强化学习方法,包括深强化学习基于价值函数,基于策略梯度的强化学习,并根据搜索深度强化学习和监督。之后,一些潜在的深层强化学习方向SGS应用进行了总结,如分层强化学习,一心多用深强化学习,可替换主体深层强化学习,深入强化学习记忆和推理的基础上,等等。

2.2.1。DRL基于价值函数

Mnih et al。19)的卷积神经网络相结合问学习算法在传统的RL并提出了深Q-Network (DQN)模型。这个模型是用来处理视觉基于知觉控制任务,是DRL领域的开创性工作。输入DQN模型的四个预处理图像接近当前时间。3的输入进行非线性变换卷积层和2完全连接层,最后产生一个输出层中的每个动作的Q值。图2显示了DQN的体系结构。

为了缓解不稳定问题的非线性网络表示值函数,DQN主要由三个改进传统问学习算法。(1)DQN在培训过程中使用经验回放机制解决了在线传输样品。(2)除了使用深卷积网络近似当前值函数,DQN使用另一个网络生成目标问价值。(3)DQN减少奖金值和误差项有限区间,这确保了Q值和梯度值在合理范围,提高了算法的稳定性。受到DQN的启发,提出了许多变体,如深双问网络,深问基于更好的学习网络,深问网络基于优先级采样、深循环问网络,等等。

2.2.2。DRL基于策略梯度

策略梯度优化方法是一种常用的策略,不断更新的策略参数的计算梯度战略的预期总奖励策略参数,最终收敛于最优策略。因此,解决DRL问题时,一个深神经网络参数可用于参数化表示策略,策略梯度方法用于优化策略。值得注意的是,解决DRL问题时,首先要选择的是采用strategy-gradient-based算法。原因在于,它可以直接优化的预期总奖励策略和战略空间中寻找最优策略直接在一个端到端的方式,省去了繁琐的中间环节。因此,与DQN及其改进模型相比,基于策略梯度DRL方法更适用和策略优化的效果更好。

典型strategy-gradient-based DRL包括深层策略梯度方法基于演员评论家,异步主要演员评论家算法,等等(20.]。

2.2.3。DRL基于搜索和监督

除了价值DRL strategy-gradient-based DRL,策略搜索的过程可以通过添加额外的手动提升监督,这是DRL基于搜索的核心理念和监督。蒙特卡洛树搜索(mct) (21),作为一个典型的启发式策略搜索方法,广泛应用于游戏问题的行动计划。因此,在基于搜索DRL方法和监督,搜索通常是通过特定的策略。例如,AlphaGo算法结合了深层神经网络与特定实现成果显著。其主要思想有两点:(1)使用特定轴近似每个州的价值功能;(2)使用CNN基于价值函数来评估当前的布局和走。AlphaGo完整的学习系统包含以下组件:(1)战略网络。它分为战略网络监督学习和RL的战略网络。战略网络的作用是预测和样本下一步行动基于当前的情况。(2)推广策略。目标也是预测下一步,但是预测的速度1000倍的战略网络。(3)价值网络。根据当前形势下,双方获胜的概率估计。(4)未经中华人民共和国交通部。它集成了战略网络推广策略、价值网络策略搜索的过程形成一个完整的系统。

DRL基于搜索和监督游戏领域取得了可喜的成果,这促使越来越多的研究人员转移给他人。

2.2.4。潜在DRL SGS

除了上述DRL实验室方法,近年来一些杰出的方法已经被提出。在本节中,我们给出一个简短的回顾潜在DRL的SGS,这可能是用于检测肺病原体感染。

(1)分层强化学习。在一些复杂的DRL任务,策略是直接优化的最终目标,这是低效的。因此,分层强化学习(HRL)可用于最终的目标分解为多个子任务学习并形成一个有效的全球战略的层次战略组合多个子任务策略(22]。图3给的结构层次DQN。

典型HRL方法包括时空的抽象和intrinsic-motivation-based, internal-option-based方法和后续强化学习。所有的想法都可以使用复杂的SGS检测肺病原体感染的过程。

(2)多任务转移深度强化学习。在传统DRL实验室方法,每个培训的代理完成后只能解决一个任务。然而,在一些复杂的真实世界的场景,代理需要能够同时处理多个任务。在这个时候,多任务学习和转移学习是极其重要的。在RL领域,威尔逊et al。23)用层次混合的贝叶斯模型提供先验知识的新任务,使代理能够更好地适应新任务场景。对于部分可观测的随机多任务场景,李et al。24]发达的地区政策表示描述代理的行为在不同的任务场景。中包含的方法聚类属性狄利克雷进程之间共享培训场景类似的任务和在不同的任务之间传递有价值的信息。与单一任务学习模式相比,多任务RL方法取得更杰出的表现在两个格子世界导航和多目标分类的任务。泰勒和石(25]提出一种转移价值函数之间不同的任务。Fernfindez Vdoso [26)使用一个映射之间的关系反映对代理的当前和过去的状态行动,使以前学习策略及时被转移到新的任务。王等人。27在RL)得出的结论是,学习转移分为两大类:行为转移和知识转移。这两种类型的转移学习也被广泛应用在多任务DRL算法。

关于肺病原体感染的SGS检测,多个代理和多任务是有前途的。因此,深入强化学习基于多任务学习是一个可行的方向转移。

(3)强化学习基于记忆和推理。传统的visual-perception-based DRL方法远比人类在解决高级cognition-inspired任务。也就是说,在解决一些高级DRL任务,代理不仅需要强大的感知能力,但也需要一定的记忆和推理能力学习有效的决策。因此,能够给现有DRL主动学习和推理模型是非常重要的。

近年来,神经网络模型研究外部存储已经取得了实质性的进展。坟墓et al。28]提出了一种神经结构称为神经图灵机(特种加工),更新内存结构的参数读写数据时被随机梯度下降优化内存的内容。通过添加特种加工,神经网络模型有能力完成一些简单的任务,如复制、反演,加法,减法,表明深层神经网络模型初步记忆和推理能力。之后,在国家宫et al。29日)提出了一个基于特种加工的记忆网络模型对问答系统和语言建模的任务,进一步提高网络的长期记忆能力。因此,将这些外部存储器模块添加到现有DRL模型可以给网络某高层长期记忆的能力,积极的认知和推理。此外,近年来认知神经科学的发展也促进了人工智能的发展。研究人员模拟人类大脑的辅助学习系统独立构建一个代理可以记住,学习,和做决定。

3所示。肺部传染病的病原诊断的现状

近年来,由于出现的严重急性呼吸系统综合症(SARS)的新病原体,各种病毒、真菌、传染病和耐药细菌的出现,再一次收到关注。然而,有许多种传染病病原体(30.- - - - - -32]。传统的病原微生物免疫学检测和培养是有限的;他们不是有效和及时为临床提供可靠的诊断依据,特别是复杂的肺部感染。如何判断病原体?困难使许多肺部传染病患者不能得到及时有效的治疗,甚至死亡。肺部感染主要是肺炎和毛细支气管炎,也可以表现为肺部脓肿和肉芽肿。肺部感染是主要从痰收集和肺泡灌洗液。由于特殊的饲养环境的肺,常规检测血清中病原体的有效信息是有限的。然而,重症肺炎患者需要机械通气,肺组织是很难获得的。少量的样本限制病原体感染肺部疾病的检测。

4所示。应用程序的SGS检测肺病原体感染

目前,病原诊断方法基于微生物文化仍然是诊断的主要手段的病原诊断肺部传染病,但他们也在很大程度上受到文化条件和抗生素的使用,和文化积极率很低。肺部感染,第二代测序技术可用于检测各种病原体,如细菌、真菌、病毒、支原体,等。同时,它也可以用于各种呼吸道标本的检测,如痰、咽喉拭子,肺泡灌洗液和血液及其他标本。第二代测序技术的检出率高于传统的培养法(33,34]。与传统single-plex PCR方法相比,它不仅降低了样品核酸需求和扩大探测范围,而且具有较好的特异性和敏感性11,12]。病毒病原体的检测主要包括病毒抗原检测、核酸检测和病毒隔离和文化。然而,传统的病毒病原体检测有积极率低;因此,很难在临床实践中推广和应用。第二代测序技术优于传统的病毒检测技术的灵敏度和准确性。它从理论上揭示了所有微生物样本中的信息,可以发现更多的病毒类型和其阳性率较高(35]。检测到病毒包括知名病毒上呼吸道和下呼吸道病毒如HSV和巨细胞病毒在免疫抑制宿主。随着一系列病原体基于第二代测序技术,发现病毒在呼吸道感染的比例比此前认为的要高得多。SGS的应用技术实时检测in-hospital-acquired病毒性肺炎和快速检测表明,SGS技术可以学习速度比传统方法的证据,以便及时的措施来控制院内感染的暴发。

肺部真菌感染的特点是高致死率和困难的诊断和治疗。近年来,随着抗生素的滥用,出现了越来越多的耐药的细菌和真菌。肺部真菌感染已成为与机械通气相关肺炎死亡的主要原因,尤其是在免疫抑制患者。患者药物,真菌感染的发病率也增加(36]。文化长期以来主导真菌感染的诊断,但传统方法固有的缺陷识别混合感染和菌群结构和动力学的分析植物和许多真菌或未发现的新问题。是很困难的,甚至是不可能培养压力。这些问题都表明,我们迫切需要一种新的方法来协助临床诊断更准确和快速。不同细菌的DNA提取方法,第二代技术在真菌菌群结构光谱方法主要通过放大,测序,分析真菌ITS1(内部转录间隔区)和ITS2基因片段,使用ITS1 / ITS2基因测序技术,一般来说,50到60属被发现,真菌的基因的序列测序获得的匹配现有的基因数据库。然而,对于最常见的临床属假丝酵母和曲霉属真菌、基因测序可以识别他们的基因序列,和一些病菌菌株可以在物种水平区分。真菌不仅引起肺功能障碍,还因为治疗时间长,影响疾病的预后,和第二代测序技术有助于了解气道的全貌微生物从社区的整体结构和复杂的肺部感染,特别是艾滋病、等的诊断肺孢子菌是重要的免疫缺陷患者(37]。

结核分枝杆菌也占有重要位置在肺部感染的病原体。目前,常用的PCR方法的结核分枝杆菌低灵敏度和低积极率。T-SPOT检测方法也应用于临床,但特异性低,假阳性率高。然而,第二代测序技术,病原体检测结核分枝杆菌的流行病学和打字有了飞跃。第二代测序技术不仅可以应用传统的痰,肺泡灌洗液和血液,而且检测胸腔积液、心包积液,从而大大提高了检测的准确性和灵敏度,尤其是提高结核性胸腔积液的诊断。同时,SGS检测分类结核分枝杆菌,大大提高输入效率,确定变异和传播源中菌株的传播链。

众所周知,临床微生物实验室的实时PCR技术筛选和确认疑似病毒必须基于已知病原体基因序列,但不是未知的病毒病原体。第二代测序技术不仅发现已知病原体,但也发现完全未知病原体(38,39]。大约70%的传染病患者不能确定病原体的信息由于传统检测方法,不能及时、有效地处理,从而恶化状况。因此,快速、准确病原体检测方法具有重要意义有效的传染病诊断和及时的控制。有许多类型的现代分子打字技术,和最常用的分子技术的跟踪和监测传染病multisequence打字(MLST) pulsed-field凝胶电泳(但是脉冲场凝胶电泳的出现),和多点串联重复序列。序列分析(MLVA)等,和新兴的高分辨率WGS技术保证传染病的准确跟踪和监控,也可以与多种分子技术互补,提高检测的准确性。WGS技术可以跟踪和更准确地识别病原体的流行率可能病原体的来源(40,41]。这项技术的不断发展,当前的跟踪和监视功能未知病原体正变得越来越突出。严重肺部感染的病原体通常是不清楚的。目前,临床使用的抗原/抗体免疫学方法和传统的微生物培养技术是用于诊断。然而,这些方法长期文化和文化积极率低的问题。第二代测序技术是一种新的DNA / RNA序列方法基于核酸分子的检测,灵敏度高、耗时短,和不依赖于致病的传统文化。抗生素的应用在早期对检测结果的影响不大。准确、快速识别微生物病原体的患者肺部感染可能导致目标抗菌疗法,用更少的副作用,降低成本。特别是,气管插管患者下呼吸道痰液提取的衡量支气管,可更准确地提供与机械通气相关肺炎的病原菌分析,进一步指导临床治疗和预后。随着第二代测序技术的发展,处理和测序时间将进一步减少。 The SGS method will eventually provide clinicians with rapid, accurate, independent culture-based identification of bacterial, fungal, and viral pathogens and their antimicrobial sensitivity characteristics [42]。

虽然血液和肺泡灌洗SGS测试已经彻底改变了复杂的肺部感染的病原体,仍有许多问题SGS的检测和解释。不同的应用SGS检测遗传性疾病,传染性疾病的复杂成分标本和病原微生物的核酸水平低限制SGS的检测肺部感染的病原微生物。第一个问题是敏感。尽管SGS检测显示了巨大的优势传统方法在诊断罕见,罕见病原体,常见病原体的敏感性等隐球菌并不比传统的方法。即使这些病原体被传统方法,SGS不得检测或者检测只有很少数量的特定片段,从而影响结果。例如,对于宏基因组检测的结核分枝杆菌,当前最优解仍执行SGS测序的基础上MGIT960液体培养。原因可能是结核分枝杆菌是细胞内的细菌,目前的检测方法主要是检测细胞内感染结核分枝杆菌通过痰液上层清液;和结核分枝杆菌由于核酸GC是相对较高(60%),和大多数细菌的熔融法不能完全分离核酸链结核分枝杆菌。因此,样品处理条件下适合大多数病原微生物,结核病的检测不能有效地实现。目前,直接SGS检测临床标本的诊断结核分枝杆菌感染是非常困难的。作为一种替代方法,通常情况下,结核病的临床标本培养然后SGS检测提高积极的临床标本的检测,这就增加了病人的经济负担。

5。讨论

尽管SGS理论上是一个大规模的测试,可以发现几乎所有的病原微生物,它也不能完全取代所有临床病原体检测方法。这需要我们继续优化SGS的检测方法一方面,以便它能覆盖的范围尽可能病原体,提高检出率。另一方面,我们必须明白,SGS技术有一定的局限性,不能完全依靠SGS检测(43]。与此同时,传统的方法不能被忽视,和其他有效的病原体检测方法应该保留或探索作为补充或验证。部分患者肺部脓肿或肉芽肿,因为这种疾病是局限于肺部,病原体的数量释放到血液和肺泡灌洗液是有限的,所以对于这些疾病,病原体通过SGS检测只能检测到的组织样本。深入强化学习可以充分了解潜在的结果通过模拟人类大脑学习和决策基于给定的复杂的数据。因此,它是一个很好的选择集成DRL实验室与临床病原体SGS检测。

可怜的特异性是另一个主要问题,限制了SGS的临床应用。不致病的、无关的病原体和模棱两可的病原体通常出现在SGS报告。肺是一个开放的环境,连接到外部世界,有呼吸道和口腔细菌殖民化,许多不同种类的碎片可以检测痰和肺泡灌洗液,和许多无法解释的样本通常可以检测的标本。部分原因可能是标本和试剂的污染,如环境微生物(如植物、植物病毒等),这是很难区分的。对于这些污染,有必要消除实验室质量控制之间的比较和数据之间的标本。DRL可以将所有相关数据通过培训学习良好的结果和决策;因此,它可以有效地解决穷人SGS的特异性的临床应用。

总之,通过结合深层强化学习技术与SGS,它可以消除不值钱的结果,分析和评估SGS的有意义的结果。SGS测试的核心的诊断肺部感染是负责任的病原体的识别。自SGS测试经常产生大量的背景或不相关的微生物片段,关键是找到或确定病原体负责。首先需要建立一个常见的肺部感染微生物的知识数据库:数据库的背景微生物共同SGS测试和记录中每个实验室和测试单元共同发现碎片的数量。如果一个疑似病原体片段不常见的背景细菌出现在SGS测试的临床标本,或片段的微生物的数量明显高于背景微生物数据库中的数据,它是包含在疑似负责任的病原体,并进一步用于身份验证的方法。肺泡灌洗液,可能造成细菌、真菌或病毒片段被SGS检测,和片段往往是总数的比例极低,甚至只有几个片段,这是很难诊断。SGS测试常常只是有用的诊断肺系统性感染,当病原体的临床前检测到常规筛查,进一步使用古典病原体检测方法需要诊断。这需要成熟的病原体验证测试系统的发展,特别是对病原微生物不易发现的一些常见的方法。因为当前的SGS测试成本仍然很高,它不能被广泛应用于临床,它也影响它的及时性。SGS也只有一种病原体检测方法,它已经被应用于临床实践。 Therefore, there are also blind spots and misunderstandings of its monitoring. The excessive expectation and interpretation of SGS detection results can not only push up the cost of clinical testing, but also make it effective. The examination could not be carried out smoothly, which also led to misdiagnosis and missed diagnosis.

然而,由于测序所需的最佳处理条件和生物信息学分析不同标本和病原微生物的不同,目前不可能适应所有传染性病原体的SGS检测过程。此外,试样的位置和方法的差异也会影响测试结果。使用深度强化学习,因此,根据病人的病史和临床检查,可能的病原体是假定,标本预处理,然后排序,甚至采用不同策略的biosignal分析测序结果。考虑各种未知病原体,特定病原体的检出率和结果的解释是改善。深强化学习诊断的基础上减少错误。它设定一定的标准和程序,以确定检测病原体是一个负责任的病原体,并设计有针对性的评价排序方法基于不同类型的病原体改善SGS的有效性。因此,深入强化学习结合知识图是一个有前途的方向SGS在肺部感染性疾病的应用。

6。结论

在本文中,我们探讨计算机辅助诊断和治疗的深度强化学习复杂的肺部感染性疾病。我们第一次出现几个代表深强化学习模型潜在肺部感染的诊断和治疗。此外,我们讨论深度强化学习模型的应用第二代基因检测的诊断为肺部感染和总结肺部传染病的病原诊断的现状及其主要特点。之后,我们的第二代基因检测分析结果,每种类型的主要特点常见的肺部感染。最后,我们指出开放的挑战和未来可能的研究方向深入研究的第二代基因检测结合深强化学习在肺部感染,这可能有助于相关研究人员和医务人员。

数据可用性

使用的数据来支持本研究的发现正在禁运,而研究成果商业化。请求数据将被相应的作者。

的利益冲突

作者声明没有利益冲突有关的出版。

确认

这项研究的部分资金由中国国家自然科学基金(81871725)。

引用

1. 问:张呗,L·t·杨L彭,z . Chen和h,“一个统一的智能中医医疗保健和医疗服务框架,“IEEE / ACM事务计算生物学和生物信息学,2019年。视图:出版商的网站|谷歌学术搜索
2. 问:张呗,z . Chen等人“深度学习诊断脾胃疾病模型与云计算、智能中医”并发性和计算:实践和经验,2019年p . e5252。视图:出版商的网站|谷歌学术搜索
3. c . z . Liu呗,h . Yu et al .,“一种自适应深度学习模型在智能医学区分感染发烧的症状,”未来一代计算机系统,2019年。视图:出版商的网站|谷歌学术搜索
4. c .姚明,z . Liu h . Yu, t·吴”深强化学习应用肺癌检测医疗物联网,”未来一代计算机系统卷,97 - 2019页。视图:出版商的网站|谷歌学术搜索
5. l .赵z . Chen y, z简王,和v c . m .梁,“通过深层语义映射不完整的多视点集群,”Neurocomputing卷,275年,第1062 - 1053页,2018年。视图:出版商的网站|谷歌学术搜索
6. l .赵z . Chen和z . j . Wang”无监督学习数据聚类的多视图负的相关特性,”IEEE信号处理信件,25卷,不。1、60 - 64、2018页。视图:出版商的网站|谷歌学术搜索
7. 周k . m . Lokate r·h·Deurenberg et al .,“使用全基因组测序的跟踪、控制和描述的区域扩张extended-spectrum beta-lactamase ST15生产肺炎克雷伯菌”,科学报告》第六卷,没有。1,文章ID 20840, 2016。视图:出版商的网站|谷歌学术搜索
8. 在细菌学m . j .黑暗,“全基因组测序:艺术,”感染药物抵抗,卷2013,不。6,115 - 123年,2013页。视图:出版商的网站|谷歌学术搜索
9. a . Sboner xμ,d . Greenbaum r·k·奥尔巴赫和m . b .格斯坦,“真正的测序成本:更高的比你想象的!,”基因组生物学,12卷,不。8,125年,页2011。视图:出版商的网站|谷歌学术搜索
10. b . Steuernagel s Taudien h . Gundlach et al .,“新创454测序的条形码BAC池综合复杂基因组的基因和基因组分析调查大麦,”BMC基因组学,10卷,不。1,p。547年,2009。视图:出版商的网站|谷歌学术搜索
11. 前s Junemann f . j . Sedlazeck k . et al .,“更新台式测序性能比较,”自然生物技术没有,卷。31日。4、294 - 296年,2013页。视图:出版商的网站|谷歌学术搜索
12. n . j .鲁曼r . v . Misra t . j . Dallman et al .,“台式高通量测序平台的性能比较,”自然生物技术,30卷,不。5,434 - 439年,2012页。视图:出版商的网站|谷歌学术搜索
13. 问:刘,j .翟z . Zhang et al .,“深强化学习的一项调查,”中国电脑杂志第41卷。。1,1-27,2018页。视图:谷歌学术搜索
14. y l .赵z . Chen Yang l .邹和z . j . Wang”使用集群与多个大型数据代表。”IEEE神经网络和学习系统,30卷,不。3、728 - 738年,2019页。视图:出版商的网站|谷歌学术搜索
15. l·t·l·赵z Chen Yang, m·j·迪恩和z . j . Wang“深层语义映射学习使用同现数据异构多媒体传输,”ACM交易多媒体计算、通信和应用程序,15卷,不。1 s, 21, 2019页。视图:出版商的网站|谷歌学术搜索
16. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
17. g·e·辛顿、美国Osindero和y w·格兰”快速学习算法深度信念网”,神经计算,18卷,不。7,1527 - 1554年,2006页。视图:出版商的网站|谷歌学术搜索
18. r·s·萨顿和g . Barto强化学习,介绍美国马剑桥,麻省理工学院出版社,1998年。
19. 诉Mnih k . Kavukcuoglu d银et al .,“人类控制通过强化学习,”自然,卷518,不。7540年,第533 - 529页,2015年。视图:出版商的网站|谷歌学术搜索
20. n . Heess g .韦恩·d·银,t . Lillicrap y Tassa,和t . Erez”学习连续随机梯度值,控制策略的”诉讼进展的神经信息处理系统加拿大蒙特利尔,页2944 - 2952,,2015年10月。视图:谷歌学术搜索
21. r .库仑“高效选择性和备份操作员在蒙特卡罗树搜索,”国际会议的程序在电脑上和游戏,页72 - 83年,柏林,德国,2006年11月。视图:谷歌学术搜索
22. k·r·t·d·Kulkarni纳史木汗,a·卡和j·b·特南鲍姆”层次深度强化学习:整合颞抽象和内在动机,”神经信息处理的会议系统西班牙巴塞罗那,页3675 - 3683,,2016年5月。视图:谷歌学术搜索
23. a·威尔逊,蕨类植物,美国雷et al .,“多任务强化学习:层次贝叶斯方法,”机器学习的国际会议科瓦利斯,页1015 - 1022年,或者2007年6月美国。视图:谷歌学术搜索
24. x h . Li廖,Carin,“多任务强化学习在部分可观测的随机环境中,“机器学习研究杂志》上,10卷,不。3、1131 - 1186年,2009页。视图:谷歌学术搜索
25. m·e·泰勒和p的石头,“行为转移价值函数为基础的强化学习,”《国际联合自治代理与Muhiagent会议系统荷兰乌得勒支53至59页,2005年7月。视图:谷歌学术搜索
26. f·费尔南德斯和m . Vdoso概率在强化学习代理政策重用,”国际联合会议上自治代理诉讼和多重代理系统,页720 - 727,伊斯坦布尔,土耳其,2015年5月。视图:谷歌学术搜索
27. y高h . Wang,陈x”将强化学习:艺术的状态,”《电子学报》,36卷,不。s1, 39-43, 2008页。视图:谷歌学术搜索
28. 答:坟墓、g·韦恩和Danihelka,“神经图灵机,”2014年,http://arxiv.org/abs/1 410·5401。视图:谷歌学术搜索
29. 美国在国家宫、j·韦斯顿和r·费格斯“结束结束记忆网络”诉讼进展的神经信息处理系统加拿大蒙特利尔,页2440 - 2448,,2015年12月。视图:谷歌学术搜索
30. s . r .头,h . k .小森,s a LaMere et al .,”图书馆建设下一代测序:概述和挑战,”生物学技术卷,56号2、66 - 68年,2014页。视图:出版商的网站|谷歌学术搜索
31. d·h·公园,m . Imelfort c . t . Skennerton p . Hugenholtz g·w·泰森,“CheckM:评估质量的微生物基因组从孤立中恢复过来,单个细胞,和基因组——”基因组研究,25卷,不。7,1043 - 1055年,2015页。视图:出版商的网站|谷歌学术搜索
32. d . e .木材和s l·扎尔茨贝格”巨妖:超速的宏基因组序列分类使用精确对齐,“基因组生物学,15卷,不。3,R46页,2014年。视图:出版商的网站|谷歌学术搜索
33. 美国兰克,A.-C。诺曼德,c . Cassagne et al .,“MALDI-TOF质谱鉴定丝状真菌在临床实验室”真菌病卷,57号3、135 - 140年,2014页。视图:出版商的网站|谷歌学术搜索
34. a·维塞尔·l·施耐德、荣格和s .舒伯特“MALDI-TOF女士在微生物和微生物diagnostics-identification之外(迷你回顾),“应用微生物学和生物技术,卷93,不。3、965 - 974年,2012页。视图:出版商的网站|谷歌学术搜索
35. p .唐·m·a·Croxen m·r·哈桑·w·w·l·萧和l . m .黄平君”感染控制基因流行病学的新时代,”美国感染控制杂志》上,45卷,不。2、170 - 179年,2017页。视图:出版商的网站|谷歌学术搜索
36. s r·哈里斯·e·j·卡特赖特,m·e·托罗et al .,“全基因组测序分析meticillin-resistant的爆发金黄色葡萄球菌:一个描述性的研究。”《柳叶刀传染病,13卷,不。2、130 - 136年,2013页。视图:出版商的网站|谷歌学术搜索
37. c·科泽,m·t·霍顿·m·j·艾灵顿et al .,“全基因组测序的快速调查新生儿耐甲氧西林金黄色葡萄球菌的爆发,“新英格兰医学杂志》上,卷366,不。24日,第2275 - 2267页,2012年。视图:出版商的网站|谷歌学术搜索
38. a . t .代表赛义卜·m·Abouelhoda m . Selvaraju et al .,“利用新一代测序鉴定fastidiouspathogen:从临床设置一个教训,”进化的生物信息学,13卷,2017年。视图:出版商的网站|谷歌学术搜索
39. C郭,l·l·钟y HL et al .,“荧光侧流免疫诊断的临床价值儿童甲型流感,”中国公司男装Er客18卷,第1276 - 1272页,2016年。视图:谷歌学术搜索
40. 经纪人莫拉比托e·弗朗茨·Delaquis s . et al .,“利用信息的爆炸与全基因组测序解决志贺产毒相关大肠杆菌(STEC)在全球粮食生产系统中,“国际食品微生物学杂志》上卷,187年,页57 - 72,2014。视图:出版商的网站|谷歌学术搜索
41. m . Laabei m·莱克尔j·k·Rudkin et al .,“从它的基因组序列,预测耐甲氧西林金黄色葡萄球菌的毒力”基因组研究,24卷,不。5,839 - 849年,2014页。视图:出版商的网站|谷歌学术搜索
42. m . Willmann m . El-Hadidi d·h·Huson et al .,“通过序列宏基因组抗生素选择压力的决心,”抗菌药物和化疗卷,59号12日,第7345 - 7335页,2015年。视图:出版商的网站|谷歌学术搜索
43. l . Falgenhauer信息。Waezsada, y姚明et al .,“粘菌素抗性基因在extended-spectrum mcr-1β-lactamase-producing,德国carbapenemase-producing革兰氏阴性细菌。”《柳叶刀传染病,16卷,不。3、282 - 283年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020卓刘et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。