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	2024-08-07	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
2	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
3	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）
4	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