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
21	2024-10-16	Model-Based Deep Learning PET Image Reconstruction Using Forward-Backward Splitting Expectation Maximisation 2019-Oct, IEEE Nuclear Science Symposium conference record. Nuclear Science Symposium DOI:10.1109/nss/mic42101.2019.9059998 PMID:39404666	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
22	2024-10-11	Development and evaluation of inexpensive automated deep learning-based imaging systems for embryology 2019-12-21, Lab on a chip IF:6.1Q2 DOI:10.1039/c9lc00721k PMID:31755505	研究论文	开发并评估了一种基于深度学习的低成本自动化成像系统，用于胚胎学中的胚胎评估	开发了两种低成本的自动化成像平台，利用人工智能技术进行快速、可靠和准确的胚胎形态质量评估	仅在低分辨率图像数据上进行了测试，未提及高分辨率图像数据的效果	开发一种成本效益高且易于使用的硬件和软件系统，用于胚胎图像数据的采集和分析，以提高胚胎评估的效率	胚胎的形态质量评估	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	272和319张胚胎图像
23	2024-10-11	Illuminating Clues of Cancer Buried in Prostate MR Image: Deep Learning and Expert Approaches 2019-10-30, Biomolecules IF:4.8Q1 DOI:10.3390/biom9110673 PMID:31671711	研究论文	本文通过可解释模型比较了深度学习和人类专家在前列腺MR图像中识别癌症区域的方法	本文首次通过3D重建病理图像，比较了深度学习关注的区域与放射科医生和病理学家识别的癌症位置的重叠情况	本文仅使用了307张前列腺MR图像和896张病理图像，样本量有限	比较深度学习和人类专家在前列腺MR图像中识别癌症区域的方法，并探讨深度学习在癌症诊断中的潜力	前列腺MR图像和病理图像	计算机视觉	前列腺癌	深度学习	深度神经网络	图像	307张前列腺MR图像和896张病理图像
24	2024-10-11	Higher SNR PET image prediction using a deep learning model and MRI image 2019-05-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab0dc0 PMID:30844784	研究论文	本文提出了一种使用深度神经网络和MRI图像提高PET图像信噪比的方法	本文创新性地使用深度神经网络和MRI图像来提高PET图像的信噪比，而不需要在训练中使用高信噪比的PET图像	本文主要在数字脑模型上进行验证，尚未在真实临床数据上进行广泛验证	提高PET图像的信噪比	PET图像和MRI图像	计算机视觉	NA	深度神经网络	U-Net	图像	使用了来自BrainWeb的数字脑模型进行评估，模拟了6分钟的脑PET扫描
25	2024-10-10	Deep learning application engine (DLAE): Development and integration of deep learning algorithms in medical imaging 2019 Jul-Dec, SoftwareX IF:2.4Q2 DOI:10.1016/j.softx.2019.100347 PMID:34113706	研究论文	介绍了一个深度学习应用引擎（DLAE）系统概念，并展示了其在医学影像中的潜在应用和临床工作流程中的集成路径	开发了一个开源软件应用程序，提供了一种无需编码的深度学习方法，支持多种深度学习技术在医学影像中的应用	NA	开发和集成深度学习算法在医学影像中的应用	深度学习应用引擎（DLAE）系统及其在医学影像中的应用	计算机视觉	NA	深度学习	卷积神经网络、全卷积网络、生成对抗网络、边界框检测器	图像	NA
26	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
27	2024-10-04	DeepHarmony: A deep learning approach to contrast harmonization across scanner changes 2019-12, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.05.041 PMID:31301354	研究论文	提出了一种基于U-Net深度学习架构的对比度协调方法DeepHarmony，用于解决MRI扫描协议和设备变化导致的图像对比度不一致问题	DeepHarmony通过深度学习方法实现了跨扫描协议的对比度协调，显著提高了图像量化的一致性	研究中使用的样本量较小，仅为8例	解决MRI扫描协议和设备变化导致的图像对比度不一致问题，提高多站点或长期研究中的图像量化一致性	MRI图像的对比度协调和量化一致性	计算机视觉	多发性硬化症	深度学习	U-Net	图像	8例重叠队列用于训练数据，多发性硬化症患者的纵向MRI数据用于评估
28	2024-10-04	Artificial intelligence in clinical and genomic diagnostics 2019-11-19, Genome medicine IF:10.4Q1 DOI:10.1186/s13073-019-0689-8 PMID:31744524	综述	本文综述了人工智能在临床和基因组诊断中的应用	介绍了人工智能在临床诊断和基因组学中的新兴方法，特别是深度学习算法在处理大型复杂基因组数据集中的应用	讨论了人工智能在医学应用中的挑战、局限性和偏见，特别是涉及人类遗传学和基因组数据的应用	总结人工智能系统擅长解决的主要问题，并描述受益于这些解决方案的临床诊断任务	人工智能在临床诊断和基因组学中的应用，包括变异检测、基因组注释和变异分类，以及表型与基因型的对应关系	机器学习	NA	深度学习	深度学习算法	基因组数据	NA
29	2024-10-04	Prediction of BAP1 Expression in Uveal Melanoma Using Densely-Connected Deep Classification Networks 2019-Oct-16, Cancers IF:4.5Q1 DOI:10.3390/cancers11101579 PMID:31623293	研究论文	本文研究了使用密集连接的深度分类网络预测葡萄膜黑色素瘤中BAP1表达水平	提出了一种基于深度学习的密集连接分类网络，用于预测BAP1表达，具有高灵敏度、特异性和准确性	研究样本仅来自两个中心，可能存在地域偏差	验证人工智能是否能准确预测葡萄膜黑色素瘤中BAP1表达水平	葡萄膜黑色素瘤中的BAP1表达水平	数字病理学	葡萄膜黑色素瘤	深度学习	密集连接分类网络	图像	47个摘除的眼球样本，分为6800个训练补丁和1376个验证补丁
30	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
31	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
32	2024-10-02	Comment on: "Deep learning for pharmacovigilance: recurrent neural network architectures for labeling adverse drug reactions in Twitter posts" 2019-06-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocz013 PMID:31087070	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
33	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
34	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
35	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
36	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
37	2024-09-27	Chief complaint classification with recurrent neural networks 2019-05, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2019.103158 PMID:30926471	研究论文	本文研究了使用循环神经网络对急诊部门记录中的主诉进行分类	本文首次将长短期记忆网络（LSTM）和门控循环单元（GRU）应用于主诉分类，并展示了其在性能上优于传统的词袋分类器	研究仅基于单一美国管辖区的360万条去识别化急诊部门记录，可能存在地域和数据量的局限性	提高疫情检测速度和诊断准确性	急诊部门记录中的主诉和出院诊断	机器学习	NA	循环神经网络（RNN）	长短期记忆网络（LSTM）和门控循环单元（GRU）	文本	360万条去识别化的急诊部门记录
38	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
39	2024-09-25	Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network 2019-06-04, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ab17f0 PMID:30970338	研究论文	本文提出了一种结合小波变换和卷积神经网络的方法来自动识别心电图中的室性早搏	本文创新性地将小波变换与深度学习网络结合，用于室性早搏的分类	NA	本文旨在介绍一种利用小波变换和深度学习网络进行室性早搏分类的方法	本文研究对象为心电图中的室性早搏	机器学习	心血管疾病	小波变换	卷积神经网络	图像	MIT-BIH心律失常数据库和AHA数据库
40	2024-09-21	Mixed deep learning and natural language processing method for fake-food image recognition and standardization to help automated dietary assessment 2019-05, Public health nutrition IF:3.0Q2 DOI:10.1017/S1368980018000708 PMID:29623869	研究论文	本文研究了一种结合深度学习和自然语言处理的方法，用于识别假食物图像并进行标准化，以帮助自动化饮食评估	首次提出了一种自动识别假食物图像的方法，并结合自然语言处理进行食物匹配和标准化	研究样本量较小，仅涉及124名参与者，未来需要更大规模的研究验证	开发一种自动化方法，用于饮食评估和食物选择研究	假食物图像的识别和标准化	计算机视觉	NA	深度学习，自然语言处理	深度学习网络	图像	124名参与者，提供55种食物类别