深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
21	2024-08-07	PPR-Meta: a tool for identifying phages and plasmids from metagenomic fragments using deep learning 2019-06-01, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giz066 PMID:31220250	研究论文	介绍了一种名为PPR-Meta的工具，利用深度学习技术从宏基因组片段中同时识别噬菌体和质粒	PPR-Meta是首个能够同时高效可靠地识别噬菌体和质粒片段的工具	NA	开发一种能够同时识别宏基因组数据中噬菌体和质粒片段的工具	噬菌体和质粒片段	机器学习	NA	深度学习	Bi-path Convolutional Neural Network	序列	使用人工拼接和真实宏基因组数据进行测试	NA	NA	NA	NA
22	2024-08-07	Improving Sensitivity on Identification and Delineation of Intracranial Hemorrhage Lesion Using Cascaded Deep Learning Models 2019-06, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-018-00172-1 PMID:30680471	研究论文	本文提出了一种级联深度学习模型，用于提高颅内出血病变的识别和勾画灵敏度	使用级联卷积神经网络（CNN）和双全卷积网络（FCN）模型，结合两种不同的窗口设置进行图像预处理，以提高分类和分割性能	NA	提高颅内出血检测的敏感性和特异性，以支持急诊室的诊断和治疗决策	颅内出血及其亚型病变的识别和勾画	计算机视觉	NA	卷积神经网络（CNN），全卷积网络（FCN）	CNN，FCN	图像	135,974张CT图像，其中33,391张标记为出血	NA	NA	NA	NA
23	2024-08-07	Distinction between benign and malignant breast masses at breast ultrasound using deep learning method with convolutional neural network 2019-Jun, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-019-00831-5 PMID:30888570	研究论文	本研究使用卷积神经网络（CNN）深度学习方法区分乳腺超声图像中的良性与恶性肿块	本研究展示了CNN模型在区分乳腺超声图像中良性与恶性肿块的高诊断性能，与放射科医生相比，具有同等或更好的诊断效果	NA	利用深度学习和卷积神经网络区分乳腺超声图像中的良性与恶性肿块	乳腺超声图像中的良性与恶性肿块	机器学习	乳腺疾病	卷积神经网络（CNN）	CNN	图像	训练数据包括480张良性肿块图像和467张恶性肿块图像，测试数据包括48张良性肿块图像和72张恶性肿块图像	NA	NA	NA	NA