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	2024-12-17	Machine Learning and Deep Learning Approaches in Breast Cancer Survival Prediction Using Clinical Data 2019, Folia biologica IF:1.1Q4 DOI:10.14712/fb2019065050212 PMID:32362304	研究论文	本研究使用机器学习和深度学习方法，基于4902名患者的临床数据预测乳腺癌生存率	本研究测试了深度学习算法以提高预测模型的准确性，并发现肿瘤大小是乳腺癌生存预测的最重要特征	参数配置和数据转换等因素会影响预测模型的准确性	提高乳腺癌生存预测的准确性	乳腺癌患者的生存率	机器学习	乳腺癌	机器学习、深度学习	多层感知器（MLP）、随机森林（RF）、决策树（DT）、支持向量机（SVM）	临床数据	4902名患者
2	2024-12-06	Using unfolding case studies to better prepare the public health nutrition workforce to address the social determinants of health 2019-01, Public health nutrition IF:3.0Q2 DOI:10.1017/S1368980018002811 PMID:30394260	研究论文	本研究测试了展开案例研究方法对公共卫生营养工作队伍在改善营养食品获取方面的支持能力	提出了一种展开案例研究方法，以支持公共卫生营养工作队伍应对社会决定因素	需要进一步研究展开案例研究在课程中的应用如何影响公共卫生营养实践的准备情况	测试展开案例研究方法对公共卫生营养工作队伍的支持能力	公共卫生营养工作队伍和营养与饮食学本科生	NA	NA	NA	NA	NA	38名本科营养与饮食学学生
3	2024-11-23	Convolutional neural network scoring and minimization in the D3R 2017 community challenge 2019-01, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-018-0133-y PMID:29992528	研究论文	本文评估了基于卷积神经网络（CNN）的评分函数在药物发现领域中执行常见任务的能力	本文提出了一种基于CNN的评分函数，并在D3R 2017社区挑战中进行了评估，发现其在多个虚拟筛选任务中表现优异	CNN在某些任务中表现不佳，特别是在Cathepsin S的从头对接任务中	评估基于CNN的评分函数在药物发现中的应用效果	评估CNN评分函数在识别配体姿态和分类活性或非活性配体方面的能力	机器学习	NA	卷积神经网络（CNN）	CNN	结构信息	涉及D3R 2017社区挑战中的多个任务和配体
4	2024-11-15	Learning from Longitudinal Data in Electronic Health Record and Genetic Data to Improve Cardiovascular Event Prediction 2019-01-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-018-36745-x PMID:30679510	研究论文	本研究利用电子健康记录和基因数据中的纵向数据，应用机器学习和深度学习模型来预测心血管事件	本研究首次将纵向电子健康记录和基因数据结合，通过后期融合方法进一步提高心血管事件预测的准确性	本研究仅限于特定人群和特定时间段的数据，可能无法推广到其他人群或更长时间段	提高心血管事件预测的准确性	心血管疾病事件	机器学习	心血管疾病	NA	卷积神经网络 (CNN) 和长短期记忆网络 (LSTM)	电子健康记录和基因数据	109,490 名个体
5	2024-11-06	A collaborative computer aided diagnosis (C-CAD) system with eye-tracking, sparse attentional model, and deep learning 2019-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2018.10.010 PMID:30399507	研究论文	本文开发了一种名为协作计算机辅助诊断（C-CAD）的系统，结合了眼动追踪、稀疏注意力模型和深度学习技术，以帮助放射科医生提高诊断准确性	本文提出了一种新的基于图的聚类和稀疏化算法，将眼动追踪数据转化为图模型，以定量和定性解释注视模式	本文未详细讨论系统的实际部署和长期使用中的潜在问题	开发一种能够结合眼动追踪和计算机辅助诊断系统的创新方法，以提高放射科医生的诊断效率和准确性	放射科医生在低剂量胸部CT和多参数磁共振成像（mp-MRI）中的诊断行为	计算机视觉	肺部疾病	眼动追踪、深度学习	图模型、多任务学习平台	图像	多个放射科医生参与的肺癌筛查实验
6	2024-10-10	A feasibility study on an automated method to generate patient-specific dose distributions for radiotherapy using deep learning 2019-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.13262 PMID:30367492	研究论文	研究开发了一种基于深度学习技术的自动化方法，用于生成放射治疗中的患者个性化剂量分布	提出了将辐射几何信息添加到输入中以提高剂量分布预测准确性的创新方法	研究仅限于早期鼻咽癌病例，且样本量较小	开发一种能够预测最佳剂量分布的方法，以应用于放射治疗计划	早期鼻咽癌患者的放射治疗剂量分布	机器学习	鼻咽癌	深度学习	ResNet101	图像	80例早期鼻咽癌患者，其中70例用于训练，10例用于测试
7	2024-10-04	Comparison Study of Computational Prediction Tools for Drug-Target Binding Affinities 2019, Frontiers in chemistry IF:3.8Q2 DOI:10.3389/fchem.2019.00782 PMID:31824921	综述	本文综述了用于预测药物-靶点结合亲和力的计算预测工具，重点关注人工智能、机器学习和深度学习方法	首次全面比较分析了基于AI/ML/DL的DTBA预测工具	NA	探讨药物-靶点相互作用预测方法，特别是结合亲和力的预测	药物-靶点结合亲和力预测工具及其相关基准数据集和数据库	机器学习	NA	人工智能、机器学习、深度学习	NA	NA	NA
8	2024-10-04	Peptide-Major Histocompatibility Complex Class I Binding Prediction Based on Deep Learning With Novel Feature 2019, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2019.01191 PMID:31850062	研究论文	本文提出了一种基于深度学习的新特征来预测肽与主要组织相容性复合体I类（MHC I）蛋白的结合亲和力	本文采用了深度卷积神经网络（CNN）来预测肽与MHC I的结合亲和力，并引入了新的特征，如序列顺序、疏水性指数、极性和肽长度，以提高预测准确性	本文未详细讨论模型的泛化能力和在不同数据集上的表现	开发一种更准确的预测肽与MHC I结合亲和力的方法，以支持基于肽的疫苗开发	肽与MHC I蛋白的结合亲和力	机器学习	NA	深度学习	CNN	序列数据	涉及数十种肽数据
9	2024-10-02	Combining Citizen Science and Deep Learning to Amplify Expertise in Neuroimaging 2019, Frontiers in neuroinformatics IF:2.5Q3 DOI:10.3389/fninf.2019.00029 PMID:31139070	研究论文	本文提出了一种结合公民科学和深度学习的方法，以放大神经影像学中的专家知识	通过公民科学平台放大专家标签，并利用这些标签训练深度学习模型，以模拟专家的决策	NA	探索如何通过结合公民科学和深度学习来提高大规模数据集的质量控制	脑部磁共振图像的质量控制	计算机视觉	NA	深度学习	深度学习算法	图像	NA
10	2024-10-02	EdgeScaping: Mapping the spatial distribution of pairwise gene expression intensities 2019, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0220279 PMID:31386677	研究论文	提出了一种名为EdgeScaping的新方法，用于构建和分析基因表达强度的成对网络，并将其应用于人类肿瘤基因表达矩阵	EdgeScaping采用了一种创新的技术，将传统的成对基因表达数据转换为基于图像的格式，从而实现特征压缩和高可扩展性，并利用深度学习图像分析算法探索基因间的非线性关系	NA	开发一种新的方法来构建和分析基因共表达网络，特别是识别传统方法可能忽略的非线性关系和基因表达强度	基因表达数据和基因共表达网络	生物信息学	NA	深度学习图像分析算法	NA	基因表达矩阵	NA
11	2024-10-02	A Comparison of Shallow and Deep Learning Methods for Predicting Cognitive Performance of Stroke Patients From MRI Lesion Images 2019, Frontiers in neuroinformatics IF:2.5Q3 DOI:10.3389/fninf.2019.00053 PMID:31417388	研究论文	本文比较了浅层和深层学习方法在从MRI病变图像预测中风患者认知表现方面的效果	提出了基于卷积神经网络（CNN）的深度学习方法，并设计了一种混合方法，通过重用CNN的高级特征作为岭回归（RR）模型的额外输入，显著提高了预测准确性	研究结果表明，训练数据的大小和图像冗余度是影响计算模型准确性的关键因素，但未详细探讨其他可能的影响因素	研究如何利用机器学习技术从神经影像数据中预测中风患者的认知表现	中风患者的MRI病变图像及其认知表现	机器学习	中风	卷积神经网络（CNN）、岭回归（RR）、支持向量回归	卷积神经网络（CNN）	图像	异质性中风患者样本
12	2024-10-02	Uncovering convolutional neural network decisions for diagnosing multiple sclerosis on conventional MRI using layer-wise relevance propagation 2019, NeuroImage. Clinical DOI:10.1016/j.nicl.2019.102003 PMID:31634822	研究论文	本文提出了一种基于3D卷积神经网络和层级相关传播的透明深度学习框架，用于诊断多发性硬化症	使用层级相关传播技术揭示了卷积神经网络在诊断多发性硬化症时的决策依据，验证了模型的有效性	研究样本量较小，可能影响模型的泛化能力	开发一种透明的深度学习框架，用于诊断多发性硬化症，并验证其决策依据	多发性硬化症患者和健康对照组的MRI数据	计算机视觉	神经炎症疾病	层级相关传播	卷积神经网络	图像	921例阿尔茨海默病神经影像学数据，76例多发性硬化症患者，71例健康对照组
13	2024-09-27	A picture tells a thousand…exposures: Opportunities and challenges of deep learning image analyses in exposure science and environmental epidemiology 2019-01, Environment international IF:10.3Q1 DOI:10.1016/j.envint.2018.11.042 PMID:30473381	研究论文	本文讨论了在暴露科学和环境流行病学领域应用人工智能（特别是深度卷积神经网络）的潜力、挑战和所需的数据来源	提出使用图像和其他补充数据源（如手机移动性和社交媒体信息）来估计环境暴露，并探讨了在低收入和中等收入国家中使用图像分析的成本效益	需要合适的训练和评估模型的大型数据库，并且新方法应与传统暴露指标相结合	探讨人工智能在暴露科学和环境健康领域的应用潜力	环境暴露的估计和环境健康的影响	机器学习	NA	深度卷积神经网络	CNN	图像	NA
14	2024-09-06	Deep learning in medical imaging and radiation therapy 2019-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.13264 PMID:30367497	综述	本文综述了深度学习在医学影像和放射治疗中的应用	本文总结了当前的成就，并指出了未来的应用和技术创新方向	本文主要总结了现有研究，未涉及具体实验或数据分析	总结深度学习在医学影像和放射治疗中的应用现状，并探讨未来的发展方向	深度学习在医学影像和放射治疗中的应用	计算机视觉	NA	深度学习	卷积神经网络	影像	NA
15	2024-08-07	Descriptor Free QSAR Modeling Using Deep Learning With Long Short-Term Memory Neural Networks 2019, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2019.00017 PMID:33733106	研究论文	本研究探索了在不使用预计算描述符的情况下，利用长短期记忆（LSTM）神经网络构建高质量可解释的QSAR模型的前景	使用LSTM神经网络直接从SMILES代码或新开发的线性分子表示法中训练模型，提高了对训练集中不相似化合物的预测能力	NA	研究使用LSTM神经网络构建无需预计算描述符的QSAR模型的可行性	QSAR模型的构建方法及其在不同数据集上的应用	机器学习	NA	LSTM神经网络	LSTM	文本	训练集包含7,866至31,919个化合物
16	2024-08-07	Fundus photograph-based deep learning algorithms in detecting diabetic retinopathy 2019-01, Eye (London, England) DOI:10.1038/s41433-018-0269-y PMID:30401899	综述	本文综述了基于眼底照片的深度学习算法在糖尿病视网膜病变（DR）检测中的应用	深度神经网络在从视网膜图像中筛查DR方面提供了巨大的优势，提高了对DR病变和疾病风险因素的识别准确性和可靠性	NA	比较当前各种深度学习模型在糖尿病视网膜病变（DR）诊断中的证据	糖尿病视网膜病变（DR）的诊断	机器学习	糖尿病	卷积神经网络（深度学习方法）	CNN	图像	NA
17	2024-08-07	Application of convolutional neural networks to breast biopsies to delineate tissue correlates of mammographic breast density 2019, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-019-0134-6 PMID:31754628	研究论文	本文利用深度学习方法，通过分析放射引导下的乳腺活检数字化图像，探索乳腺密度与组织学特征之间的关系，并区分高密度和低密度女性的癌症风险	首次使用卷积神经网络分析乳腺活检图像，提取37个特征描述组织数量和形态结构，并训练随机森林模型预测纤维腺体体积和癌症诊断	研究样本量有限，且仅使用了放射引导下的乳腺活检图像，未来研究需扩大样本量并验证模型的泛化能力	探索乳腺密度与组织学特征之间的关系，并区分高密度和低密度女性的癌症风险	乳腺活检的数字化图像，包括852名患者的H&E染色图像	数字病理学	乳腺癌	卷积神经网络	随机森林	图像	852名患者
18	2024-08-07	Prediction in Autism by Deep Learning Short-Time Spontaneous Hemodynamic Fluctuations 2019, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2019.01120 PMID:31780879	研究论文	本研究旨在探索使用多层人工神经网络基于短时自发血流动力学波动对自闭症谱系障碍（ASD）儿童和典型发育（TD）儿童进行分类的可能性	采用结合卷积神经网络（CNN）和门控循环单元（GRU）的CGRNN网络，有效提取特征并避免过拟合问题	样本量较小，仅包括25名ASD儿童和22名TD儿童	探索使用深度学习技术基于短时自发血流动力学波动对ASD和TD儿童进行分类	自闭症谱系障碍（ASD）儿童和典型发育（TD）儿童	机器学习	自闭症谱系障碍	功能近红外光谱技术（fNIRS）	CGRNN（结合CNN和GRU的多层神经网络）	时间序列	25名ASD儿童和22名TD儿童
19	2024-08-07	Deepprune: Learning Efficient and Interpretable Convolutional Networks Through Weight Pruning for Predicting DNA-Protein Binding 2019, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2019.01145 PMID:31824562	研究论文	本文介绍了一种名为Deepprune的新型深度学习框架，通过权重剪枝和迭代微调，训练具有有限卷积核数量的CNN模型，以提高DNA-蛋白质结合位点的预测性能并增强模型的可解释性	Deepprune通过权重剪枝和迭代微调，实现了在有限卷积核数量下提高模型性能和可解释性	NA	旨在通过减少卷积核数量，提高基于CNN的模型在DNA-蛋白质结合位点预测中的性能和可解释性	DNA-蛋白质结合位点的预测	机器学习	NA	权重剪枝	CNN	ChIP-seq数据	模拟数据集和ChIP-seq数据
20	2024-08-07	Strategies to Reduce the Expert Supervision Required for Deep Learning-Based Segmentation of Histopathological Images 2019, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2019.00222 PMID:31681779	综述	本文综述了减少深度学习在组织病理学图像分割中所需专家监督的策略	提出了使用免疫组织化学标记作为标签、真实数据增强、生成对抗网络（GAN）和迁移学习等方法，以及利用不完美注释的替代学习策略	NA	旨在探讨自动化组织病理学图像分割所需的庞大标注图像数量的策略	组织病理学图像中的多种组织学对象（如细胞核、腺体等）的分割	数字病理学	NA	深度学习	生成对抗网络（GAN）	图像	数百或数千个组织病理学图像中的对象