论文链接：https://pubmed.ncbi.nlm.nih.gov/35089332/

生物医学数据正变得越来越多，从而捕捉生物过程之间的潜在复杂关系。基于深度学习(DL)的数据融合策略是建模这些非线性关系的一种流行方法。因此，我们回顾了目前这种方法的最新进展，并提出了一个详细的分类，以促进更明智的选择融合策略的生物医学应用，以及新方法的研究。通过这样做，我们发现深度融合策略往往优于单模态和浅层方法。此外，提出的融合策略子类显示出不同的优点和缺点。对现有方法的回顾表明，联合表示学习是首选的方法，特别是对于中间融合策略，因为它可以有效地模拟不同层次生物组织的复杂相互作用。最后，我们注意到，逐步融合，基于先前的生物知识或搜索策略，是一个有前途的未来研究路径。同样，利用迁移学习可以克服多模态数据集的样本大小限制。随着这些数据集变得越来越容易获得，多模态DL方法提供了训练整体模型的机会，这些模型可以学习健康和疾病背后复杂的监管动态。

内容中包含的图片若涉及版权问题，请及时与我们联系删除