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	Hand Gesture Recognition in Automotive Human⁻Machine Interaction Using Depth Cameras 2018-Dec-24, Sensors (Basel, Switzerland) DOI:10.3390/s19010059 PMID:30586882	综述	本文综述了使用深度摄像头进行手势识别在汽车人机交互中的应用，特别是基于飞行时间传感器的深度数据的机器学习方法	提出了一个新的基准数据集REHAP，包含超过一百万个独特的三维手势样本	NA	探讨在汽车人机交互中使用深度摄像头进行手势识别的机器学习方法	手势识别	计算机视觉	NA	飞行时间传感器	卷积神经网络（CNN）、长短期记忆网络（LSTM）	深度数据	超过一百万个独特的三维手势样本
2	2025-02-21	Deep Neural Network Based Predictions of Protein Interactions Using Primary Sequences 2018-Aug-01, Molecules (Basel, Switzerland) DOI:10.3390/molecules23081923 PMID:30071670	研究论文	本文介绍了一种基于深度神经网络的蛋白质相互作用预测框架（DNN-PPI），仅使用蛋白质一级序列进行自动特征学习	提出了一种新的深度神经网络框架，能够自动从蛋白质一级序列中学习特征，避免了传统方法中繁琐的特征工程	模型的过拟合和泛化能力在大多数场景中尚未得到充分研究	大规模预测蛋白质-蛋白质相互作用，以深入了解蛋白质功能、疾病发生和治疗设计	蛋白质一级序列	机器学习	NA	深度学习	CNN, LSTM	序列数据	Pan的人类PPI数据集及六个外部数据集
3	2025-02-21	Automatic detection and classification of marmoset vocalizations using deep and recurrent neural networks 2018-07, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/1.5047743 PMID:30075670	研究论文	本文研究了使用大规模狨猴发声数据集和深度学习技术自动检测和分类狨猴发声的方法	本文创新性地将深度神经网络（DNN）和长短期记忆循环神经网络（LSTM-RNN）应用于狨猴发声的检测和分类，并与传统的基于规则的检测方法和支持向量机（SVM）分类算法进行了比较	实验数据仅来自四对狨猴双胞胎，样本量相对较小，可能影响模型的泛化能力	自动检测和分类狨猴发声	狨猴发声	自然语言处理	NA	深度学习	DNN, LSTM-RNN, SVM	音频	1500分钟的音频数据，来自四对狨猴双胞胎
4	2025-02-21	FPGA implementation of deep-learning recurrent neural networks with sub-millisecond real-time latency for BCI-decoding of large-scale neural sensors (104 nodes) 2018-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.2018.8512415 PMID:30440576	研究论文	本文展示了一种基于FPGA的LSTM RNN实现，用于在名为'NeuroCoder'的移动低功耗嵌入式系统平台上解码10,000个神经数据通道	开发了一种能够在移动低功耗嵌入式系统平台上实现亚毫秒级实时延迟的FPGA实现，用于解码大规模神经数据	研究仅提供了在模拟10,000个神经通道上解码20维频谱时间表示的证明，未涉及实际神经数据的验证	开发低延迟实时神经解码系统，用于下一代脑机接口在复杂人类任务中的应用	大规模神经传感器数据（10,000个通道）	机器学习	NA	FPGA实现	LSTM RNN	神经数据	模拟10,000个神经通道
5	2025-02-21	A deep learning framework for causal shape transformation 2018-Feb, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2017.12.003 PMID:29301111	研究论文	本文提出了一种结合卷积神经网络（CNN）和堆叠自编码器（SAE）的混合架构，用于学习一系列因果动作，将输入视觉模式或分布非线性转换为具有相同支持的目标视觉模式或分布	提出了一种新的混合架构，结合CNN和SAE，用于解决高维一对多逆映射问题，特别是在微流体流动塑造中的应用	该方法主要适用于可见域中的状态转换，可能不适用于依赖潜在域的问题	研究如何利用深度学习解决高维物理问题，特别是在材料科学和医学生物学中的多步拓扑变换	微流体流动塑造中的高维一对多逆映射问题	机器学习	NA	深度学习	CNN, SAE	图像	NA
6	2024-11-15	Pulmonary Artery-Vein Classification in CT Images Using Deep Learning 2018-11, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2018.2833385 PMID:29993996	研究论文	本文提出了一种基于深度学习的肺动脉和肺静脉在CT图像中的自动分类方法	本文提出了一种新的全自动方法，通过三步流程（尺度空间粒子分割、3D卷积神经网络分类和图割优化）来分类肺动脉和肺静脉，并展示了其优于现有方法的性能	本文仅在18个临床病例的非对比CT扫描上进行了训练和评估，未来需要在更大样本量和更多类型的CT扫描上进行验证	开发一种自动化的方法来区分CT图像中的肺动脉和肺静脉，以辅助医生进行病理诊断	肺动脉和肺静脉在CT图像中的分类	计算机视觉	肺部疾病	3D卷积神经网络	CNN	图像	18个临床病例的非对比胸部CT扫描
7	2024-11-12	Towards a Scalable Software Defined Network-on-Chip for Next Generation Cloud 2018-Jul-18, Sensors (Basel, Switzerland) DOI:10.3390/s18072330 PMID:30021975	研究论文	本文提出了一种可扩展的软件定义片上网络（SDNoC）架构，以支持下一代云计算中的高效和可扩展系统	本文的创新点在于结合了分层片上网络拓扑（如环形和2D网格拓扑）与动态重配置的优势，并引入了数据驱动的编程执行模型，以支持深度学习应用	本文未详细讨论在实际部署中可能遇到的硬件和软件兼容性问题	研究目的是设计一种可扩展且高效的片上网络架构，以支持云计算中的各种应用需求	研究对象包括片上网络的拓扑结构、动态重配置机制以及数据驱动的编程执行模型	计算机网络	NA	片上网络（NoC）	NA	NA	实验中使用了最多1024个处理核心（PEs）进行对比测试
8	2024-11-11	Sixty-five years of the long march in protein secondary structure prediction: the final stretch? 2018-05-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbw129 PMID:28040746	研究论文	本文回顾了蛋白质二级结构预测65年的发展历程，并探讨了当前的技术进步和未来发展方向	本文介绍了最新的深度学习技术在蛋白质二级结构预测中的应用，并提出了预测蛋白质骨架扭转角和Cα原子角度及扭转角的新方法	本文未详细讨论现有方法的具体局限性	探讨蛋白质二级结构预测的最新进展和未来发展方向	蛋白质二级结构预测	生物信息学	NA	深度学习	NA	蛋白质序列和结构数据	1199个非冗余蛋白质的数据库
9	2024-11-10	DeFine: deep convolutional neural networks accurately quantify intensities of transcription factor-DNA binding and facilitate evaluation of functional non-coding variants 2018-06-20, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gky215 PMID:29617928	研究论文	本文介绍了一种基于深度学习的模型DeFine，用于准确量化转录因子与DNA结合的强度，并评估非编码变异的功能影响	DeFine模型不仅能够准确分类转录因子与DNA的结合与否，还能预测实值的结合强度，从而评估变异的功能影响	NA	开发一种能够准确预测转录因子与DNA结合强度并评估非编码变异功能影响的工具	转录因子与DNA结合的强度以及非编码变异的功能影响	机器学习	NA	深度学习	卷积神经网络	序列数据	利用大规模的转录因子ChIP-seq数据进行模型训练和验证
10	2024-10-11	Visualizing histopathologic deep learning classification and anomaly detection using nonlinear feature space dimensionality reduction 2018-05-16, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-018-2184-4 PMID:29769044	研究论文	本文利用t-SNE技术降低特征空间的维度，展示卷积神经网络（CNN）在组织病理学中的分类和异常检测	开发了一种量化和透明的方法，在softmax压缩之前可视化分类决策，并使用t-SNE图上的类间关系进行统计驱动的多类分类	NA	探索如何利用深度学习在组织病理学中进行计算机视觉，并开发更通用的工具来可视化基于组织学的深度学习推断和决策	组织病理学图像的分类和异常检测	数字病理学	NA	t-SNE	CNN	图像	NA
11	2024-10-11	Deep Learning in Nuclear Medicine and Molecular Imaging: Current Perspectives and Future Directions 2018-Apr, Nuclear medicine and molecular imaging IF:1.3Q3 DOI:10.1007/s13139-017-0504-7 PMID:29662559	综述	本文综述了深度学习在核医学和分子影像学中的应用现状及未来发展方向	探讨了深度学习在分子影像学中的独特应用，特别是生物标志物开发方面	未提及具体的技术细节或实验结果	介绍深度学习在分子影像学中的应用，并讨论其对临床决策和专家角色的潜在影响	核医学和分子影像学中的深度学习应用	计算机视觉	NA	深度学习	NA	图像	NA
12	2024-10-11	Opportunities and obstacles for deep learning in biology and medicine 2018-04, Journal of the Royal Society, Interface DOI:10.1098/rsif.2017.0387 PMID:29618526	研究论文	本文探讨了深度学习在生物学和医学领域的应用及其面临的机遇和挑战	深度学习在生物医学领域的应用显示出有希望的进展，尽管改进相对温和，但提供了加速或辅助人类研究的有价值手段	深度学习尚未彻底改变生物医学领域，且在解释模型预测、数据标注不足以及法律和隐私限制方面存在挑战	探讨深度学习在生物医学领域的应用潜力及其面临的挑战	深度学习在患者分类、基本生物过程和患者治疗中的应用	机器学习	NA	深度学习	神经网络	数据	NA
13	2024-10-11	Predicting sex from brain rhythms with deep learning 2018-02-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-018-21495-7 PMID:29449649	研究论文	本文探讨了使用深度卷积神经网络从脑电图中预测性别的可行性	首次展示了深度神经网络能够从脑电图中提取性别特异性信息，准确率超过80%	NA	探索脑电图中的性别特异性信息	脑电图数据	机器学习	NA	深度卷积神经网络	CNN	脑电图	NA
14	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
15	2024-10-04	Modeling positional effects of regulatory sequences with spline transformations increases prediction accuracy of deep neural networks 2018-04-15, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btx727 PMID:29155928	研究论文	本文开发了一种基于样条变换的神经网络模块，用于灵活且稳健地建模距离，显著提高了深度神经网络对体内RNA结合蛋白结合位点的预测准确性	提出了样条变换方法，用于在深度神经网络中建模基因组地标之间的相对距离，相比传统的分段线性变换，样条变换在预测准确性、训练速度和鲁棒性方面表现更优	NA	提高深度神经网络对基因调控序列的预测准确性	RNA结合蛋白结合位点和人类剪接分支点	机器学习	NA	深度学习	深度神经网络	基因组数据	123种蛋白质中的120种
16	2024-09-14	[Computer-aided diagnosis of Parkinson's disease based on the stacked deep polynomial networks ensemble learning framework] 2018-12-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.201709030 PMID:30583319	研究论文	本文提出了一种基于堆叠深度多项式网络（SDPN）的集成学习框架，用于帕金森病（PD）的计算机辅助诊断（CAD）	引入了一种新的监督深度学习算法——深度多项式网络（DPN），并在此基础上构建了堆叠DPN（SDPN）集成学习框架，显著提高了小数据集上的诊断准确性	NA	提高基于磁共振成像（MRI）的帕金森病计算机辅助诊断的准确性	帕金森病（PD）的诊断	计算机视觉	神经退行性疾病	深度学习	深度多项式网络（DPN）	图像	使用了Parkinson's Progression Markers Initiative数据集（PPMI）中的MRI图像数据
17	2024-09-14	[Research of electroencephalography representational emotion recognition based on deep belief networks] 2018-04-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.201706035 PMID:29745522	研究论文	本文利用深度信念网络（DBN）模型处理脑电图（EEG）信号，识别情绪状态（积极、消极和中性），并与支持向量机（SVM）进行比较	本文首次在开源深度学习框架中使用DBN模型进行情绪识别，并发现DBN在分类准确性和稳定性上优于传统的SVM	研究仍需进一步深入，以建立更准确的情绪识别系统	探索深度学习算法在情绪识别中的应用，提高分类器的性能	脑电图（EEG）信号的情绪状态识别	机器学习	NA	深度信念网络（DBN）	深度信念网络（DBN）	脑电图（EEG）信号	不同情绪刺激下的受试者脑电图信号
18	2024-09-05	Model-Based Learning for Accelerated, Limited-View 3-D Photoacoustic Tomography 2018-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2018.2820382 PMID:29870367	研究论文	本文提出了一种专门设计用于从有限光声测量中提供高分辨率3D图像的深度神经网络	网络设计为迭代方案，并结合了数据拟合的梯度信息以补偿有限视图伪影	NA	加速有限视图3D光声断层成像	光声测量数据	计算机视觉	NA	深度学习	深度神经网络	图像	一组来自肺部CT扫描的分段血管及体内光声测量数据
19	2024-08-28	Towards machine learned quality control: A benchmark for sharpness quantification in digital pathology 2018-04, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2017.09.001 PMID:29241972	研究论文	本文介绍了一种用于模糊检测的基准数据集，并比较了当前最先进的清晰度描述符及其在随机森林框架内的预测性能，同时展示了卷积神经网络如残差网络可以从头开始训练模糊检测器。	提出了一个用于模糊检测的基准数据集，并展示了卷积神经网络在训练模糊检测器方面的应用，以及在临床设置中测试了该框架，显示出优于现有质量控制流程的性能。	未提及具体限制。	旨在解决数字病理学中高吞吐量扫描的质量控制问题。	数字病理学中的模糊区域检测。	数字病理学	NA	卷积神经网络	CNN	图像	未提及具体样本数量。
20	2024-08-25	Quanti.us: a tool for rapid, flexible, crowd-based annotation of images 2018-08, Nature methods IF:36.1Q1 DOI:10.1038/s41592-018-0069-0 PMID:30065368	研究论文	介绍Quanti.us，一个基于众包的图像标注平台，提供了一种比计算算法更准确的图像分析问题解决方案	Quanti.us能够在图像分析任务中实现10-50倍的分析时间节省，且与专家标注相比，其深度学习性能相当	NA	开发一种快速、灵活的图像标注工具，以替代传统的计算算法	图像标注平台Quanti.us的性能和效率	计算机视觉	NA	深度学习	NA	图像	多种中通量图像分析任务