深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
1	2026-04-30	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	本文介绍了一种基于深度神经网络的ANI-1模型，能够以力场计算成本实现DFT精度的分子势能预测	提出ANAKIN-ME方法，利用改进的Behler-Parrinello对称函数构建单原子环境向量，并引入正态模式采样方法生成分子构象，首次在构型和构象空间大规模训练可迁移的神经网络势	仅在含H、C、N、O四种原子类型的小分子上验证，对更大分子系统的泛化能力需进一步评估	开发一种兼具DFT精度和力场计算效率的可迁移神经网络势能模型	有机分子，主要来自GDB数据库中含最多8个重原子的子集，以及最多54个原子的更大分子系统	机器学习	NA	深度神经网络、DFT计算、正态模式采样	深度神经网络	分子结构及能量数据	训练集为GDB数据库子集（最多8个重原子），测试集包含最多54个原子的分子系统	NA	神经网络，基于改进的Behler-Parrinello对称函数构建单原子环境向量	化学精度（与参考DFT计算对比）	NA
2	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	NA	NA	NA	NA
3	2024-08-07	Relevance of deep learning to facilitate the diagnosis of HER2 status in breast cancer 2017-04-05, Scientific reports IF:3.8Q1 DOI:10.1038/srep45938 PMID:28378829	研究论文	本文开发了一种基于深度学习的计算方法，用于自动评估乳腺癌中的HER2生物标志物，以辅助病理学家的诊断。	利用深度学习技术自动评分HER2，以减少病理学家之间的解释差异，提高诊断准确性。	研究样本量较小，仅包括71个乳腺癌切除样本。	探索深度学习在乳腺癌HER2状态诊断中的应用，以提高诊断的一致性和准确性。	乳腺癌中的HER2生物标志物。	数字病理学	乳腺癌	深度学习	NA	图像	71个乳腺癌肿瘤切除样本	NA	NA	NA	NA