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
41	2024-08-07	Deep Learning on 1-D Biosignals: a Taxonomy-based Survey 2018-Aug, Yearbook of medical informatics DOI:10.1055/s-0038-1667083 PMID:30157512	综述	本综述旨在回顾用于生物信号分析的深度学习技术，并推导出一个分类法来组织该领域日益增长的应用	深度学习模型如卷积神经网络（CNNs）已成功应用于医学影像，但生物医学信号分析尚未充分受益于这一新颖方法	未来的研究预计将集中在深度学习架构的标准化和网络参数的优化上，以提高性能和鲁棒性，同时需要基于应用的方法和来自移动记录的更新训练数据	回顾用于计算机辅助诊断的生物信号分析的深度学习技术，并推导出一个分类法来组织该领域的应用	生物信号分析	机器学习	NA	深度学习	CNN	生物信号	2010年至2017年间共发表了71篇相关论文，其中大多数（36篇）关于心电图（ECG）信号
42	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
43	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
44	2024-08-05	An EM-based semi-supervised deep learning approach for semantic segmentation of histopathological images from radical prostatectomies 2018-11, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2018.08.003 PMID:30243216	研究论文	该论文提出了一种基于EM的半监督深度学习方法，用于从根治性前列腺切除术的组织病理图像中进行语义分割	文中通过期望最大化方法结合外部弱标记数据集，克服了完全标注数据集稀缺的问题	模型性能依赖于大量弱标记图像的生成，可能存在标记不一致性	研究旨在提高前列腺组织病理图像的语义分割性能	研究对象为135个完全标注和1800个弱标注的组织切片	数字病理学	前列腺癌	深度学习	NA	图像	135个完全标注切片和1800个弱标注切片
45	2024-08-05	Spatial Organization and Molecular Correlation of Tumor-Infiltrating Lymphocytes Using Deep Learning on Pathology Images 2018-04-03, Cell reports IF:7.5Q1 DOI:10.1016/j.celrep.2018.03.086 PMID:29617659	研究论文	该文章展示了利用深度学习对病理图像中的肿瘤浸润淋巴细胞进行空间组织和分子相关性的映射	通过训练卷积神经网络对H&E图像进行计算染色，以获取肿瘤浸润淋巴细胞的映射，这在TCGA样本中是首次提出的	可能未能全面探索所有TCGA样本的多样性与局部空间结构的关联	研究肿瘤浸润淋巴细胞与肿瘤微环境的空间关系	分析13种TCGA肿瘤类型的肿瘤浸润淋巴细胞模式	数字病理学	NA	卷积神经网络	CNN	图像	13种TCGA肿瘤类型的样本
46	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
47	2024-08-05	Predicting tumor cell line response to drug pairs with deep learning 2018-Dec-21, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-018-2509-3 PMID:30577754	研究论文	该文章提出了一种用于预测肿瘤细胞系对药物组合反应的深度学习计算模型	提出了基于残差神经网络的新模型，能够解释94%的反应方差，并且展示了药物描述符在预测中的主要作用	需要更多细胞系的筛选数据以更有效地利用分子特征	旨在建模组合药物活性的预测	对NCI-ALMANAC数据库中的药物组合进行细胞系反应预测	机器学习	NA	深度学习	残差神经网络	NA	60个肿瘤细胞系
48	2024-08-05	Deep clustering of protein folding simulations 2018-Dec-21, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-018-2507-5 PMID:30577777	研究论文	本文探讨了使用深度学习技术对生物分子模拟进行聚类的问题	该研究采用卷积变分自编码器（CVAE）从长时间尺度的蛋白质折叠模拟中无监督地学习生物物理相关的低维潜在特征	缺乏对其他生物分子系统的适用性验证	旨在通过深度学习技术提取与复杂生物过程相关的定量见解	研究对象为三种模型蛋白质折叠系统，包括Fs肽、villin头部片段和β-β-α（BBA）蛋白	机器学习	NA	CVAE	卷积变分自编码器	模拟数据	三种蛋白质折叠系统的总采样时间超过800μs
49	2024-08-05	Autosegmentation for thoracic radiation treatment planning: A grand challenge at AAPM 2017 2018-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.13141 PMID:30144101	研究论文	本文报告了2017年美国医学物理学会年会上组织的胸部自动分割挑战的方法和结果	提供了一个基准数据集和评估平台用于胸部CT图像中风险器官的自动分割方法的表现评估	虽然出现了最佳分割结果，但各算法之间在性能上没有显著差异	研究胸部CT图像中风险器官的自动分割方法	参与挑战的算法针对左肺、右肺、心脏、食道和脊髓等风险器官	数字病理学	NA	深度学习	NA	CT图像	60个胸部CT扫描
50	2024-08-05	Deep learning to predict the lab-of-origin of engineered DNA 2018-08-07, Nature communications IF:14.7Q1 DOI:10.1038/s41467-018-05378-z PMID:30087331	研究论文	本文应用深度学习技术来预测DNA序列的来源实验室	使用卷积神经网络对来自2230个实验室的42,364个工程DNA序列进行训练，提升了来源预测的准确性	来源实验室的识别率仅为48%，而且没有单一的决定性证据来确认DNA序列与某个实验室的关联	研究基因工程技术及其可能的恶意用途，旨在提高DNA来源预测的效率	来自2230个实验室的工程DNA序列	机器学习	NA	深度学习	卷积神经网络	序列数据	42,364个工程DNA序列
51	2024-08-07	Monitoring significant ST changes through deep learning 2018 Nov - Dec, Journal of electrocardiology IF:1.3Q3 DOI:10.1016/j.jelectrocard.2018.07.026 PMID:30082087	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
52	2024-08-05	Comparing and Validating Machine Learning Models for Mycobacterium tuberculosis Drug Discovery 2018-10-01, Molecular pharmaceutics IF:4.5Q1 DOI:10.1021/acs.molpharmaceut.8b00083 PMID:29672063	研究论文	本研究比较和验证了针对分枝杆菌的机器学习模型，用于药物发现	提出了新的贝叶斯模型，与现有的深度学习模型相比显示出相似或更好的性能	仅使用了153个化合物的评估集进行模型测试，样本量可能较小	提高针对分枝杆菌的新药物发现的效率	分枝杆菌活性小分子化合物	机器学习	结核病	机器学习	贝叶斯模型	分子数据	共涉及18886个化合物和153个测试化合物
53	2024-08-05	Lamisil (terbinafine) toxicity: Determining pathways to bioactivation through computational and experimental approaches 2018-10, Biochemical pharmacology IF:5.3Q1 DOI:10.1016/j.bcp.2018.07.043 PMID:30076845	研究论文	本文研究了Lamisil（特比萘芬）引起的特异性肝毒性及其生物活化途径	通过结合计算建模和实验动力学，首次识别了导致TBF-A生成的途径，从而评估其在特异性药物不良反应中的作用	模型预测与实验研究在直接TBF-A形成的重要性上存在差异	探讨特比萘芬的代谢途径及其生成反应性代谢物TBF-A的机制	特比萘芬及其代谢产物	数字病理学	NA	计算建模和实验动力学	深度学习模型	代谢数据	使用了人肝微粒体的混合样本
54	2024-08-05	Brain Decoding from Functional MRI Using Long Short-Term Memory Recurrent Neural Networks 2018-Sep, 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_37 PMID:30320311	研究论文	本研究开发了一种基于深度学习的框架，通过LSTM递归神经网络对脑功能状态进行解码	利用LSTM RNN模型，基于个体特定的内在功能网络提取功能特征进行脑解码，克服了以往研究的局限	关于不同认知过程的特定时间点和时间窗口处理可能不够灵活	研究脑功能状态与不同认知过程之间的解码	任务功能成像数据中提取的功能特征	计算机视觉	NA	功能性核磁共振成像	LSTM	图像	使用HCP数据集中的任务fMRI数据进行评估
55	2024-08-05	Identification of Temporal Transition of Functional States Using Recurrent Neural Networks from Functional MRI 2018-Sep, 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_27 PMID:30320310	研究论文	本研究开发了一种基于深度学习的框架，用于自适应检测功能状态的动态转变	提出了一种在没有任何明确建模假设的情况下，采用递归神经网络进行时间序列建模以检测功能状态的变化	所提出的方法可能对不同类型的 fMRI 数据效果不一	了解支持不同认知过程的大脑功能活动	使用人类连接组项目获取的任务和静息态 fMRI 数据	数字病理学	NA	深度学习	递归神经网络 (RNN)	功能性磁共振成像 (fMRI) 数据	使用来自人类连接组项目的任务和静息态 fMRI 数据
56	2024-08-05	Detecting Depression Severity by Interpretable Representations of Motion Dynamics 2018-May, Proceedings of the ... International Conference on Automatic Face and Gesture Recognition. IEEE International Conference on Automatic Face & Gesture Recognition DOI:10.1109/FG.2018.00116 PMID:30271308	研究论文	本文开发了一种可解释的方法，自动测量抑郁症的严重程度	使用面部标志的重心坐标和基于李代数的3D头部运动旋转矩阵，使深度学习具有可解释性	未提及具体局限性	研究抑郁症的严重程度测量方法	患有慢性抑郁症史的成年人	机器学习	抑郁症	高斯混合模型（GMM）和Fisher向量编码	多类SVM	面部和头部运动动态数据	涉及慢性抑郁症史的成年人，具体样本量未提及
57	2024-08-05	Image analysis and machine learning for detecting malaria 2018-04, Translational research : the journal of laboratory and clinical medicine IF:6.4Q1 DOI:10.1016/j.trsl.2017.12.004 PMID:29360430	研究论文	本文概述了用于显微镜疟疾诊断的图像分析和机器学习方法	介绍了深度学习和智能手机技术在未来疟疾诊断中的最新进展	未提及具体的局限性	改善疟疾诊断以减少死亡率	显微镜血液涂片中的寄生虫计数	计算机视觉	疟疾	图像分析软件和机器学习方法	深度学习	图像	未提及样本大小
58	2024-08-05	NON-RIGID IMAGE REGISTRATION USING SELF-SUPERVISED FULLY CONVOLUTIONAL NETWORKS WITHOUT TRAINING DATA 2018-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/ISBI.2018.8363757 PMID:30079127	研究论文	提出了一种基于全卷积网络(FCN)的新颖非刚性图像配准算法	与大多数现有的深度学习图像配准方法不同，我们的方法在无训练数据的情况下直接估计空间变换	未提及此方法在其他类型图像上的表现	优化和学习待配准图像对之间的空间变换	3D结构脑磁共振(MR)图像	计算机视觉	NA	自监督学习	全卷积网络(FCN)	图像	NA
59	2024-08-05	Fully Convolutional Neural Networks Improve Abdominal Organ Segmentation 2018-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2293751 PMID:29887665	研究论文	本研究评估全卷积神经网络在T2加权磁共振成像中进行腹部器官分割的适用性	该研究展示了全卷积神经网络在腹部MRI分割中的应用，提供了深度学习相对于经典多图谱方法的优势	研究中使用的训练数据相对有限，且FCNN模型未经过特定训练	研究的目的是改进腹部器官在MRI上的分割效果	研究对象为T2加权MRI中的腹部器官，包括肝脏、脾脏等	计算机视觉	脾肿大	全卷积神经网络（FCNN）	FCNN	医学影像	研究涉及45个T2加权MRI（训练36张，测试9张）和138个T2加权MRI（标记胰腺）
60	2024-08-05	Learning Implicit Brain MRI Manifolds with Deep Learning 2018-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2293515 PMID:29887659	研究论文	本研究利用深度学习技术探讨正常大脑的隐式流形并生成新的高质量图像	通过使用生成对抗网络（GAN）进行无监督的T1加权脑MRI合成，克服了以往研究对明确相似性度量的假设限制	可能在合成和去噪过程中存在对于特定样本的假设偏差，未考虑所有大脑MRI的多样性	研究脑MRI图像的隐式流形，从而改善图像处理技术	528个2D轴切片的脑MRI样本	计算机视觉	NA	生成对抗网络（GAN）和自编码器	GAN和具有跳跃连接的自编码器	图像	528个脑MRI的2D轴切片