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	2025-02-21	Deep Recurrent Neural Networks for Human Activity Recognition 2017-Nov-06, Sensors (Basel, Switzerland) DOI:10.3390/s17112556 PMID:29113103	研究论文	本文提出使用深度循环神经网络（DRNNs）构建能够捕捉可变长度输入序列中长距离依赖关系的识别模型	提出了基于长短期记忆（LSTM）DRNNs的单向、双向和级联架构，能够捕捉输入序列中的长距离依赖关系，优于传统的机器学习方法和其它深度学习技术	未提及具体局限性	研究人类活动识别中的深度学习应用	从身体佩戴传感器获取的原始输入序列	机器学习	NA	深度学习	DRNNs, LSTM	时间序列数据	未提及具体样本数量
2	2025-02-21	DeepSleepNet: A Model for Automatic Sleep Stage Scoring Based on Raw Single-Channel EEG 2017-11, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2017.2721116 PMID:28678710	研究论文	本文提出了一种名为DeepSleepNet的深度学习模型，用于基于原始单通道EEG的自动睡眠阶段评分	该模型利用卷积神经网络提取时间不变特征，并使用双向长短期记忆网络自动学习睡眠阶段之间的转换规则，无需手工设计特征	模型未在不同数据集的模型架构和训练算法上进行调整，可能限制了其泛化能力	开发一种自动睡眠阶段评分模型，以减少对手工设计特征的依赖	单通道EEG数据	机器学习	NA	深度学习	CNN, 双向LSTM	EEG信号	两个公共睡眠数据集（MASS和Sleep-EDF）中的不同单通道EEG数据
3	2025-02-21	A deep learning framework for financial time series using stacked autoencoders and long-short term memory 2017, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0180944 PMID:28708865	研究论文	本文提出了一种结合小波变换、堆叠自编码器和长短期记忆网络的新型深度学习框架，用于股票价格预测	首次将堆叠自编码器用于股票价格预测中的深度特征提取	NA	提高股票价格预测的准确性和盈利能力	六个市场指数及其对应的指数期货	机器学习	NA	小波变换、堆叠自编码器、长短期记忆网络	SAEs, LSTM	时间序列数据	六个市场指数及其对应的指数期货
4	2025-02-01	Deep learning based Nucleus Classification in pancreas histological images 2017-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC.2017.8036914 PMID:29059962	研究论文	本文提出了一种基于深度学习的细胞核分类方法（DeepNC），用于胰腺组织学图像中的细胞核分类	提出了一种结合组织病理学和免疫荧光图像的深度学习细胞核分类方法，解决了基因组或转录组与病理学评估之间肿瘤纯度估计的差异问题	训练深度学习模型在大数据集上存在挑战	提高组织学评估的准确性，解决肿瘤纯度估计的差异问题	胰腺组织学图像中的细胞核	数字病理学	胰腺癌	深度学习	深度学习模型	图像	大量样本
5	2025-01-13	Single subject prediction of brain disorders in neuroimaging: Promises and pitfalls 2017-01-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2016.02.079 PMID:27012503	综述	本文综述了基于神经影像的个体脑疾病预测研究，探讨了其潜力和局限性	提供了迄今为止最全面的神经影像个体预测脑疾病的综述，并提出了未来研究方向	主要瓶颈是样本量有限，可能通过现代数据共享模型解决	探讨神经影像数据在个体脑疾病预测中的潜力	精神分裂症、轻度认知障碍、阿尔茨海默病、抑郁症、自闭症谱系障碍和注意力缺陷多动障碍	神经影像	脑疾病	结构、功能和扩散MRI	机器学习	神经影像数据	超过200项研究，涉及多种脑疾病
6	2024-11-10	Tumor gene expression data classification via sample expansion-based deep learning 2017-Dec-12, Oncotarget DOI:10.18632/oncotarget.22762 PMID:29312636	研究论文	本文提出了一种基于样本扩展的深度学习方法用于肿瘤基因表达数据分类	本文提出了样本扩展方法，通过随机清洗部分损坏的输入多次来获得大量样本，解决了基因表达数据训练样本不足的问题	NA	研究如何有效区分肿瘤样本和正常样本	肿瘤基因表达数据	机器学习	NA	深度学习	堆叠自编码器 (SAE) 和一维卷积神经网络 (1DCNN)	基因表达数据	NA
7	2024-10-11	Chemical Selectivity and Sensitivity of a 16-Channel Electronic Nose for Trace Vapour Detection 2017-Dec-08, Sensors (Basel, Switzerland) DOI:10.3390/s17122845 PMID:29292764	研究论文	本文介绍了基于16个差分微电容器的16通道电子鼻的设计、构建和测量，用于检测目标分子的蒸汽痕迹	提出了使用不同硅烷表面功能化的微电容器来增强化学选择性，并探讨了使用人工智能深度学习方法进一步提高选择性的可能性	NA	研究电子鼻的化学选择性和灵敏度，以可靠检测爆炸物和其他有害物质	16通道电子鼻及其对TNT、RDX、DNT等分子的检测能力	NA	NA	NA	NA	NA	NA
8	2024-10-10	ANI-1: an extensible neural network potential with DFT accuracy at force field computational cost 2017-Apr-01, Chemical science IF:7.6Q1 DOI:10.1039/c6sc05720a PMID:28507695	研究论文	本文介绍了一种名为ANI-1的可扩展神经网络势能模型，能够在力场计算成本下实现DFT精度	ANI-1利用深度神经网络和量子力学DFT计算，实现了对有机分子的高精度且可转移的势能预测	ANI-1的训练数据集仅限于包含最多8个重原子的有机分子，可能限制了其在更大分子系统中的应用	开发一种能够在力场计算成本下实现DFT精度的神经网络势能模型	有机分子及其势能预测	机器学习	NA	深度神经网络	神经网络	分子数据	训练数据集包含最多8个重原子的有机分子
9	2024-10-09	Infer Cause of Death for Population Health Using Convolutional Neural Network 2017-Aug, ACM-BCB ... ... : the ... ACM Conference on Bioinformatics, Computational Biology and Biomedicine. ACM Conference on Bioinformatics, Computational Biology and Biomedicine DOI:10.1145/3107411.3107447 PMID:32642743	研究论文	本文利用卷积神经网络（CNN）推断人口死亡原因，以改善公共卫生报告和提高患者护理质量	采用数据驱动的方法分析和改进死亡报告流程，构建了先进的深度学习模型CNN，并提供了模型解释	模型准确率为75%，仍有提升空间	推断人口死亡原因，改善公共卫生报告和患者护理质量	人口死亡原因	机器学习	NA	卷积神经网络（CNN）	卷积神经网络（CNN）	医疗数据	未明确提及具体样本数量
10	2024-09-13	[Study of attention deficit/hyperactivity disorder classification based on convolutional neural networks] 2017-Feb, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi PMID:29717596	研究论文	本文提出了一种基于卷积神经网络的注意力缺陷/多动障碍（ADHD）分类算法	利用粗分割和深度学习方法，提高了ADHD分类的准确性，并简化了计算过程	未提及具体的局限性	解决ADHD诊断中高误诊率和漏诊率的问题	ADHD患者和正常人群的分类	计算机视觉	精神疾病	卷积神经网络	CNN	图像	未提及具体样本数量
11	2024-08-07	Deep learning with convolutional neural networks for EEG decoding and visualization 2017-11, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.23730 PMID:28782865	研究论文	本文研究了使用卷积神经网络（ConvNets）进行脑电图（EEG）解码和可视化的深度学习方法	提出了使用批量归一化和指数线性单元等机器学习领域的最新进展，以及裁剪训练策略，提高了深度ConvNets的解码性能	需要进一步理解如何设计和训练ConvNets以进行端到端的EEG解码，并可视化ConvNets学习到的信息性EEG特征	探索如何设计和训练ConvNets以从原始EEG中解码任务相关信息，并展示深度ConvNets结合先进可视化技术在基于EEG的脑映射中的潜力	研究了不同架构的深度ConvNets，用于从原始EEG解码想象或执行的任务	机器学习	NA	卷积神经网络（ConvNets）	CNN	脑电图（EEG）	未具体说明样本数量
12	2024-08-07	ShortFuse: Biomedical Time Series Representations in the Presence of Structured Information 2017-Aug, Proceedings of machine learning research PMID:30882086	研究论文	本文介绍了一种名为ShortFuse的方法，该方法通过显式建模时间序列与结构化协变量之间的时间交互和依赖关系，提高了深度学习模型在时间序列上的准确性	ShortFuse引入了混合卷积和LSTM单元，通过在时间域上共享权重的协变量来整合结构化信息	NA	提高深度学习模型在医疗应用中时间序列数据的准确性	预测与骨关节炎相关的软骨退化和脑瘫患者的手术结果	机器学习	NA	NA	CNN, LSTM	时间序列	NA
13	2024-08-07	Corrigendum: Characterisation of mental health conditions in social media using Informed Deep Learning 2017-05-16, Scientific reports IF:3.8Q1 DOI:10.1038/srep46813 PMID:28507325	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
14	2024-08-07	Characterisation of mental health conditions in social media using Informed Deep Learning 2017-03-22, Scientific reports IF:3.8Q1 DOI:10.1038/srep45141 PMID:28327593	研究论文	本研究利用深度学习技术分析社交媒体平台Reddit上的帖子，以识别和分类与心理疾病相关的帖子	首次使用深度学习方法自动识别社交媒体中的心理疾病相关帖子，并分类到11种疾病主题	研究仅限于Reddit平台上的帖子，且样本集是平衡的	开发方法以表征大量用户生成内容，支持内容管理和针对性干预	社交媒体平台Reddit上的心理健康相关帖子	自然语言处理	NA	深度学习	神经网络	文本	平衡的数据集
15	2024-08-05	Deep Auto-context Convolutional Neural Networks for Standard-Dose PET Image Estimation from Low-Dose PET/MRI 2017-Dec-06, Neurocomputing IF:5.5Q1 DOI:10.1016/j.neucom.2017.06.048 PMID:29217875	研究论文	本文提出了一种深度学习架构，从低质量低剂量PET图像和MRI的T1加权成像中估计高质量标准剂量PET图像。	本研究创新性地结合了低剂量PET图像和MRI数据，通过卷积神经网络的多模块自适应策略实现精准图像估计。	未提及具体的临床试验数据量以及可能的局限性。	降低患者的辐射暴露风险的同时，保持PET图像的高质量。	低剂量PET图像和MRI中的T1加权成像。	计算机视觉	NA	深度学习	卷积神经网络	图像	真实人脑PET/MRI数据
16	2024-08-05	A two-step convolutional neural network based computer-aided detection scheme for automatically segmenting adipose tissue volume depicting on CT images 2017-Jun, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2017.03.017 PMID:28495009	研究论文	本研究开发并测试了一种基于深度学习的计算机辅助检测方案，能够自动分割CT图像中的亚胚脂肪和内脏脂肪区域	提出了一种两步卷积神经网络（CNN）框架，克服了传统方法对单一CT图像切片评估脂肪区域的限制	该研究使用的CT图像数据集是回顾性收集的，可能受到数据选择偏差的影响	研究目的在于提高CT图像中脂肪区域自动分割的准确性	研究对象为人类的CT图像，尤其是涉及亚胚脂肪区域和内脏脂肪区域的图像	计算机视觉	肿瘤风险	深度学习	卷积神经网络（CNN）	CT图像	2,240个CT切片用于选择，84,000个像素补丁用于分割
17	2024-08-05	Marginal Shape Deep Learning: Applications to Pediatric Lung Field Segmentation 2017-Feb-11, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2254412 PMID:28592911	研究论文	本文提出了边缘形状深度学习（MaShDL）框架，旨在通过深度分类器实现可变形物体的分割。	该框架结合了统计形状模型的优势和深度学习的自动特征学习架构，是首个使用深度学习框架进行参数化形状学习以 delineate 可变形物体的示范。	尽管该框架在高复杂性多参数估计问题上表现良好，但具体的实现细节和效果在不同场景中的普遍适用性尚需进一步验证。	研究通过深度学习改善 deformable 对象的分割效果。	本研究的对象是314幅正常与异常的小儿胸部 X 光片中的肺野。	数字病理学	肺癌	深度学习	深度分类器	医学影像	314幅小儿胸部 X 光片
18	2024-08-05	A deep learning based strategy for identifying and associating mitotic activity with gene expression derived risk categories in estrogen receptor positive breast cancers 2017-06, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.23065 PMID:28192639	研究论文	本文探讨了一种基于深度学习的策略，用于识别和关联雌激素受体阳性乳腺癌中的有丝分裂活性与基因表达相关风险类别	提出了一种深度学习分类器，以识别ER+乳腺癌的有丝分裂图像，并与Oncotype DX风险类别相关联	BR等级存在显著的观察者间变异性，可能会影响结果的准确性	开发深度学习分类器以识别ER+乳腺癌全切片图像中的有丝分裂图像	使用174个早期ER+乳腺癌的全切片图像进行研究	数字病理学	乳腺癌	深度学习	支持向量机	图像	174个全切片图像
19	2024-08-05	Deep ensemble learning of sparse regression models for brain disease diagnosis 2017-04, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2017.01.008 PMID:28167394	研究论文	本文提出了一种结合稀疏回归模型和深度学习的新框架用于阿尔茨海默病和轻度认知障碍的诊断和预后	这是第一个将稀疏回归模型与深度神经网络结合的工作	NA	研究稀疏回归与深度学习在脑疾病诊断中的应用	阿尔茨海默病和轻度认知障碍患者	机器学习	阿尔茨海默病	NA	深度卷积神经网络	脑成像数据	ADNI队列的样本
20	2024-08-05	GRAM: Graph-based Attention Model for Healthcare Representation Learning 2017-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining DOI:10.1145/3097983.3098126 PMID:33717639	研究论文	提出了一种图基注意力模型GRAM，用于医疗表示学习	GRAM利用医疗本体的层级信息补充电子健康记录，以提高深度学习在医疗预测建模中的表现	研究可能受到样本量不足的限制，尽管GRAM在低数据量情况下表现良好	提升医疗领域深度学习模型在预测建模中的表现	比较了GRAM与多种方法在疾病预测任务中的表现	医疗病理学	心力衰竭	深度学习	RNN	电子健康记录	使用数量级更少的训练数据进行实验