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	2024-08-07	RAC-CNN: multimodal deep learning based automatic detection and classification of rod and cone photoreceptors in adaptive optics scanning light ophthalmoscope images 2019-Aug-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.003815 PMID:31452977	研究论文	本文介绍了一种基于深度学习的自动方法RAC-CNN，用于在多模态自适应光学扫描光眼底镜图像中检测和分类杆状和锥状光感受器	提出了一种新的深度学习方法RAC-CNN，用于自动检测和分类杆状和锥状光感受器，这是之前未有充分验证的自动方法	NA	开发一种自动方法来量化自适应光学扫描光眼底镜图像中的杆状和锥状光感受器，以辅助研究各种视网膜病理	杆状和锥状光感受器在自适应光学扫描光眼底镜图像中的检测和分类	计算机视觉	NA	深度学习	CNN	图像	包括健康受试者和患有全色盲的受试者，跨越不同视网膜偏心度的图像
2	2024-08-07	Machine learning polymer models of three-dimensional chromatin organization in human lymphoblastoid cells 2019-08-15, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2019.03.002 PMID:30853548	研究论文	本文提出了结合一维序列特异性、表观基因组信息和转录因子结合位点的机器学习模型，用于解释在人类淋巴母细胞中观察到的长距离染色质环化现象	本文创新性地将机器学习模型与基于聚合物的生物物理模拟相结合，以预测高分辨率的拓扑关联域内相互作用	NA	研究目的是解释人类淋巴母细胞中观察到的长距离染色质环化现象	研究对象是人类淋巴母细胞中的三维染色质结构	机器学习	NA	ChIA-PET	随机森林、梯度提升机、深度学习模型	序列、表观基因组信息、转录因子结合位点	GM12878细胞系
3	2024-08-07	Robust Self-Adaptation Fall-Detection System Based on Camera Height 2019-Aug-30, Sensors (Basel, Switzerland) DOI:10.3390/s19173768 PMID:31480384	研究论文	本研究构建了一个包含多种日常活动和跌倒事件的数据集，并研究了相机/传感器高度对跌倒检测准确性的影响	提出了一种增强跟踪和去噪的Alex-Net（ETDA-Net）来提高跟踪和去噪性能，并分类跌倒和非跌倒事件	NA	研究相机/传感器高度对跌倒检测准确性的影响	日常活动和跌倒事件	计算机视觉	NA	深度学习	CNN	图像	数据集中的每个活动由八名参与者在八个方向上进行，并使用深度相机在五个不同高度拍摄
4	2024-08-07	Deep learning enables automatic quantitative assessment of puborectalis muscle and urogenital hiatus in plane of minimal hiatal dimensions 2019-Aug, Ultrasound in obstetrics & gynecology : the official journal of the International Society of Ultrasound in Obstetrics and Gynecology IF:6.1Q1 DOI:10.1002/uog.20181 PMID:30461079	研究论文	本文利用深度学习技术自动分割并量化评估经会阴超声图像中的耻骨直肠肌和尿生殖裂孔	首次使用卷积神经网络（CNN）自动分割并量化耻骨直肠肌和尿生殖裂孔的尺寸	NA	开发一种自动且观察者独立的方法来测量尿生殖裂孔和耻骨直肠肌的尺寸	耻骨直肠肌和尿生殖裂孔的尺寸	计算机视觉	NA	深度学习	CNN	图像	1318个三维和四维经会阴超声体积数据集，来自253名未产妇
5	2024-08-07	Deep Learning to Improve Breast Cancer Detection on Screening Mammography 2019-08-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-48995-4 PMID:31467326	研究论文	本文开发了一种深度学习算法，用于在筛查乳腺X线摄影中准确检测乳腺癌	采用端到端训练方法，减少了对罕见病灶注释的依赖，并展示了模型在不同乳腺X线摄影平台间的迁移能力	NA	提高乳腺癌筛查中乳腺X线摄影的检测准确性	乳腺癌检测	机器学习	乳腺癌	深度学习	全卷积网络	图像	独立测试集包括来自Digital Database for Screening Mammography (CBIS-DDSM)的数字化胶片乳腺X线摄影图像和来自INbreast数据库的全场数字乳腺摄影(FFDM)图像
6	2024-08-07	Reverse active learning based atrous DenseNet for pathological image classification 2019-Aug-28, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-019-2979-y PMID:31455228	研究论文	本文提出了一种基于深度反向主动学习（DRAL）和空洞密集网络（ADN）的病理图像分类训练策略	提出的DRAL通过移除训练集中的错误标记块来提高分类准确性，ADN结合空洞卷积和密集块进行多尺度特征提取	NA	提高深度学习模型在部分标记错误的训练数据集上的性能	病理图像分类	数字病理学	NA	深度学习	DenseNet	图像	使用了BACH、CCG和UCSB三个病理数据集进行评估
7	2024-08-07	Accurate and instant frequency estimation from noisy sinusoidal waves by deep learning 2019-Aug-15, Nano convergence IF:13.4Q1 DOI:10.1186/s40580-019-0197-y PMID:31414287	研究论文	本文使用深度学习网络从带有噪声的正弦波中估计频率	设计了一个三层神经网络，能够从与白噪声混合的正弦波中提取频率，并展示了如何将模型泛化到其他频率范围	NA	开发一种能够从噪声正弦波中准确且快速估计频率的方法	带有噪声的正弦波	机器学习	NA	深度学习网络	神经网络	波形数据	10万个波形用于训练和测试模型
8	2024-08-07	scAlign: a tool for alignment, integration, and rare cell identification from scRNA-seq data 2019-08-14, Genome biology IF:10.1Q1 DOI:10.1186/s13059-019-1766-4 PMID:31412909	research paper	本文介绍了一种名为scAlign的无监督深度学习方法，用于单细胞RNA测序数据的整合，能够处理部分重叠或完整的细胞标签，并估计跨数据集的每个细胞基因表达差异	scAlign方法在跨数据集的细胞类型特异性表达和细胞类型组成变化方面表现出色，具有高度的鲁棒性	NA	开发一种新的数据整合方法，用于识别不同条件或物种间细胞类型特异性的基因表达差异，以及批次效应校正	单细胞RNA测序数据	machine learning	NA	scRNA-seq	deep learning	基因表达数据	NA
9	2024-08-07	HENA, heterogeneous network-based data set for Alzheimer's disease 2019-08-14, Scientific data IF:5.8Q1 DOI:10.1038/s41597-019-0152-0 PMID:31413325	研究论文	本文介绍了一种基于异构网络的阿尔茨海默病数据集（HENA），并展示了使用图卷积网络（深度学习方法）分析大型异构生物数据集的应用。	提出了一个基于异构网络的阿尔茨海默病数据集（HENA），并展示了如何利用图卷积网络进行分析。	NA	旨在通过整合不同领域的实验数据，为阿尔茨海默病的研究提供一个系统的视角。	阿尔茨海默病及其相关痴呆症的机制和潜在药物靶点。	生物信息学	阿尔茨海默病	图卷积网络	图卷积网络	异构生物数据集	NA
10	2024-08-07	Machine learning applications in prostate cancer magnetic resonance imaging 2019-08-07, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-019-0109-2 PMID:31392526	综述	本文综述了机器学习（ML）在前列腺磁共振成像（MRI）中的最新应用	介绍了深度学习（DL）这一特殊类型的机器学习，包括其模仿人类神经网络的结构及其‘黑箱’特性	临床应用仍需在不同扫描仪供应商、场强和机构中进行更强大的验证	旨在概述机器学习在前列腺MRI中的应用	前列腺MRI中的机器学习应用	机器学习	前列腺癌	磁共振成像（MRI）	深度学习（DL）	图像	NA
11	2024-08-07	Beginnings of Artificial Intelligence in Medicine (AIM): Computational Artifice Assisting Scientific Inquiry and Clinical Art - with Reflections on Present AIM Challenges 2019-Aug, Yearbook of medical informatics DOI:10.1055/s-0039-1677895 PMID:31022744	review	本文回顾了医学领域中人工智能（AI）的起源及其发展历程，特别是早期基于知识的方法与机器学习方法的交替使用，并探讨了当前深度学习在AI中的应用及其面临的挑战。	文章强调了深度学习在医学AI中的新兴作用，以及它如何改变传统的基于知识的方法。	尽管深度学习在医学AI中取得了许多成功，但仍面临科学挑战，如如何结合脑科学、认知和语言模型，以及如何在不影响人类判断和专业知识的情况下应用这些进展。	旨在概述医学AI的早期发展及其后续进展，并从当前的‘AI-深度学习热潮’角度探讨其在生物医学研究和临床推理中的应用。	研究对象包括医学AI的历史发展、不同模型在临床实践与生物医学科学中的应用，以及当前AI在生物医学应用中的挑战。	machine learning	NA	Deep Learning	Deep Learning	text	NA
12	2024-08-07	A clinically applicable approach to continuous prediction of future acute kidney injury 2019-08, Nature IF:50.5Q1 DOI:10.1038/s41586-019-1390-1 PMID:31367026	研究论文	本文开发了一种深度学习方法，用于连续预测未来急性肾损伤的风险	该模型能够提供预测的置信度评估和每个预测的关键临床特征列表，以及临床相关血液测试的预测未来轨迹	NA	实现对患者未来恶化风险的连续更新和准确预测，以便及时干预	急性肾损伤，一种常见且可能危及生命的疾病	机器学习	肾脏疾病	深度学习	深度学习模型	电子健康记录	703,782名成年患者，涵盖172个住院和1,062个门诊站点
13	2024-08-07	Deep Learning Techniques for Medical Image Segmentation: Achievements and Challenges 2019-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-019-00227-x PMID:31144149	research paper	本文对利用深度学习技术进行医学图像分割的流行方法进行了关键性评估，并总结了最常见的挑战及可能的解决方案	NA	NA	评估深度学习技术在医学图像分割中的应用	医学图像分割的深度学习方法及其挑战	computer vision	NA	deep learning	NA	image	NA
14	2024-08-07	Deep learning and manual assessment show that the absolute mitotic count does not contain prognostic information in triple negative breast cancer 2019-Aug, Cellular oncology (Dordrecht) DOI:10.1007/s13402-019-00445-z PMID:30989469	研究论文	本文通过深度学习和手动评估方法，研究了绝对有丝分裂计数在三阴性乳腺癌中的预后价值	首次使用深度学习和手动方法评估三阴性乳腺癌中有丝分裂计数的预后价值	研究仅限于回顾性三阴性乳腺癌队列，可能限制了结果的普遍性	评估有丝分裂计数作为三阴性乳腺癌预后因素的价值	三阴性乳腺癌患者的有丝分裂计数	机器学习	乳腺癌	卷积神经网络	CNN	图像	298例三阴性乳腺癌患者
15	2024-08-05	DDL: Deep Dictionary Learning for Predictive Phenotyping 2019-Aug, IJCAI : proceedings of the conference DOI:10.24963/ijcai.2019/812 PMID:33767572	研究论文	本文提出了一种深度字典学习框架（DDL），旨在通过使用无标签数据来改善预测表型的性能。	本研究创新性地使用无标签数据作为信息的补充来源，以生成更好、更简明的数据表示，从而克服标签不足的问题。	本研究可能受到无标签数据质量和多样性的影响，这可能限制了结果的广泛适用性。	研究的目的是提高基于电子健康记录（EHR）数据的预测表型准确性。	研究对象包括多个EHR数据集中的患者表型。	机器学习	NA	深度学习	深度字典学习	电子健康记录（EHR）数据	多个EHR数据集