来源：专知本文为书籍介绍，建议阅读5分钟在本文中，我们将深入讨论tsfresh包的使用。本书涵盖了广泛的生命科学应用的基本方法。
生物、医学和生物化学已经成为以数据为中心的领域，深度学习方法正在为这些领域带来突破性的成果。这本《深度学习生物医学》，从机器学习从业者和数据科学家寻求方法知识，以解决生物医学应用。
随着国际知名专家的贡献，本书涵盖了广泛的生命科学应用的基本方法，包括电子健康记录处理，诊断成像，文本处理，以及组学数据处理。本书包括化学信息学和生物医学交互网络分析。在生命科学中使用数据驱动的方法，还需要仔细考虑相关的社会、伦理、法律和透明度挑战，这在本书的最后章节中有介绍。
https://www.worldscientific.com/worldscibooks/10.1142/q0322#t=aboutBook
这本书的组织遵循应用智能信息处理系统到生物医学问题的进展，到在现代机器学习和生命科学之间的十字路口的更近期的研究主题。最后，我们将讨论扩展到在生物和医学中采用深度学习技术的社会、伦理和法律影响，这些技术通常在可信人工智能的统一术语下进行讨论。
第二章通过介绍文献中考虑的一般深度学习策略的分类，对医学影像的深度学习领域进行了全面的介绍。对脑成像应用的详细分析补充了这一广泛的讨论，对该领域中最相关的工作进行了广泛的回顾，并对相关数据集进行了清晰组织的索引。最后，它确定了要解决的关键挑战，以便在临床实践中简化深度成像方法的适用性。
第三章重点讨论了深度学习时代挖掘电子健康记录的演变，讨论了它们作为构建真正个性化诊断、治疗和护理的跳板的关键作用。电子健康病历(EHR)记录了人们健康信息，积累在海量的结构化和非结构化数据仓库中，这不仅为利用深度学习模型构建的预测和探索性技术提供了无与伦比的机会，也带来了挑战。本章从调研EHR的起源和演变到它们的现状。然后，对深度学习的主要应用进行了分析，考虑到广泛类别的监督和无监督任务，包括疾病预测、疾病表型、患者分层和临床记录理解。
第四章通过逐步介绍自然语言技术在生物医学领域的使用，扩展了理解人类语言的主题。这一章首先介绍了自然语言处理(NLP)领域的主要概念和方法。然后深入探讨NLP在生命科学中的应用。方法论的调研很好地补充了可用资源的准确索引，包括语言语料库，软件库，以及预训练的语言模型，包括通用和特定领域。
第五章采用垂直路线，介绍一种方法，代谢驱动的潜在空间学习基因表达数据。这一章讨论了深度生成模型如何提供一个有效的无监督的方法，以获得新的洞察到基因表达数据的结构。特别地，它关注的是如何通过模型学习的神经表示可以基于在代谢模型形式下可用的先验知识加以约束。
第六章集中在化学信息学的深度学习，并解决了在计算机科学和化学之间的十字路口的长期研究领域。它讨论了化合物如何找到它们的自然计算表示为图形结构的数据，其中原子和它们的属性是由分子图的顶点编码的，而边表示原子键和它们的特征。通过构建这样的表示，本章介绍了结构化数据自适应处理的深度学习的生动领域，它包含了能够在其丰富的结构化表示中处理信息的学习模型。然后，它移动到分析化学信息学领域的两个相关应用:从分子结构的性质预测和生成式深度学习模型的从头设计药物。
第七章重点介绍了网络生物学的深度学习方法，在某种意义上，通过引入更大尺度的图(即网络)来建模生物过程中交互的复杂性，这自然补充了第6章中关于结构化数据分析的讨论。
第八章将重点从应用驱动的挑战转向以人为中心的视角，详细阐述了医学和医疗健康中可解释的深度学习的需求。
第九章总结了这本书的道德，社会和法律问题在医疗保健的深度学习的批判性分析。这一章不仅赞扬了人工智能伦理的重要性，而且从实践的角度审视了这一主题，分析了医疗领域深度学习的伦理和法律指导方针的含义。特别关注欧洲关于可信AI的指南，以及相关AI应用生命周期的实现。本章最后对深度学习中的偏见、公平和隐私进行了技术上的深入探讨。
