苏米特·德斯瓦尔;克鲁斯那·C·布鲁斯。;保尔·迈克尔·阿加波;费萨尔·汗。 精准医疗。 （英语） Zbl 1478.92079号 斯蒂芬妮·凯（编辑）Ashenden，《制药行业的人工智能、机器学习和数据科学时代》。阿姆斯特丹：爱思唯尔/学术出版社。139-157 (2021). 小结：已有研究表明，一些疾病有遗传基础和偏见。这些变化，如突变、拷贝数改变、表观遗传变化和RNA表达，会导致疾病进展、不良事件和耐药性，以及对患者的其他生理和药理干扰。这里的一个关键例子是肿瘤生长和转移到其他器官。虽然医学总是考虑单个患者的情况，并且通过数据分割患者群体的历史悠久，但最近丰富的生物医学数据和信息工具的爆炸式增长激发了“精确医学”的理念。通过识别基本的患者类型，我们可以“在正确的时间为正确的患者提供正确的治疗”。类似的想法可以在有效药物开发的“5R”框架中找到，该框架强调药物必须在正确的组织中达到正确的目标，在正确的患者中具有正确的安全性。可以根据患者对疾病的分子认识，而不是可能具有欺骗性的临床表现，选择最有可能帮助患者的治疗方法。这尤其适用于越来越多的高成本治疗，患者对患者的结果差异很大，例如检查点抑制剂。如果我们能够正确地划分患者群体，我们就可以得到更多具有共同疾病状态的同质队列，用于机制研究。如果我们可以将试验人群分为候选药物有效的人群，我们可以减少试验规模。如果可以在较大的人群中检测到较小和较罕见的疾病人群（通常在治疗开发中未被认识或忽视），则可以对其进行适当的调查和治疗。关于整个系列，请参见[Zbl 1462.92005年]。 MSC公司： 92 C50 医疗应用（一般） 62页第10页 统计学在生物学和医学中的应用；元分析 关键词：抑制剂;病人人数;信息工具;RNA表达;基因组学;肿瘤生长;病人打字;群集;分层医学 软件：SVRc公司;cl有效;OncoKB公司;Nb俱乐部;t-SNE公司;rms（有效值） PDF格式BibTeX公司 XML格式引用 \textit｛S.Deswal｝等人，在：制药行业的人工智能、机器学习和数据科学时代。阿姆斯特丹：爱思唯尔/学术出版社。139——157（2021；Zbl 1478.92079） 全文： 链接 参考文献： [1] S.Yan；关永浩（Y.H.Kwan）；C.S.Tan；J.Thumboo；L.L.Low，《数据驱动人群分段分析临床应用的系统综述》，BMC医学研究方法，18（2018），第121页 [2] E.Abrahams，《正确的药物、正确的患者、正确的时间：个性化医疗联盟》，临床翻译科学，1（2008），第11-12页 [3] P.Morgan，《阿斯利康五维框架对研发生产率的影响》，《Nat Rev Drug Discov》，17（2018），第167-181页 [4] S.L.托帕利安；J.M.Taube；R.A.Anders；D.M.Pardoll，《癌症治疗中指导免疫检查点阻断的机械驱动生物标记物》，《Nat Rev cancer》，16（2016），第275-287页 [5] J.A.莫斯科；T.Fojo；R.L.Schilsky，《精确癌症医学的证据框架》，Nat Rev Clin Oncol，15（2018），第183-192页 [6] J.A.Drebin；V.C.链接；D.F.Stern；R.A.Weinberg；M.I.Greene，癌基因蛋白产物的下调和单克隆抗体对转化表型的逆转，《细胞》，41（1985），第697-706页 [7] D.Chakravarty，OncoKB：精确肿瘤学知识库，JCO Precis Oncol（2017） [8] F.M.Behan，《使用CRISPR-Cas9屏幕对癌症治疗目标进行优先级排序》，《自然》，568（2019），第511-516页 [9] A.Mullard，合成致命性筛选为新的癌症药物靶点指明了方向，Nat Rev drug Discov，16（2017），第589-591页 [10] P.Blume Jensen，《人类肿瘤发展生物学》，基于原位活检的多标记物分析用于前列腺癌风险分层的临床验证，临床癌症研究，21（2015），第2591-2600页 [11] J.Cullen，《基于生物检测的17基因前列腺基因组评分预测临床低风险和中等风险前列腺癌患者的种族多样性人群中根治性前列腺切除术和不良手术病理学后复发》，《欧洲泌尿外科杂志》，68（2015），第123-131页 [12] S.Paik，预测三苯氧胺治疗的淋巴结阴性乳腺癌复发的多基因分析，《新英格兰医学杂志》，351（2004），第2817-2826页 [13] G.Yothers，《验证NSABP C-07中的12基因结肠癌复发评分作为使用氟尿嘧啶和亚叶酸（FU/LV）以及FU/LV+奥沙利铂治疗的II期和III期结肠癌患者复发的预测因素》，《临床肿瘤学杂志》，31（2013），第4512-4519页 [14] F.M.Khan；V.Bayer-Zubek，删失数据的支持向量回归（SVRc）：一种新的生存分析工具，数据挖掘国际会议论文集，ICDM（2008），10.1109/ICDM.2008.50 [15] 萧洪涛；V.Cherkasky，《利用特权信息（LUPI）进行生存数据建模的学习》，国际神经网络联合会议论文集（2014年），10.1109/IJCNN.2014.6889517 [16] F.E.Harrell，回归建模策略及其在线性模型、逻辑回归和生存分析中的应用，Springer，纽约（2001）·Zbl 0982.62063号 [17] L.Gordon；R.A.Olshen，《树结构生存分析》，《癌症治疗代表》，69（1985），第1065-1069页 [18] M.R.Segal，审查数据的回归树，生物计量学，44（1988），第35-47页·Zbl 0707.62224号 [19] O.L.Mangasarian；西北街；W.H.Wolberg，通过线性规划进行乳腺癌诊断和预后，Oper Res，43（1995），第548-725页·兹比尔0857.90073 [20] S.F.Brown；A.J.Branford；W.Moran，《关于使用人工神经网络分析生存数据》，IEEE Trans neural Netw，8（1997），第1071-1077页 [21] H.B.Burke，《人工神经网络提高癌症生存预测的准确性》，《癌症》，79（1997），第857-862页 [22] B.祖班；J.德姆沙尔；M.W.卡坦；J.R.Beck；I.Bratko，《生存分析的机器学习：前列腺癌复发的案例研究》，欧洲医学和医疗决策人工智能联合会议（1999），10.1007/3-540-48720-4_37 [23] L.Evers；C.M.Messow，高维生存数据的稀疏核方法，生物信息学，24（2008），第1632-1638页 [24] V.Van Belle；K.Pelckmans；S.Van Huffel；J.A.K.Suykens，《生存分析的支持向量方法：排名和回归方法的比较》，Artif Intell Med，53（2011），第107-118页 [25] E.P.Balogh；B.T.Miller；J.R.Ball，《改善医疗诊断，改善医疗诊断》，美国国家科学院出版社（2016），10.17226/21794 [26] K.J.Mitchell，复杂疾病的复杂性是什么？，《基因组生物学》，13（2012），第237页 [27] W.C.摩尔；E.R.Bleecker，哮喘异质性和严重性——为什么综合表型很重要？，《柳叶刀呼吸医学》，2（2014），第10-11页 [28] R.Schennach；里德尔；R.Musil；H.J.Möller，首发精神分裂症的治疗反应，《临床精神药物神经病学》，10（2012），第78-87页 [29] J.J.Cui，基因-基因和基因-环境相互作用影响非小细胞肺癌患者基于铂的化疗反应和毒性，《科学代表》，7（2017），第5082页 [30] C.M.Hartford；M.E.Dolan，《识别有助于化疗诱导细胞毒性的基因变体》，药物基因组学，8（2007），第1159-1168页 [31] S.Erikainen；S.Chan，《竞争期货：设想“个性化”、“分层”和“精确”医学》，《新基因学会》，38（2019），第308-330页 [32] S.日；R.C.Coombes；L.McGrath-Lone；C.勋伯恩；H.病房、分层、精准还是个性化医疗？伦敦医院“现实世界”中的癌症服务，《社会健康杂志》，39（2017），第143-158页 [33] H.Fröhlich，《从炒作到现实：数据科学促进个性化医疗》，BMC Med，16（2018），第150页 [34] E.Ahlqvist，《成人糖尿病新亚群及其与预后的关系：六个变量的数据驱动聚类分析》，《柳叶刀糖尿病内分泌》，6（2018），第361-369页 [35] M.van Smeden；F.E.Harrell；D.L.Dahly，《新型糖尿病亚组》，《柳叶刀糖尿病内分泌》，6（2018），第439-440页 [36] F.Harrell，医学文献中的统计错误，统计思维（2017） [37] D.Dahly，魔法集群，（2018） [38] L.Spielmann，CK升高的抗-Ku综合征和抗-dsDNA的抗-Ku综合征是两种具有不同结果的不同实体，《大黄病年鉴》，78（2019），第1101-1106页 [39] I.皮纳尔·费尔南德斯；A.L.Mammen，《关于使用机器学习算法定义具有临床意义的患者亚群》，《大黄病年鉴》，79（2019），第e128页 [40] 卢克斯堡大学；R.C.Williamson；I.Guyon，集群：科学还是艺术？，《ICML无监督和迁移学习研讨会论文集》，第27卷，MLR研讨会和会议论文集，剑桥（2012），第65-79页 [41] L.Pembrey，《了解哮喘表型：世界哮喘表型（WASP）国际合作》，ERJ Open Res，4（2018），第00013-2018页 [42] D.Belgrave，《分解哮喘：大调查与大数据》，《过敏临床免疫学杂志》，139（2017），第400-407页 [43] J.J.Hornberg；F.J.布鲁格曼；H.V.Westerhoff；J.Lankelma，《癌症：一种系统生物学疾病》，《生物系统》，83（2006），第81-90页 [44] P.R.Somvanshi；K.V.Venkatesh，《健康和疾病中的系统生物学概念综述：从生物网络到现代治疗学》，Syst Synth Biol，8（2014），第99-116页 [45] C.洛佩兹；S.塔克；T.Salameh；C.Tucker，《基于遗传特征发现患者群的无监督机器学习方法》，《生物识别信息杂志》，85（2018），第30-39页 [46] G.F.Hughes，《关于统计模式识别器的平均准确度》，IEEE Trans-Inf Theory，14（1968），第55-63页 [47] R.Röttger，大数据时代的生物数据集聚类，《整合生物信息》，13（2016），第300页 [48] M.W.Libbrecht；W.S.Noble，《机器学习在遗传学和基因组学中的应用》，《Nat Rev Genet》，16（2015），第321-332页 [49] S.Colaco；S.Kumar；A.塔芒；V.G.Biju，《特征选择算法综述》，计算、信息、通信和应用新兴研究，新加坡斯普林格出版社（2019年），第133-153页 [50] Z.M.Hira；D.F.Gillies，《应用于微阵列数据的特征选择和特征提取方法综述》，Adv Bioinforma，2015（2015），第1-13页 [51] S.布达赫；A.Marsico，Pysster：利用卷积神经网络学习序列和结构模体对生物序列进行分类，生物信息学，34（2018），第3035-3037页 [52] V.I.Jurtz，《生物序列数据深度学习导论：示例和解决方案》，生物信息学，33（2017），第3685-3690页 [53] T.罗南；郑琦；K.M.Naegle，《聚类生物数据时避免常见陷阱》，《科学信号》，9（2016），p.re6 [54] R.Nugent；M.Meila，《聚类应用于分子生物学的概述》，分子生物学方法，第620卷，新泽西州克利夫顿斯普林格（2010），第369-404页 [55] P.H.古齐；E.Masciari；G.M.Mazzeo；C.Zaniolo，《关于聚类结果的生物相关性的讨论》，计算机科学课堂讲稿（包括人工智能子系列课堂讲稿和生物信息学课堂讲稿），8649 LNCS，Springer Verlag，Berlin（2014），第30-44页 [56] B.安德烈奥普洛斯；A.安；X.Wang；M.Schroeder，《聚类算法路线图：寻找生物医学应用的匹配项》，《生物信息简介》，10（2008），第297-314页 [57] C.维维；J.Baumbach；R.Röttger，《比较生物医学聚类方法的性能》，Nat methods，12（2015），第1033-1038页 [58] M.R.Aure，综合聚类揭示了乳腺癌管腔a亚型中的一种新的分裂及其对结果的影响，《乳腺癌研究》，19（2017），第44页 [59] J.C.Mathews，稳健且可解释的PAM50重分类显示了肌上皮和免疫表型的生存优势，《npj乳腺癌》，5（2019），第30页 [60] M.Alderdice，从结直肠癌活检中前瞻性患者分层为强大的癌细胞内在亚型，《病理学杂志》，245（2018），第19-28页 [61] H.Yang；N.J.Pizzi，使用层次聚类进行生物医学数据分类，加拿大电气和计算机工程会议（2004），第1861-1864页，10.1109/CCEE.2004.1347570 [62] B.Pontes；R.Giráldez；J.S.Aguilar-Ruiz，表达数据的双聚类：综述，《生物识别信息杂志》，57（2015），第163-180页 [63] V.A.Padilha；R.J.G.B.Campello，《双聚类技术的系统比较评估》，BMC Bioinf，18（2017），第55页 [64] 谢军；A.马；A.芬内尔；Q.Ma；J.Zhao，《现在是应用双聚类的时候了：生物和生物医学数据中双聚类应用的综合评述》，《生物信息简介》，20（2018），第1449-1464页 [65] A.B.Jensen，《从涵盖620万患者的人群登记数据中浓缩的暂时疾病轨迹》，Nat Commun，5（2014），第4022页 [66] M.K.Beck，先前多发病率的诊断轨迹预测脓毒症死亡率，《科学代表》，6（2016），第36624页 [67] H.Yang，乳腺癌患者的疾病轨迹和死亡率，《乳腺癌研究》，21（2019），第95页 [68] A.Giannoula；A.古铁雷斯·萨克里斯坦；Á. 好极了；F.桑兹；L.I.Furlong，《使用动态时间扭曲识别患者疾病轨迹中的时间模式：一项基于人群的研究》，《科学代表》，8（2018），第4216页 [69] Y.Zhang；S.Horvath；R.Ophoff；D.Telesca，时间进程基因组数据聚类方法的比较：对衰老效应的应用，ArXiv，1404（2014），第7534页 [70] J.de Jong，具有缺失值的多变量临床患者轨迹聚类的深度学习，Gigascience，8（2019），p.giz134 [71] P.Chalise；D.C.Koestler；M.Bimali；Q.Yu；B.L.Fridley，高维分子数据的综合聚类方法，Transl Cancer Res，3（2014），第202-216页 [72] C.Chauvel公司；A.Novoloaca；P.Veyre；F.雷尼尔；J.Becker，《多元组学数据分析的综合聚类方法评估》，《生物信息简介》，21（2020），第541-552页 [73] I.S.L.Zeng；T.Lumley，《综合组学研究中统计学习方法的回顾》（综合信息科学），《生物信息学与生物洞察力》，第12期（2018年） [74] B.K.Beaulieu-Jones；C.S.Greene，用于表型分层的电子健康记录半监督学习，《生物识别信息杂志》，64（2016），第168-178页 [75] M.Charrad；N.加扎利；V.Boiteau；A.Niknafs，Nbclust:确定数据集中相关簇数的R包，J Stat Softw，61（2014），第1-36页 [76] G.布罗克；V.Pihur；S.Datta；S.Datta，ClValid:集群验证的R包，J Stat Softw，25（2008），第1-22页 [77] O.阿伯莱茨；I.Gurrutxaga；J.Muguerza；J.M.Pérez；I.Perona，《集群有效性指数的广泛比较研究》，《模式识别》，46（2013），第243-256页 [78] M.Ruiz Marin，单基因座遗传关联分析的熵检验，BMC Genet，11（2010），第19页 [79] U.Von Luxburg，聚类稳定性：综述，发现趋势马赫学习，2（2009），第235-274页·Zbl 1191.68615号 [80] H.Yu，集群稳定性的自举估计，观测和模型选择，计算统计，34（2019），第349-372页·Zbl 1417.62180号 [81] L.Van Der Maaten；G.Hinton，使用t-SNE可视化数据，J Mach Learn Res，9（2008），第2579-2605页·Zbl 1225.68219号 [82] S.Wagner；D.Wagner，《集群比较概述》，卡尔斯鲁厄大学技术报告2006-04（2007） [83] L.A.加西亚-埃斯库德罗；A.Gordaliza；C.马特兰；A.Mayo-Iscar，稳健聚类分析的一般修正方法，《Ann Stat》，36（2008），第1324-1345页·Zbl 1360.62328号 [84] 刘毅（Y.Liu）；吴圣美；刘总；H.Chao，生物医学数据的模糊联合聚类算法，《公共科学图书馆·综合》，12（2017），p.e0176536 [85] J.M.丹尼斯；B.M.屏蔽；W.E.亨利；A.G.Jones；A.T.Hattersley，《与基于简单临床特征的模型相比，数据驱动的2型糖尿病亚组的疾病进展和治疗反应：使用临床试验数据的分析》，《柳叶刀糖尿病内分泌》，第7期（2019年），第442-451页 [86] NHGRI，人类基因组计划，https://www.genome.gov/human-genome-project（https://http://www.genome.gov），2020年3月18日访问 [87] G.Riddick，使用随机森林预测体外药物敏感性，生物信息学，27（2011），第220-224页 [88] R.López-Reig，基于十二基因NGS小组的分子方法对子宫内膜癌的预后分类，Sci Rep，9（2019），第18093页 [89] R.Toth，检测前列腺癌进展生物标志物的随机森林模型，《临床表观遗传学》，11（2019），第148页 [90] P.D.Johann；新泽西州；S.M.Pfister；M.Sill，RF_purify:基于随机森林回归的甲基化阵列数据中肿瘤纯度综合分析的新工具，BMC Bioinf，20（2019），第428页 [91] U.Djuric；G.Zadeh；K.Aldape；P.Diamandis，《精确组织学：深度学习如何为个性化癌症护理重振组织形态学》，npj Precis Oncol，1（2017），第22页 [92] G.Campanella，《在全幻灯片图像上使用弱监督深度学习的临床级计算病理学》，《国家医学》，25（2019），第1301-1309页 [93] N.Coudray，利用深度学习对非小细胞肺癌组织病理学图像进行分类和突变预测，《国家医学》，24（2018），第1559-1567页 [94] R.Sun，《评估肿瘤滤过CD8细胞和抗PD-1或抗PD-L1免疫治疗反应的放射方法：成像生物标记物》，回顾性多组研究，《柳叶刀Oncol》，19（2018），第1180-1191页 [95] D.Kim，知识提升：一种基于图的整合方法，结合癌症临床结果预测的多组学数据和基因组知识，《美国医学信息协会》，22（2015），pp.109-120 [96] M.Rotmensch；Y.Halpern；A.利马特；S.Horn；D.Sontag，《从电子病历中学习健康知识图表》，科学代表，7（2017），第5994页 [97] P.Jiang，深度图嵌入用于确定协同抗癌药物组合的优先级，《计算结构生物技术杂志》，18（2020），第427-438页 [98] W.Zhang；简杰；J.Yong；R.Kuang，精确肿瘤学的基于网络的机器学习和图论算法，npj Precis Oncol，1（2017），第25页 [99] G.Caravagna，从多区域肿瘤测序数据中检测重复的癌症进化，Nat Methods，15（2018），第707-714页 [100] J.N.Taroni，MultiPLIER:转录组学的转移学习框架揭示了罕见疾病的系统特征，《细胞系统》，8（2019），第380-394.e4页 [101] C.Vesteghem，《在精确肿瘤学中实施公平数据原则：支持举措回顾》，《生物信息简介》，21（2020），第936-945页 [102] A.Miller，《医疗保健的未来可能是初级的》，Watson，CMAJ，185（2013），第E367-E368页 [103] S.Hatz，通过与IBM Watson的文献分析确定药效学生物标记假设，《公共科学图书馆·综合》，14（2019），p.e0214619 [104] E.Strickland，《IBM Watson如何在AI医疗保健方面过度妥协和不足》，IEEE Spectr（2019） [105] 邹福伟；Y.F.Tang；刘春云；J.A.Ma；胡昌华，《IBM Watson在中国宫颈癌患者肿瘤学和实际临床实践的一致性研究：回顾性分析》，Front Genet，11（2020），p.200 [106] FDA，将软件作为医疗设备的人工智能和机器学习，https://www.fda.gov/medical-devices/software-medical-device samd/artificial-intelligence-and-machine-learning-software-medial-device (2021) 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。