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	2024-08-25	Quanti.us: a tool for rapid, flexible, crowd-based annotation of images 2018-08, Nature methods IF:36.1Q1 DOI:10.1038/s41592-018-0069-0 PMID:30065368	研究论文	介绍Quanti.us，一个基于众包的图像标注平台，提供了一种比计算算法更准确的图像分析问题解决方案	Quanti.us能够在图像分析任务中实现10-50倍的分析时间节省，且与专家标注相比，其深度学习性能相当	NA	开发一种快速、灵活的图像标注工具，以替代传统的计算算法	图像标注平台Quanti.us的性能和效率	计算机视觉	NA	深度学习	NA	图像	多种中通量图像分析任务
2	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
3	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
4	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
5	2024-08-05	Voxel Deconvolutional Networks for 3D Brain Image Labeling 2018-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining DOI:10.1145/3219819.3219974 PMID:30906620	研究论文	本文提出了一种用于3D脑图像标记的体素反卷积层（VoxelDCL）来解决反卷积层中的棋盘伪影问题	首次在3D空间中提出体素反卷积层以解决反卷积层的棋盘伪影问题，并在U-Net架构上构建了多种变体的体素反卷积网络	该研究主要集中于解决3D空间中的棋盘伪影问题，未深入探讨其他可能的图像处理问题	提高3D脑图像标记的准确性	使用ADNI和LONI LPBA40数据集进行3D脑图像标记任务	计算机视觉	NA	反卷积	U-Net	图像	使用ADNI和LONI LPBA40数据集
6	2024-08-05	Colour and illumination in computer vision 2018-Aug-06, Interface focus IF:3.6Q1 DOI:10.1098/rsfs.2018.0008 PMID:29951188	评论	本文回顾了光照估计的历史和当前算法，并质疑深度学习在这一问题上的有效性	提出了一种基于单纯光照估计算法的最终偏差修正阶段的新方法，强调以曝光不变的方式进行偏差修正	未详细探讨其他算法的应用场景和比较数据	旨在改善计算机视觉中的光照估计准确性和效率	光照估计算法的理论和应用	计算机视觉	NA	NA	NA	图像	NA