可缩进机器计算生物学和生物医学算法2021
发布日期
2021年9月01日
状态
发布
提交截止日期
2021年4月16日
牵头编辑器
客座编辑器
一号中国电子科技大学中国成都
2西里叶技术大学,波兰Gliwice
3俄亥俄州立大学美国哥伦布
4得克萨斯大学健康科学中心休士顿,美国休士顿
可缩进机器计算生物学和生物医学算法2021
描述性
自奥巴马总统启动精密医学创举以来, 计算生物和生物医学界面临巨大的挑战与机遇近些年来,计算方法大都出现在生物医学和生物信息学研究中,包括医学图像分析、保健信息学、癌症基因组学等医学数据需要大量预测和挖掘工作,如肿瘤图像、电子医疗记录、微数组、GWAS(Genome-Wide协会研究)数据因此,计算生物和生物医学预测任务使用机器学习算法的次数越来越多。
先进机学习技术近年来也快速开发顶级杂志和会议报告了若干受创新方法近似传播类解算法最近深学习似乎适合大数据并正成为下一个热题学者和行业研究人员也正在开发并行机制,如Mahout越来越多的计算机科学家致力于高级大规模数据挖掘技术生物医学应用尚未完全解决,落后技术增长
特题面向最近大规模机器学习技术以及生物医学应用可扩展医学和生物数据应用得到鼓励我们特别鼓励用计算法研究临床或特定疾病基因组学新分类和集群算法,如大规模偏差学习策略、多观点策略、学习策略、各种半监督学习策略、多内核学习策略等原创研究和评论文章都受欢迎
潜在题目包括但不限于:
- 新奇计算策略 临床或特定疾病研究
- 大规模分类算法应用生物医学或生物信息学
- 大规模集群算法应用生物医学或生物信息学
- 生物学或生物信息学数据平衡学习算法
- 多视图学习医学图像分类
- 半监督生物医学或生物信息学数据学习策略
- 集合生物医学或生物信息学数据学习策略
- 超大型生物医学或生物信息学数据并行学习技巧
- 多内核学习应用生物医学或生物信息学
- 多标签分类算法应用生物医学或生物信息学