深度学习在生物医药领域中的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量
1	2024-08-05	Imaging-based enrichment criteria using deep learning algorithms for efficient clinical trials in mild cognitive impairment 2015-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1016/j.jalz.2015.01.010 PMID:26093156	研究论文	本文介绍了一种新的多模态影像标志物，用于预测轻度认知障碍患者未来的认知和神经衰退	提出了一种新的深度学习算法（随机去噪自编码器标志物，rDAm），用于临床试验中识别最有可能受益的轻度认知障碍患者群体	研究可能未能考虑所有类型的轻度认知障碍患者，限制了结果的通用性	提高在轻度认知障碍患者中进行临床试验的效率和发现治疗效果的能力	轻度认知障碍患者，尤其是可能在试验期间恶化并受益于治疗的个体	计算机视觉	阿尔茨海默病	正电子发射断层扫描（PET），结构磁共振成像	随机去噪自编码器	多模态影像数据	使用ADNI2 MCI数据，样本数量减少至少五倍
2	2024-08-05	Predicting effects of noncoding variants with deep learning-based sequence model 2015-Oct, Nature methods IF:36.1Q1 DOI:10.1038/nmeth.3547 PMID:26301843	研究论文	本研究开发了一种基于深度学习的算法框架DeepSEA，用于从序列预测非编码变体的功能效应	提出了一种新算法，能够直接从大规模染色质剖析数据中学习调控序列编码，从而以单核苷酸敏感性预测序列变化的染色质效应	NA	预测非编码变体的功能效应	非编码变体，包括表达数量性状位点（eQTL）和与疾病相关的变体	计算机视觉	NA	深度学习	NA	序列数据	大规模染色质剖析数据
3	2024-08-07	Computer-aided classification of lung nodules on computed tomography images via deep learning technique 2015, OncoTargets and therapy IF:2.7Q3 DOI:10.2147/OTT.S80733 PMID:26346558	研究论文	本文通过深度学习技术对计算机断层扫描图像中的肺结节进行计算机辅助分类	引入了深度信念网络和卷积神经网络模型，简化了传统的计算机辅助诊断图像分析流程	未提及具体限制	简化传统的计算机辅助诊断图像分析流程，提高分类性能	肺结节在计算机断层扫描图像中的分类	计算机视觉	肺癌	深度学习	深度信念网络、卷积神经网络	图像	未提及具体样本数量