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	2024-09-14	[Deep residual convolutional neural network for recognition of electrocardiogram signal arrhythmias] 2019-Apr-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.201712031 PMID:31016934	研究论文	提出了一种结合小波自适应阈值去噪和深度残差卷积神经网络的算法，用于多类心律失常信号的识别	设计了一个包含多个残差块的20层卷积神经网络，解决了传统CNN在网络深度增加时的退化问题，并通过批量归一化提高了收敛性	NA	提高心电图信号中心律失常的识别准确率，并将其应用于家庭和养老院等非医院场景	心电图信号中的多类心律失常	机器学习	心血管疾病	小波自适应阈值去噪	深度残差卷积神经网络 (DR-CNN)	信号	94,091个2导联心搏数据
2	2024-08-12	Precision immunoprofiling by image analysis and artificial intelligence 2019-Apr, Virchows Archiv : an international journal of pathology IF:3.4Q1 DOI:10.1007/s00428-018-2485-z PMID:30470933	研究论文	本文评估了计算病理学和人工智能在免疫肿瘤学标志物评估中的应用，并讨论了其在精准医学中的潜力	提出了将计算病理学与人工智能结合的标准化方法，并探讨了其在免疫肿瘤学中的应用	NA	开发新的预测和预后检测方法，以支持患者选择和分层	免疫肿瘤学标志物，如PD-L1和免疫细胞浸润	数字病理学	NA	人工智能	机器学习	图像	NA
3	2024-08-07	Using deep learning to probe the neural code for images in primary visual cortex 2019-04-01, Journal of vision IF:2.0Q2 DOI:10.1167/19.4.29 PMID:31026016	研究论文	本研究利用深度卷积神经网络预测初级视觉皮层（V1）神经元对自然图像刺激的放电率	本研究首次使用深度卷积神经网络预测V1神经元对自然图像刺激的放电率，并发现预测结果与实际放电率高度相关	研究仅限于预测V1神经元的放电率，未涉及更深层次的视觉信息处理机制	旨在填补对V1如何编码图像的理解中的重要空白	初级视觉皮层（V1）神经元对自然图像刺激的响应	计算机视觉	NA	深度学习	CNN	图像	355个神经元
4	2024-08-07	SPHERICAL U-NET FOR INFANT CORTICAL SURFACE PARCELLATION 2019-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/ISBI.2019.8759537 PMID:31681458	研究论文	本文提出了一种新颖的端到端深度学习方法，通过将表面分割任务转化为球面上的语义分割任务，用于婴儿皮质表面的精确分割	开发了针对球面网格数据表示的表面卷积、池化和上采样操作，并将U-Net和SegNet架构转换为球面表示	NA	旨在提高人类脑部MRI研究中皮质表面分割的准确性	婴儿的皮质表面	计算机视觉	NA	卷积神经网络（CNN）	U-Net	图像	90名新生儿
5	2024-08-07	Fast and robust active neuron segmentation in two-photon calcium imaging using spatiotemporal deep learning 2019-04-23, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.1812995116 PMID:30975747	研究论文	本文提出了一种利用3D卷积神经网络对双光子钙成像视频中的活性神经元进行快速且鲁棒的自动分割方法	该方法利用了双光子钙成像视频中的全时空信息，并在多种双光子显微镜数据集上展示了其优于现有技术的性能，与手动分割相当	NA	开发一种自动、快速且可靠的活性神经元分割方法，以支持实时行为研究中的神经信号分析	双光子钙成像视频中的活性神经元	计算机视觉	NA	双光子显微镜	3D卷积神经网络	视频	多种双光子显微镜数据集
6	2024-08-07	Predicting Ion Mobility Collision Cross-Sections Using a Deep Neural Network: DeepCCS 2019-04-16, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.8b05821 PMID:30932474	研究论文	本文通过深度学习算法预测离子迁移碰撞截面（CCS）值，以提高小分子鉴定的准确性	开发了一种新的深度学习模型DeepCCS，用于预测CCS值，该模型在多个实验室的不同仪器上进行了训练和测试，表现优于现有预测算法	NA	提高使用质谱进行非靶向代谢组学测量时小分子鉴定的准确性	小分子的离子迁移碰撞截面（CCS）值	机器学习	NA	离子迁移谱（IMS）	深度神经网络	SMILES符号和离子类型信息	超过2400个分子
7	2024-08-07	Deep Learning in Image Cytometry: A Review 2019-04, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.23701 PMID:30565841	综述	本文综述了深度学习在细胞和组织样本显微图像数据中的应用	介绍了深度学习与传统图像数据信息提取方法的区别	未提供应用这些方法到自己数据的完整手册	旨在增加对深度学习方法的理解，并强调输入数据要求、计算资源、挑战和局限性	深度学习在图像细胞学中的应用	计算机视觉	NA	深度学习	CNN	图像	NA
8	2024-08-07	Computer vision enables short- and long-term analysis of Lophelia pertusa polyp behaviour and colour from an underwater observatory 2019-04-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-41275-1 PMID:31036904	研究论文	本研究利用固定水下观测站上的高清摄像头和其他传感器，监测了2015年4月至11月期间Lofoten-Vesterålen地区的冷温珊瑚（Lophelia pertusa）礁，通过图像处理和深度学习技术分析珊瑚颜色和珊瑚虫活动的变化	本研究展示了通过有效的综合计算方法，图像时间序列是理解和监测水下环境动态的新颖且丰富的信息来源，得益于固定水下观测站的高时间分辨率和覆盖范围	NA	研究珊瑚虫行为和颜色的短期和长期变化	Lophelia pertusa珊瑚礁的珊瑚虫行为和颜色变化	计算机视觉	NA	图像处理和深度学习	深度学习模型	图像	2015年4月至11月期间的数据
9	2024-08-07	Machine learning accurately classifies age of toddlers based on eye tracking 2019-04-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-42764-z PMID:31000762	研究论文	本研究利用机器学习方法（支持向量机和深度学习）分析眼动追踪数据，以准确分类幼儿的年龄	采用数据驱动的方法，通过机器学习模型揭示了影响年龄相关注视模式变化的因素	NA	探索机器学习在理解幼儿注视模式随年龄变化中的应用	幼儿的注视行为和年龄分类	机器学习	NA	支持向量机（SVM）和深度学习（DL）	支持向量机（SVM）和深度学习（DL）	眼动追踪数据	未明确提及具体样本数量
10	2024-08-07	Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on MRI 2019-04, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.26534 PMID:30575178	综述	本文概述了深度学习在放射学中的应用，特别是MRI领域，并调查了该领域的最新技术	深度学习算法在图像相关任务中展现出突破性性能，经常达到或超过人类表现	简要讨论了将深度学习融入未来放射学实践的机会和挑战	探讨深度学习在放射学中的应用机会，并介绍深度学习的基本概念	放射学领域，特别是MRI	计算机视觉	NA	深度学习	卷积神经网络	图像	NA
11	2024-08-07	Deep convolutional models improve predictions of macaque V1 responses to natural images 2019-04, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1006897 PMID:31013278	研究论文	本文测试了两种基于深度学习的方法——从物体识别训练的人工神经网络的迁移学习和端到端训练在大规模神经元群体上的数据驱动卷积神经网络模型——预测清醒猕猴V1区对自然图像反应的能力	多层卷积神经网络（CNNs）为预测灵长类V1区对自然图像的神经反应设定了新的技术水平，并且用于物体识别的深度特征比所有先前的滤波器组理论更好地解释了V1计算	NA	测试基于深度学习的方法预测清醒猕猴V1区对自然图像反应的能力	清醒猕猴V1区的神经反应	计算机视觉	NA	深度学习	CNN	图像	大规模神经元群体
12	2024-08-07	Analyzing and Visualizing Knowledge Structures of Health Informatics from 1974 to 2018: A Bibliometric and Social Network Analysis 2019-Apr, Healthcare informatics research IF:2.3Q3 DOI:10.4258/hir.2019.25.2.61 PMID:31131140	综述	本文通过定量文献回顾分析，对健康信息学的知识结构进行理论澄清，并绘制科学网络图谱	本文利用文本挖掘和文献计量学方法，分析了健康信息学领域的知识结构和科学网络模式	NA	旨在通过定量分析揭示健康信息学领域的知识结构和科学网络模式	健康信息学领域的文献和科学网络	健康信息学	NA	文本挖掘和文献计量学	NA	文本	30,115篇健康信息学主题的文章
13	2024-08-07	Predicting ischemic stroke tissue fate using a deep convolutional neural network on source magnetic resonance perfusion images 2019-Apr, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.6.2.026001 PMID:31131293	研究论文	本文利用深度卷积神经网络（CNN）在磁共振灌注成像上预测缺血性脑卒中的组织命运	提出了一种改进特征学习的深度CNN架构，并在曲线下面积上超越了现有的组织命运模型	NA	开发一种新的方法来预测急性脑卒患者的梗死体积，以辅助临床治疗决策	缺血性脑卒中的组织命运	计算机视觉	心血管疾病	磁共振灌注成像	CNN	图像	NA
14	2024-08-07	Deep Learning Neural Networks Highly Predict Very Early Onset of Pluripotent Stem Cell Differentiation 2019-04-09, Stem cell reports IF:5.9Q2 DOI:10.1016/j.stemcr.2019.02.004 PMID:30880077	研究论文	本文利用卷积神经网络（CNN）通过透射光显微镜图像区分多能干细胞和早期分化细胞	成功训练网络以超过99%的准确率识别未分化细胞和分化细胞，并在分化开始后仅20分钟即可进行成功预测	NA	训练CNN区分多能干细胞和早期分化细胞	小鼠胚胎干细胞和人类诱导多能干细胞的分化过程	计算机视觉	NA	透射光显微镜	CNN	图像	多个时间点的图像
15	2024-08-07	Deep learning opens new horizons in personalized medicine 2019-Apr, Biomedical reports IF:2.3Q3 DOI:10.3892/br.2019.1199 PMID:30988951	研究论文	本文探讨了深度学习在个性化医疗中的应用，通过开发高精度的多模态预测模型，促进个性化医疗的实现。	深度学习提供了一种新颖的方法，能够开发高精度的多模态预测模型，有助于个性化医疗的实施。	NA	研究深度学习在个性化医疗中的应用，以解决多模态大数据转化为决策支持工具的挑战。	深度学习模型在个性化医疗中的应用及其对预测和检测率的影响。	机器学习	NA	深度学习 (DL)	深度学习模型	多模态数据	NA
16	2024-08-05	FULLY-AUTOMATIC SEGMENTATION OF KIDNEYS IN CLINICAL ULTRASOUND IMAGES USING A BOUNDARY DISTANCE REGRESSION NETWORK 2019-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/ISBI.2019.8759170 PMID:31803348	研究论文	本文提出一种新颖的边界距离回归深度神经网络用于自动分割临床超声图像中的肾脏	提出了一种全新的深度学习方法，通过边界距离回归网络解决肾脏形状和图像强度分布多样性的挑战	未提及具体的限制因素	提升肾脏自动分割的性能	针对超声图像中的肾脏进行自动分割	数字病理学	NA	深度学习	边界距离回归网络	图像	NA