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	2024-11-11	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
2	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
3	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
4	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