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	2024-11-10	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
2	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
3	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
4	2024-08-05	An Algorithm Based on Deep Learning for Predicting In-Hospital Cardiac Arrest 2018-06-26, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.118.008678 PMID:29945914	研究论文	本研究提出了一种基于深度学习的预警系统，用于预测院内心脏骤停	该系统表现出比现有的传统追踪和触发系统更高的性能，具有更高的敏感性和更低的误报警率	此研究基于回顾性队列，样本来源于两家医院，可能存在外部有效性限制	研究旨在提高对院内心脏骤停的预测能力	研究对象为2010年6月至2017年7月期间住院的患者共52,131例	机器学习	心脏疾病	深度学习	循环神经网络	医疗数据	52,131名患者