表 2. Comparison of cancer prognosis models with different network structures.

不同网络结构的癌症预后模型对比

网络结构		提出 时间		网络架构优点		网络架构缺点		适用医学数据		发展趋势
DNN		1969 年		①可解决复杂问题建模；②可自动学习特征		①不能考虑平面结构信息；②时间序列数据不适用；③易过拟合		①各种组学数据；②带有特征属性的数据（性别、年龄、癌症分期等）		①自动设计不同任务 DNN；②降低计算成本，减少耗时；③探索可解释性
CNN		1989 年		①稀疏连接；②参数共享；③平移不变性；④适合处理高维数据		①梯度消散；②输入固定输出固定		①二维医学图像数据；②三维医学图像数据；③高维数据（基因组学数据等）		①自动设计不同任务 CNN；②改进卷积核、卷积层通道、卷积层连接等以加速计算；③探索可解释性
RNN		1982 年		①时间维度上的深度模型；②含有记忆单元；③可处理任意长度的输入和输出		①梯度消散（RNN 中称作长期依赖问题）；②不具备特征学习的能力		①临床时间序列数据（序列间隔内心电、药物反映等生命体征情况）；②已提取的医学特征		①探索可解释性；②寻找更优架构、设计新变体以减少训练时间；③与其他网络或技术结合
AE		1987 年		①可用无标签数据进行模型预训练；②有较强的数据表征能力		①易出现过拟合；②梯度消散；③输入数据需平移不变		①各种组学数据；②已提取的医学特征		①深化网络结构改善性能；②加强约束条件；③改善信息分离的效果
DBN		2006 年		①反映数据本身相似程度；②可用无标签数据训练模型以进行特征识别、数据分类		①用于分类时精度没有判别模型高；②输入数据需具有平移不变性		①各种组学数据；②二维医学图像数据		①改进 DBN 中 RBM 结构，降低计算复杂性；②与先进的分类器相结合