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	Deep Learning to Assess Long-term Mortality From Chest Radiographs 2019-07-03, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2019.7416 PMID:31322692	研究论文	本文开发并测试了一种名为CXR-risk的卷积神经网络（CNN），用于从胸部X光片预测长期死亡率，包括非癌症死亡	利用深度学习技术从单一胸部X光片中评估长期死亡风险，为预防和干预提供依据	NA	开发和测试一种CNN模型，用于预测基于胸部X光片的长期死亡率	胸部X光片数据及其与长期死亡率的关系	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	开发阶段样本量为41,856，测试阶段样本量为10,464，外部测试样本量为5,493	NA	NA	NA	NA
22	2024-08-07	Deep learning for automatic Gleason pattern classification for grade group determination of prostate biopsies 2019-Jul, Virchows Archiv : an international journal of pathology IF:3.4Q1 DOI:10.1007/s00428-019-02577-x PMID:31098801	研究论文	本文利用卷积神经网络（CNN）自动检测前列腺活检中的Gleason模式（GP）并确定分级组（GG），以减少前列腺癌病理分级中的观察者间变异性。	本文首次使用Inception-v3卷积神经网络对数字化前列腺活检图像进行GP的自动检测和GG的确定，提高了病理分级的准确性。	研究样本量较小，仅涉及38名患者的96份前列腺活检样本，可能影响结果的泛化性。	开发一种计算机辅助方法，通过自动检测Gleason模式和确定分级组，提高前列腺癌病理分级的准确性和治疗选择的优化。	前列腺活检样本中的Gleason模式和分级组。	数字病理学	前列腺癌	卷积神经网络（CNN）	Inception-v3	图像	96份前列腺活检样本来自38名患者	NA	NA	NA	NA
23	2024-08-07	DeepCentering: fully automated crystal centering using deep learning for macromolecular crystallography 2019-Jul-01, Journal of synchrotron radiation IF:2.4Q3 DOI:10.1107/S160057751900434X PMID:31274465	研究论文	介绍了一种名为DeepCentering的新型自动化晶体中心定位系统，该系统利用卷积神经网络实现完全自动化的精确晶体中心定位	DeepCentering系统实现了无需X射线照射晶体的完全自动化精确晶体中心定位	NA	开发一种用于高吞吐量蛋白质晶体学的完全自动化晶体中心定位系统	蛋白质晶体	计算机视觉	NA	卷积神经网络	CNN	图像	NA	NA	NA	NA	NA
24	2024-08-07	3D whole brain segmentation using spatially localized atlas network tiles 2019-07-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2019.03.041 PMID:30910724	研究论文	本文提出了一种基于空间定位图谱网络块（SLANT）的方法，用于高分辨率全脑分割	使用多个独立的三维全卷积网络（FCN）进行空间分布学习，并结合传统医学图像处理方法与深度学习，提高了分割性能并减少了计算时间	NA	提高全脑分割的性能和效率	全脑分割	计算机视觉	NA	深度卷积神经网络（CNN）	三维全卷积网络（FCN）	MRI图像	5111个初始未标记扫描	NA	NA	NA	NA