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
21	2024-08-23	Brain MRI analysis for Alzheimer's disease diagnosis using an ensemble system of deep convolutional neural networks 2018-May-31, Brain informatics DOI:10.1186/s40708-018-0080-3 PMID:29881892	研究论文	本文提出了一种使用深度卷积神经网络的集成系统，用于通过脑部MRI数据分析阿尔茨海默病的诊断	本文模型能够识别阿尔茨海默病的不同阶段，并在早期诊断中获得更优越的性能	NA	旨在通过脑部MRI数据分析提高阿尔茨海默病的诊断准确性	阿尔茨海默病的诊断及其不同阶段	计算机视觉	阿尔茨海默病	深度学习	CNN	MRI图像	使用了Open Access Series of Imaging Studies数据集
22	2024-08-14	Deep learning in the cross-time frequency domain for sleep staging from a single-lead electrocardiogram 2018-12-21, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aaf339 PMID:30524025	研究论文	本研究使用心电图（ECG）中的节拍检测、时频域中的心肺耦合以及深度卷积神经网络（CNN）来分类睡眠阶段	提出的基于ECG的睡眠阶段分类方法在非脑电图数据上取得了最高报告结果，并使用了比先前研究大十倍的数据集	NA	从单导联心电图中分类睡眠阶段	睡眠阶段（清醒、快速眼动睡眠、非快速眼动浅睡眠和非快速眼动深睡眠）	机器学习	NA	深度卷积神经网络（CNN）	CNN	心电图（ECG）数据	使用了MIT-BIH多导睡眠图数据库（SLPDB）、PhysioNet/计算心脏病学挑战2018数据库（CinC2018）和睡眠心脏健康研究（SHHS）数据库
23	2024-08-06	Early Prediction of Acute Kidney Injury in Critical Care Setting Using Clinical Notes 2018-Dec, Proceedings. IEEE International Conference on Bioinformatics and Biomedicine DOI:10.1109/bibm.2018.8621574 PMID:33376624	research paper	本文探讨了在重症监护中使用临床笔记早期预测急性肾损伤的方法	开发了数据驱动的预测模型，利用临床笔记生成有意义的词汇和概念表示	研究可能依赖于特定医院的临床记录数据，限制了外部验证	旨在提前识别有急性肾损伤风险的重症患者	重症监护病房的急性肾损伤患者	自然语言处理	急性肾损伤	NLP	监督学习分类器和知识引导的深度学习架构	临床笔记	使用重症监护单位入院后24小时内的临床笔记
24	2024-08-07	DBN Structure Design Algorithm for Different Datasets Based on Information Entropy and Reconstruction Error 2018-Dec-04, Entropy (Basel, Switzerland) DOI:10.3390/e20120927 PMID:33266651	研究论文	本文提出了一种基于信息熵和重构误差的深度信念网络（DBN）结构设计算法	该算法创新性地结合了网络深度和节点数量，并同时对其进行优化	NA	旨在为不同数据集设计合适的DBN结构	DBN的结构设计	机器学习	NA	深度学习技术	深度信念网络（DBN）	图像	使用了三个公共数据集（MNIST, Cifar-10 和 Cifar-100）
25	2024-08-07	High-fidelity phenotyping: richness and freedom from bias 2018-Mar-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocx110 PMID:29040596	研究论文	本文探讨了电子健康记录表型分析的丰富性和偏差减少	提出从二元分配转向更丰富的表征研究，并探索新的时间方向和抽象表征，包括深度学习	健康护理过程产生的偏差被视为噪音，未被明确研究	研究如何提高电子健康记录表型分析的保真度，包括丰富性和减少偏差	电子健康记录数据及其在表型分析中的应用	生物医学信息学	NA	深度学习	NA	电子健康记录数据	NA
26	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
27	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
28	2024-08-07	Adaptive template generation for amyloid PET using a deep learning approach 2018-09, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.24210 PMID:29752765	研究论文	本研究利用深度神经网络生成个体化的PET模板，以实现无需配准解剖磁共振成像的阿尔茨海默病评估中的淀粉样PET图像的精确空间归一化	提出了一种无需使用匹配的3D MRI图像，通过深度学习方法生成个体化PET模板的新技术，显著提高了MRI-less淀粉样PET评估的定量准确性	NA	开发一种新的方法，用于在无需3D MRI的情况下，对淀粉样PET图像进行空间归一化，以提高临床实践和研究中的分析效率	淀粉样PET图像的空间归一化	机器学习	阿尔茨海默病	深度神经网络	卷积自编码器（CAE）和生成对抗网络（GAN）	图像	使用了681对同时获取的C-PIB PET和T1加权3D MRI扫描数据，以及通过旋转527个随机选择的数据显示生成的685,100个增强数据进行训练，并用154个数据集进行验证
29	2024-08-07	Extracting psychiatric stressors for suicide from social media using deep learning 2018-07-23, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-018-0632-8 PMID:30066665	研究论文	本研究旨在利用深度学习方法从社交媒体Twitter中提取与自杀相关的心理压力源	首次尝试使用深度学习方法从Twitter数据中提取心理压力源，并通过转移学习策略利用现有临床文本注释数据集	NA	探索识别Twitter上与自杀相关的心理压力源的技术	Twitter上的自杀相关推文	机器学习	NA	深度学习	卷积神经网络（CNN）和循环神经网络（RNN）	文本	包含自杀相关推文的Twitter数据集
30	2024-08-07	Latent source mining in FMRI via restricted Boltzmann machine 2018-06, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.24005 PMID:29457314	研究论文	本文提出了一种基于受限玻尔兹曼机（RBM）的盲源分离（BSS）方法，用于功能性磁共振成像（fMRI）时间序列分析，以提高脑网络识别的准确性	该方法通过将RBM应用于fMRI时间序列而非体积，显著降低了模型复杂性并提高了训练集规模，从而提升了训练效率	NA	探索RBM在大型fMRI数据中挖掘复杂结构的能力，并评估其在fMRI数据分析中作为深层模型构建块的潜力	fMRI数据中的脑网络识别	机器学习	NA	受限玻尔兹曼机（RBM）	RBM	时间序列	基于Human Connectome Project（HCP）数据集
31	2024-08-07	Deep Leaning Based Multi-Modal Fusion for Fast MR Reconstruction 2018-Nov-29, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2018.2883958 PMID:30507491	研究论文	本文提出了一种基于深度学习的多模态融合方法，用于快速磁共振成像重建	首次通过深度学习融合多模态磁共振成像数据以加速特定目标图像的重建	NA	加速磁共振成像过程并减少运动伪影	T1加权图像和欠采样的T2加权图像	计算机视觉	NA	深度学习	Dense-Unet	图像	3D T2加权图像体积，欠采样率为8
32	2024-08-07	Deep Learning for Drug Design: an Artificial Intelligence Paradigm for Drug Discovery in the Big Data Era 2018-03-30, The AAPS journal DOI:10.1208/s12248-018-0210-0 PMID:29603063	综述	本文综述了深度学习方法在药物设计中的应用，特别是卷积神经网络、循环神经网络和深度自编码网络等主流架构在监督学习和非监督学习中的应用	深度学习方法在药物设计领域的应用相较于传统机器学习算法具有更大的潜力	深度学习方法在药物发现和开发领域尚未得到广泛认可，仍需进一步的研究和应用推广	探讨深度学习在药物设计中的应用及其面临的挑战	深度学习方法及其在药物设计中的应用	机器学习	NA	深度学习	CNN, RNN, DAENs	小分子数据	NA
33	2024-08-07	How to Agree on a CTC: Evaluating the Consensus in Circulating Tumor Cell Scoring 2018-12, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.23576 PMID:30246927	研究论文	本文介绍了一种开源的循环肿瘤细胞（CTC）评分工具，用于评估不同审查者之间的一致性并促进CTC分类的共识	引入了开源CTC评分工具，并展示了深度学习技术在CTC计数中的应用前景	需要进一步研究以提高计算机识别CTC的准确性	评估循环肿瘤细胞计数的准确性和机构间比较的可行性	循环肿瘤细胞（CTC）的计数和分类	数字病理学	NA	深度学习	NA	图像	100张图像，来自两个不同的平台，由15名审查者和一个专家小组评估
34	2024-08-07	Deep learning and virtual drug screening 2018-11, Future medicinal chemistry IF:3.2Q3 DOI:10.4155/fmc-2018-0314 PMID:30288997	研究论文	本文探讨了虚拟筛选（VS）与机器学习（ML）的结合，特别是人工神经网络（ANNs）在虚拟筛选中的应用	介绍了使用人工神经网络进行结构基础和配体基础的虚拟筛选，并讨论了如dropout、多任务学习和卷积等技术如何提高ANNs的性能	NA	提高药物发现的效率和准确性	化合物库的虚拟筛选	机器学习	NA	人工神经网络（ANNs）	ANN	化合物数据	NA
35	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
36	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
37	2024-08-07	Spatial mapping with Gaussian processes and nonstationary Fourier features 2018-Dec, Spatial statistics IF:2.1Q1 DOI:10.1016/j.spasta.2018.02.002 PMID:31008043	研究论文	本文通过利用傅里叶特征表示、高斯过程和神经网络之间的联系，提出了一种简单高效的框架，用于从数据中直接学习任意复杂的非平稳核函数	本文引入了一种更通用的非平稳核函数表示方法，扩展了简单线性加法方法到具有更高阶交互的非线性方法	NA	开发一种新的框架，用于学习复杂的非平稳核函数，同时避免过拟合并提高泛化性能	时间序列数据集和东非地表温度遥感问题	机器学习	NA	高斯过程和非平稳傅里叶特征	高斯过程	时间序列数据和遥感数据	具体样本数量未在摘要中提及
38	2024-08-07	Interpretable Representation Learning for Healthcare via Capturing Disease Progression through Time 2018-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining DOI:10.1145/3219819.3219904 PMID:31037221	研究论文	本文提出了一种名为Timeline的可解释深度学习模型，用于通过捕捉疾病的时间进展来学习医疗保健的可解释表示	Timeline模型具有学习每个医疗代码时间衰减因子的机制，能够区分慢性条件和急性条件对未来访问的不同影响，并使用注意力机制改进访问的向量嵌入	NA	通过捕捉疾病的时间进展来提高电子健康记录预测模型的准确性和可解释性	电子健康记录数据中的医疗索赔数据	机器学习	NA	深度学习	RNN	文本	两个大规模真实世界数据集
39	2024-08-07	Automatic Detection of the Inner Ears in Head CT Images Using Deep Convolutional Neural Networks 2018-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2293383 PMID:31007337	研究论文	本文提出了一种基于深度卷积神经网络的方法，用于自动检测头部CT图像中的内耳	该方法能够自动检测CT图像中是否包含两只耳朵、一只耳朵或没有耳朵，提高了编程策略的效率	目前缺乏标准的图像采集协议，导致需要视觉检查和标记来初始化处理流程	旨在实现图像引导的耳蜗植入编程技术的临床部署	头部CT图像中的内耳检测	计算机视觉	NA	深度学习	CNN	图像	超过2,000个CT图像，来自153名患者
40	2024-08-07	DeepSSM: A Deep Learning Framework for Statistical Shape Modeling from Raw Images 2018-Sep, Shape in medical imaging : International Workshop, ShapeMI 2018, held in conjunction with MICCAI 2018, Granada, Spain, September 20, 2018 : proceedings. ShapeMI (Workshop) (2018 : Granada, Spain) DOI:10.1007/978-3-030-04747-4_23 PMID:30805572	研究论文	提出了一种名为DeepSSM的深度学习框架，用于直接从3D图像中提取低维形状表示，无需参数调整或用户协助	DeepSSM使用卷积神经网络（CNN）同时定位感兴趣的生物结构、建立对应关系，并将这些点投影到点分布模型中的低维形状表示中。此外，提出了一种新的数据增强程序，利用少量处理过的图像上的现有对应关系创建可信的训练样本	需要验证DeepSSM在更多应用场景中的有效性和泛化能力	开发一种无需复杂预处理操作的统计形状建模方法	儿童颅骨CT、股骨CT和左心房MRI图像	计算机视觉	NA	卷积神经网络（CNN）	CNN	3D图像	利用40-50个CT/MRI扫描生成数千个训练图像