物理>生物物理
标题: 多尺度建模与机器学习:我们能学到什么?
摘要: 机器学习在生物、生物医学和行为科学中越来越被认为是一种有前途的技术。 毫无疑问,这项技术在图像识别方面取得了令人难以置信的成功,在电生理学、放射学或病理学等诊断领域有着直接的应用,在这些领域我们可以访问大量带注释的数据。 然而,机器学习在预测方面往往表现不佳,尤其是在处理稀疏数据时。 在这个领域,基于经典物理的模拟似乎仍然是不可替代的。 在这篇综述中,我们确定了生物医学科学中机器学习和多尺度建模可以相互受益的领域:机器学习可以以控制方程、边界条件或约束的形式集成基于物理的知识,以管理ill-posted问题并稳健地处理稀疏和噪声数据; 多尺度建模可以集成机器学习来创建代理模型,识别系统动力学和参数,分析灵敏度,量化不确定性,从而在尺度之间架起桥梁,理解功能的出现。 从生命科学应用的角度出发,我们讨论了机器学习与多尺度建模相结合的最新技术,确定了应用和机会,提出了开放性问题,并解决了潜在的挑战和局限性。 我们预计,它将促进计算力学界的讨论,并延伸到其他学科,包括数学、统计学、计算机科学、人工智能、生物医学、系统生物学和精密医学,共同努力为生物系统创建健壮高效的模型。