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	2024-10-09	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
2	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
3	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