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
61	2024-08-07	Tumor tissue classification based on micro-hyperspectral technology and deep learning 2019-Dec-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.006370 PMID:31853405	研究论文	本文利用微型高光谱成像技术，结合深度学习模型，对胃癌组织进行分类研究	提出了一种基于深度学习模型的胃癌组织分析方法，并展示了CNN在提取肿瘤组织深层光谱-空间特征方面的优势	NA	探索高光谱技术在肿瘤组织病理诊断中的应用	胃癌组织与正常组织的分类	机器学习	胃癌	微型高光谱成像技术	CNN	高光谱数据	30名胃癌患者
62	2024-08-07	Deep learning for quality assessment of retinal OCT images 2019-Dec-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.006057 PMID:31853385	研究论文	本研究首次提出了一种基于信号完整性、位置和有效性的OCT图像质量评估（OCT-IQA）系统，并使用四种CNN架构进行训练和评估	首次提出了一种基于深度学习的OCT图像质量评估系统，并通过实验证明了其在提高视网膜病变检测准确性方面的有效性	NA	开发一种自动化的OCT图像质量评估系统，以提高视网膜病变检测的准确性	视网膜OCT图像的质量评估	计算机视觉	NA	深度学习	CNN	图像	使用了两个随机创建的测试数据集，其中一个数据集经过OCT-IQA系统筛选，仅包含高质量图像，另一个数据集混合了高质量和低质量图像
63	2024-08-07	Learning to see stuff 2019-Dec, Current opinion in behavioral sciences IF:4.9Q1 DOI:10.1016/j.cobeha.2019.07.004 PMID:31886321	研究论文	本文探讨了无监督深度学习在解释复杂外观材料（如纺织品和食品）视觉感知中的应用	提出了一种新的框架，通过学习高效准确地编码和预测视觉输入，而不是估计物理量如反射率或光照	文章未明确提及具体限制	解释人类如何学习识别复杂外观的材料	复杂外观的材料，如纺织品和食品	计算机视觉	NA	无监督深度学习	神经网络	图像	未明确提及具体样本数量
64	2024-08-07	Latest advances in aging research and drug discovery 2019-11-21, Aging DOI:10.18632/aging.102487 PMID:31770722	综述	本文综述了衰老研究及药物发现的最新进展，并介绍了相关领域的年度会议系列	文章强调了人工智能，特别是深度学习在衰老研究中的应用，以及多家公司将衰老研究纳入其业务模型的创新策略	NA	旨在更好地理解与衰老相关的多层次变化，并探索治疗与年龄相关疾病的新干预措施	衰老过程中的分子、细胞、器官、组织、生理、心理及社会学变化	NA	老年病	深度学习	NA	NA	NA
65	2024-08-07	Classification of brain tumor isocitrate dehydrogenase status using MRI and deep learning 2019-Oct, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.6.4.046003 PMID:31824982	研究论文	本文提出了一种使用深度学习和T2加权磁共振成像（MRI）自动预测脑肿瘤异柠檬酸脱氢酶（IDH）状态的方法	首次展示了仅使用T2w MRI通过深度学习方法预测IDH突变状态的可行性	需要解决随机化过程中的数据泄露问题，以避免分类准确性的向上偏差	开发一种非侵入性的方法来预测脑肿瘤的IDH突变状态	脑肿瘤的IDH突变状态	计算机视觉	脑肿瘤	MRI	二维密集连接模型	图像	260名受试者（120名高级别和140名低级别胶质瘤）
66	2024-08-07	Deep Learning Analysis of Cerebral Blood Flow to Identify Cognitive Impairment and Frailty in Persons Living With HIV 2019-12-15, Journal of acquired immune deficiency syndromes (1999) DOI:10.1097/QAI.0000000000002181 PMID:31714429	研究论文	本研究利用深度学习算法分析脑血流，以识别HIV感染者中的认知障碍和虚弱状态	本研究采用深度神经网络模型，通过特征提取技术识别出对认知障碍和虚弱状态预测最强的脑区	NA	研究目的是通过深度学习算法识别HIV感染者的认知障碍和虚弱状态	研究对象为接受联合抗逆转录病毒治疗的病毒学抑制的HIV感染者	机器学习	HIV感染	深度学习算法	深度神经网络（DNN）	脑血流图像	125名HIV感染者
67	2024-08-07	Applying a deep learning-based sequence labeling approach to detect attributes of medical concepts in clinical text 2019-12-05, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-019-0937-2 PMID:31801529	研究论文	本文提出了一种基于深度学习的序列标注方法，用于在临床文本中检测医学概念的属性	将属性检测转换为序列标注问题，实现了属性实体识别和关系分类的同时进行	NA	提高临床文本中医学概念属性检测的准确性	医学概念属性检测任务	自然语言处理	NA	NA	Bi-LSTM-CRF	文本	NA
68	2024-08-07	Comparing biological information contained in mRNA and non-coding RNAs for classification of lung cancer patients 2019-Dec-03, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-019-6338-1 PMID:31796020	研究论文	本文通过分析肺腺癌患者的RNA-seq数据，包括非编码和蛋白质编码RNA，利用深度学习神经网络和其他先进的分类方法，比较了不同类型RNA在癌症分类中的表现。	本研究首次使用非miRNA的ncRNA进行癌症的计算分类，并直接比较了蛋白质编码RNA和非编码RNA的分类能力。	NA	旨在解码人类DNA的意义，这将彻底改变医学和我们对疾病的治疗方式。	肺腺癌患者，一种非小细胞肺癌的组织学亚型。	数字病理学	肺癌	RNA-seq	深度信念网络	RNA数据	肺腺癌患者
69	2024-08-07	Classification and Visualization of Alzheimer's Disease using Volumetric Convolutional Neural Network and Transfer Learning 2019-12-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-54548-6 PMID:31796817	研究论文	本研究提出了一种基于体积卷积神经网络和迁移学习的方法，用于阿尔茨海默病（AD）的分类和可视化	使用卷积自编码器（CAE）进行无监督学习，并结合监督迁移学习，以及基于梯度的可视化方法来识别与AD和pMCI相关的重要生物标志物	由于神经影像数据稀缺，端到端学习尚未得到广泛关注	促进体积卷积神经网络模型的端到端学习，并实现阿尔茨海默病的分类和可视化	阿尔茨海默病（AD）及其相关认知障碍的分类和关键区域识别	计算机视觉	阿尔茨海默病	体积卷积神经网络（CNN）	CNN	MRI图像	实验基于ADNI数据库进行，具体样本数量未详细说明
70	2024-08-07	Role of deep learning in infant brain MRI analysis 2019-12, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.06.009 PMID:31229667	研究论文	本文探讨了深度学习算法在婴儿脑部MRI分析中的应用，特别是在脑组织分割和神经发育障碍的早期疾病预测方面的应用	提出了针对婴儿MRI数据特点的深度学习方法，并讨论了如何改进现有解决方案以应对数据量小、类别不平衡和模型解释性不足的问题	存在数据量小、类别不平衡和深度学习模型解释性不足的问题	研究深度学习在婴儿脑部MRI分析中的应用，特别是在脑组织分割和早期疾病预测方面	婴儿脑部MRI数据	机器学习	NA	深度学习算法，特别是卷积网络	CNN	MRI图像	数据量小
71	2024-08-07	Next generation research applications for hybrid PET/MR and PET/CT imaging using deep learning 2019-Dec, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-019-04374-9 PMID:31254036	综述	本文综述了利用人工智能特别是深度学习算法提高PET/MR和PET/CT混合成像质量的应用	探讨了如何利用AI技术缩短成像时间、减少放射性示踪剂剂量以及进行双示踪剂研究等新可能性	未明确提及	探索AI在提高PET成像质量和利用解剖信息方面的应用	PET/MR和PET/CT混合成像技术	计算机视觉	NA	深度学习	卷积神经网络	图像	NA
72	2024-08-07	Using deep Siamese neural networks for detection of brain asymmetries associated with Alzheimer's Disease and Mild Cognitive Impairment 2019-12, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.07.003 PMID:31319126	研究论文	本研究利用基于配对侧脑间半球区域的深度孪生神经网络框架，探索全脑体积不对称性在阿尔茨海默病和轻度认知障碍检测中的应用	采用深度孪生神经网络处理低维体积特征，相比使用全脑MR图像的研究，减少了复杂性和计算时间，同时保留了生物信息密度	NA	探索神经解剖体积和形状不对称性作为阿尔茨海默病和轻度认知障碍的临床前成像生物标志物的潜力	阿尔茨海默病和轻度认知障碍的脑不对称性检测	机器学习	阿尔茨海默病	MRICloud	孪生神经网络	图像	使用ADNI和BIOCARD数据集
73	2024-08-07	Augmented Bladder Tumor Detection Using Deep Learning 2019-12, European urology IF:25.3Q1 DOI:10.1016/j.eururo.2019.08.032 PMID:31537407	研究论文	本文开发了一种基于卷积神经网络的图像分析平台CystoNet，用于增强膀胱肿瘤的检测	CystoNet在膀胱肿瘤检测中表现出高灵敏度和特异性，可能提高膀胱镜检查的诊断率和TURBT的效率	NA	开发一种深度学习算法，用于增强膀胱镜检查中的膀胱癌检测	膀胱肿瘤的检测和定位	计算机视觉	膀胱癌	深度学习	CNN	视频	开发数据集包括95名患者用于算法训练，5名患者用于测试，验证数据集包括54名患者
74	2024-08-07	ReorientExpress: reference-free orientation of nanopore cDNA reads with deep learning 2019-11-29, Genome biology IF:10.1Q1 DOI:10.1186/s13059-019-1884-z PMID:31783882	研究论文	描述了一种名为ReorientExpress的方法，用于无参考基因组的转录组长序列读取的自由定向	ReorientExpress利用深度学习正确预测大多数读取的方向，特别是在训练于密切相关物种或与读取聚类结合时	NA	实现非模型生物和无基因组参考样本的长读取转录组学	转录组长序列读取的定向	机器学习	NA	深度学习	NA	序列数据	NA
75	2024-08-07	Diagnosis of Thyroid Nodules: Performance of a Deep Learning Convolutional Neural Network Model vs. Radiologists 2019-11-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-54434-1 PMID:31780753	研究论文	本文开发了一种基于深度学习的甲状腺结节超声计算机辅助诊断系统（dCAD），并将其性能与基于支持向量机（SVM）的系统（sCAD）和放射科医生的诊断性能进行了比较	dCAD在总体敏感性、特异性、阳性预测值（PPV）、阴性预测值和准确性方面与放射科医生相当，并且在小结节方面表现更优于sCAD	NA	开发和评估基于深度学习的甲状腺结节超声计算机辅助诊断系统的性能	甲状腺结节	计算机视觉	甲状腺疾病	深度学习	CNN	图像	4919个甲状腺结节图像
76	2024-08-07	Prediction Model of Organic Molecular Absorption Energies based on Deep Learning trained by Chaos-enhanced Accelerated Evolutionary algorithm 2019-Nov-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-53206-1 PMID:31754116	research paper	本文提出了一种基于混沌增强加速进化算法的深度学习预测模型，用于提高分子吸收能量的计算准确性、效率和稳定性。	该模型结合了深度学习和智能算法，采用混沌增强加速粒子群优化算法和深度人工神经网络（CAPSO BP DNN），具有七层8-4-4-4-4-4-1结构，能够有效提高预测效果和准确性。	NA	开发一种高精度的分子吸收能量预测模型。	有机分子的吸收能量。	machine learning	NA	deep learning	DNN	numerical	涉及八个与分子吸收能量相关的参数作为输入，一个参数作为输出。
77	2024-08-07	Particle Mobility Analysis Using Deep Learning and the Moment Scaling Spectrum 2019-11-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-53663-8 PMID:31748591	研究论文	本文提出了一种使用深度学习和矩尺度谱分析来分析细胞内动态过程的新方法	首次采用深度学习方法对单颗粒轨迹进行分割，并使用矩尺度谱分析来估计移动类别的数量及其相关参数	NA	开发一种用于从时间序列显微镜图像中提取生物学相关参数的鲁棒方法	细胞内颗粒的动态行为	计算机视觉	NA	深度学习	NA	图像	包括内部数据集和公开的颗粒跟踪数据，涵盖多种蛋白质的不同动态行为
78	2024-08-07	Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunctions 2019-11-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-12875-2 PMID:31729373	研究论文	本文介绍了一种深度学习框架，用于预测分子波函数，从而统一机器学习和量子化学	该框架能够在保持类似力场的效率的同时，通过波函数完全访问电子结构，并以分析可微分的方式捕捉量子力学	NA	旨在通过深度神经网络统一机器学习和量子化学，以优化分子结构的电子特性	分子的量子力学波函数	机器学习	NA	深度学习	深度神经网络	分子波函数	NA
79	2024-08-07	Deep Learning Techniques for Grape Plant Species Identification in Natural Images 2019-Nov-07, Sensors (Basel, Switzerland) DOI:10.3390/s19224850 PMID:31703313	研究论文	本文评估了基于AlexNet架构的迁移学习和微调技术在自然图像中识别葡萄品种的性能	提出了一个四角合一的图像扭曲算法用于图像预处理，并验证了其在葡萄品种识别中的有效性	图像在自然环境中的采集、图像数量较少、不同葡萄品种图像间的高相似性以及收获季节中葡萄叶和果穗图像的显著变化	开发一种自动识别葡萄品种的算法，适用于如机器人采摘系统等集成软件组件	葡萄品种的自动识别	计算机视觉	NA	迁移学习和微调技术	AlexNet	图像	两个自然葡萄园图像数据集，分别在不同地理位置和收获季节采集
80	2024-08-07	Attention-Based Deep Neural Networks for Detection of Cancerous and Precancerous Esophagus Tissue on Histopathological Slides 2019-11-01, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2019.14645 PMID:31693124	研究论文	本文评估了一种基于注意力机制的深度学习方法，用于高分辨率组织学图像分析，以检测巴雷特食管（BE）和食管腺癌	该方法仅基于组织级别的标注，与基于感兴趣区域的现有方法不同	该模型的性能提升在统计上不显著	评估一种新的深度学习方法，用于高分辨率组织学图像分析，以检测巴雷特食管和食管腺癌	高分辨率组织学图像，用于训练和测试新的深度学习模型	数字病理学	食管癌	深度学习	CNN和基于网格的注意力网络	图像	379张用于训练的图像，123张用于独立测试的图像