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	2024-10-11	Fully automated detection of breast cancer in screening MRI using convolutional neural networks 2018-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.5.1.014502 PMID:29340287	研究论文	本文开发了一种利用早期相位扫描中的空间信息进行乳腺癌筛查MRI的完全自动化检测系统	提出了一个仅利用早期相位扫描中的空间信息进行乳腺癌检测的CADe系统，并在实验中显著提高了检测敏感性	未提及	开发一种适用于简化的MRI协议的乳腺癌筛查自动化检测系统	乳腺癌筛查MRI图像	计算机视觉	乳腺癌	深度学习	卷积神经网络 (CNN)	MRI图像	385个MRI扫描，包含161个恶性病变
2	2024-08-07	The Role of a Deep-Learning Method for Negation Detection in Patient Cohort Identification from Electroencephalography Reports 2018, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:30815145	研究论文	本文研究了一种深度学习方法在从脑电图报告中识别患者队列时进行否定检测的作用	本文采用了一种神经否定检测技术，并与现有的神经极性识别系统进行了比较，结果表明该方法能产生更好的患者队列	NA	研究如何通过深度学习技术提高患者队列识别的准确性	脑电图报告中的否定检测	自然语言处理	NA	深度学习	神经网络	文本	NA
3	2024-08-07	Multi-View Graph Convolutional Network and Its Applications on Neuroimage Analysis for Parkinson's Disease 2018, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:30815157	研究论文	本文提出了一种基于图卷积网络的深度学习方法，用于融合多种脑图像模态，以预测帕金森病的关系	使用图卷积网络融合多种脑图像模态，提高了帕金森病与对照组的区分效果	未提及具体限制	开发一种新的深度学习方法，用于提高帕金森病的诊断准确性	帕金森病的脑图像分析	机器学习	帕金森病	图卷积网络 (GCN)	图卷积网络	脑图像	使用帕金森病进展标志物倡议 (PPMI) 队列
4	2024-08-07	Fast and accurate view classification of echocardiograms using deep learning 2018, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-017-0013-1 PMID:30828647	research paper	本文使用深度学习技术，特别是卷积神经网络，对267个经胸超声心动图中的静态图像和视频进行了15种标准视图的分类	本文首次展示了深度学习在复杂多视图格式超声心动图分类中的高准确性和快速性	NA	验证计算机是否能够学习识别超声心动图的视图，为全面计算机辅助超声心动图解释奠定基础	超声心动图的视图分类	computer vision	NA	深度学习	CNN	image	267个经胸超声心动图
5	2024-08-07	Scalable and accurate deep learning with electronic health records 2018, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-018-0029-1 PMID:31304302	研究论文	本文提出了一种基于Fast Healthcare Interoperability Resources (FHIR)格式的电子健康记录(EHR)表示方法，并展示了深度学习方法利用这种表示能够准确预测多中心的多项医疗事件，无需特定站点的数据协调。	本文的创新点在于提出了一种新的EHR数据表示方法，并证明了深度学习模型能够利用这种表示方法在多中心环境下进行准确预测，且性能优于传统的临床预测模型。	NA	旨在推动个性化医学和提高医疗质量，通过预测建模与EHR数据结合。	研究对象为EHR数据，特别是来自两个美国学术医疗中心的216,221名成年住院患者的数据。	机器学习	NA	深度学习	神经网络	电子健康记录	216,221名成年患者
6	2024-08-07	Automatically Linking Registered Clinical Trials to their Published Results with Deep Highway Networks 2018, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:29888040	研究论文	本文介绍了NCT Link系统，该系统利用深度学习技术自动将注册的临床试验与发表的MEDLINE文章链接起来	NCT Link系统采用了深度高速公路网络（DHN）来自动学习并估计MEDLINE文章报告临床试验结果的可能性，相较于之前的自动系统，性能提升了30%-58%	NA	解决临床试验注册中许多试验未链接到其发表结果的问题	临床试验及其发表结果的自动链接	自然语言处理	NA	深度学习	深度高速公路网络（DHN）	文本	NA
7	2024-08-07	Predicting the Outcome of Patient-Provider Communication Sequences using Recurrent Neural Networks and Probabilistic Models 2018, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:29888043	研究论文	本文研究了使用循环神经网络和概率模型预测患者与提供者沟通序列结果的问题	提出了基于循环神经网络和马尔可夫链及隐马尔可夫模型的两种解决方案，并比较了它们的准确性	需要进一步研究以验证在不同临床环境中的泛化能力	预测临床对话中患者与提供者沟通序列的结果	患者与提供者的沟通序列及其对动机访谈成功的影响	自然语言处理	NA	循环神经网络（RNN），马尔可夫链（MC），隐马尔可夫模型（HMM）	RNN，MC，HMM	文本	使用来自真实动机访谈的带行为代码的沟通序列进行实验
8	2024-08-05	Deep Learning Based Intrusion Detection With Adversaries 2018, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2018.2854599 PMID:38882674	研究论文	本论文研究了深度学习在入侵检测中的应用及其对对抗性攻击的脆弱性	首次系统性评估了最先进的攻击算法在基于深度学习的入侵检测上的表现	仅使用了NSL-KDD数据集进行实验，可能影响结果的普遍适用性	探讨深度学习在入侵检测中的性能及其脆弱性	深度学习模型在入侵检测任务中的表现和对抗性攻击	机器学习	NA	深度神经网络	NA	数据集	NSL-KDD数据集
9	2024-08-05	A resolution adaptive deep hierarchical (RADHicaL) learning scheme applied to nuclear segmentation of digital pathology images 2018, Computer methods in biomechanics and biomedical engineering. Imaging & visualization DOI:10.1080/21681163.2016.1141063 PMID:29732269	研究论文	本文提出了一种分辨率自适应深层次学习方案，以提高数字病理图像的核分割效率	创新性地结合低分辨率深度学习网络来判断是否需要高放大率，以优化计算效率和精度	未提及使用多种癌症类型或其他病理图像的评估，可能会限制方法的广泛适用性	研究深度学习在数字病理图像核分割中的应用，以提高处理效率	141个ER+乳腺癌图像的核分割任务	数字病理学	乳腺癌	深度学习	深度层次学习模型	图像	141个ER+乳腺癌图像，包含12000个核的专家标注
10	2024-08-05	Synthesizing Missing PET from MRI with Cycle-consistent Generative Adversarial Networks for Alzheimer's Disease Diagnosis 2018, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-030-00931-1_52 PMID:34355223	研究论文	提出了一种基于3D循环一致生成对抗网络合成缺失PET图像的方法，用于阿尔茨海默病的诊断	创新性地采用双阶段深度学习框架来处理缺失的PET数据，并利用3D-cGAN捕捉MRI与PET之间的潜在关系	在实验中，缺失PET数据的合成依赖于输入的MRI数据质量	旨在提高阿尔茨海默病的诊断准确性，特别是在存在缺失图像数据的情况下	研究对象主要是阿尔茨海默病患者和轻度认知障碍患者	数字病理学	阿尔茨海默病	3D循环一致生成对抗网络	深度多实例神经网络	多模态神经影像	来自ADNI数据集的多个受试者