斯坦福大学 James Zou等研究人员在Cell发表综述，阐述了机器学习用于肿瘤诊疗的进展与挑战(1)。作者们分从医学影像出发的机器学习算法以及从分子诊断数据出发的机器学习算法这两部分解释了不同的数据特点、适应的算法类型、已经取得的成就以及面临的问题。其中，作者们重点分析了分子诊断数据（液体活检以及肿瘤基因组数据等）的高维、稀疏并且数据量偏少的特点为机器学习算法开发与应用带来的机遇与挑战(1)。
从医学影像出发的机器学习算法(1)
从分子诊断数据出发的机器学习算法(1)最后，作者们展望后续生物医学技术的开发、影像与分子数据的整合以及新算法开发将进一步让机器学习工具帮助肿瘤诊疗(1)。该项工作2023年3月10日发表在Cell(1)。Comment(s):新技术带来的新层次信息，比如 RNA修饰、染色质结构等，也将进一步促进机器学习工具用于疾病诊疗。另外，随着分子诊断数据的积累，数据分析或将更整合、更依赖原始数据以及更深度神经网络。参考文献：1. K. Swanson, E. Wu, A. Zhang, A. A.Alizadeh, J. Zou, From patterns to patients: Advances in clinical machinelearning for cancer diagnosis, prognosis, and treatment. Cell, 1–20(2023).原文链接：https://www.cell.com/cell/fulltext/S0092-8674(23)00094-6
