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	2024-08-22	Delfos: deep learning model for prediction of solvation free energies in generic organic solvents 2019-Sep-28, Chemical science IF:7.6Q1 DOI:10.1039/c9sc02452b PMID:32110289	研究论文	本文介绍了一种名为Delfos的深度学习模型，用于预测通用有机溶剂中的溶剂化自由能	Delfos模型采用了两个独立的溶剂和溶质编码器网络，结合词嵌入和循环层以及注意力机制，从循环神经网络的输出中提取重要子结构	NA	开发一种新的机器学习方法，用于预测有机溶剂中的溶剂化自由能	有机溶质和溶剂系统的溶剂化自由能	机器学习	NA	深度学习	CNN	文本	2495个溶质-溶剂对
2	2024-08-07	Deep learning extends de novo protein modelling coverage of genomes using iteratively predicted structural constraints 2019-09-04, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-11994-0 PMID:31484923	研究论文	本文介绍了DMPfold方法，利用深度学习预测原子间距离界限、主链氢键网络和扭转角，通过迭代方式构建蛋白质模型	DMPfold在CASP12域测试集上生成的模型比两种流行方法更准确，并且同样适用于跨膜蛋白	NA	扩展从头蛋白质建模对基因组的覆盖范围	蛋白质结构预测	机器学习	NA	深度学习	CNN	序列数据	应用于所有未知结构的Pfam域，为25%的所谓暗家族生成可信模型，为16%的人类蛋白质组UniProt条目生成模型
3	2024-08-07	Deep Learning on Point Clouds and Its Application: A Survey 2019-Sep-26, Sensors (Basel, Switzerland) DOI:10.3390/s19194188 PMID:31561639	综述	本文综述了点云特征学习的现有方法，包括基于点和基于树的方法，并分析了它们的优缺点，介绍了点云特征学习的应用，并预测了未来的研究趋势	将深度学习应用于点云处理，探索了基于点和基于树的点云特征学习方法	文章未明确提及具体的技术局限性	综述点云特征学习的现有方法及其应用，并预测未来研究趋势	点云数据及其在3D物体分类、语义分割和3D物体检测中的应用	计算机视觉	NA	深度学习	CNN	点云	文章未提及具体样本数量
4	2024-08-07	A Survey of Vision-Based Human Action Evaluation Methods 2019-Sep-24, Sensors (Basel, Switzerland) DOI:10.3390/s19194129 PMID:31554229	综述	本文综述了基于视觉的人类动作评估方法和技术	介绍了动作评估研究中的运动检测和预处理、手工特征表示方法以及基于深度学习的特征表示方法	未提及具体限制	旨在设计用于自动评估人类动作质量的计算模型和评估方法	人类动作评估	计算机视觉	NA	深度学习	NA	骨骼数据	未提及具体样本数量
5	2024-08-07	Automatic choroidal segmentation in OCT images using supervised deep learning methods 2019-09-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-49816-4 PMID:31527630	研究论文	本文提出了一系列基于补丁和全卷积的深度学习方法，用于自动分割OCT图像中的脉络膜边界	利用深度学习方法自动分割脉络膜边界，提高了分析效率和准确性	需要进一步优化网络架构和对比度增强方法以最大化性能	开发可靠和准确的方法来自动分割OCT图像中的脉络膜组织边界	OCT图像中的脉络膜边界	计算机视觉	NA	深度学习	CNN	图像	大量OCT图像
6	2024-08-07	Traffic Speed Prediction: An Attention-Based Method 2019-Sep-05, Sensors (Basel, Switzerland) DOI:10.3390/s19183836 PMID:31491921	研究论文	本文提出了一种基于时间聚类和层次注意力机制的交通速度预测方法（TCHA），以解决传统深度学习方法在交通速度预测中忽略空间和环境因素的问题	该方法通过时间聚类区分交通环境，并利用层次注意力机制提取每个时间步的特征，从而提高预测准确性	NA	提高智能交通系统中的短期交通速度预测准确性	交通速度预测	计算机视觉	NA	深度学习	注意力机制	交通数据	特定区域的交通数据
7	2024-08-07	Predicting functional variants in enhancer and promoter elements using RegulomeDB 2019-09, Human mutation IF:3.3Q2 DOI:10.1002/humu.23791 PMID:31228310	研究论文	本文介绍了一种名为Score of Unified Regulatory Features (SURF)的计算模型，用于预测增强子和启动子元件中的功能性变异	SURF模型在第五次基因组解释关键评估的“调控饱和”挑战中表现最佳，并且通过RegulomeDB查询的功能基因组数据特征提高了预测准确性	NA	开发和验证一种新的计算模型，用于预测调控区域中的功能性变异	增强子和启动子元件中的功能性变异	NA	NA	大规模并行报告分析	深度学习模型	DNA序列	NA
8	2024-08-07	Automatic 3D Bi-Ventricular Segmentation of Cardiac Images by a Shape-Refined Multi- Task Deep Learning Approach 2019-09, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2019.2894322 PMID:30676949	研究论文	本文提出了一种结合多任务深度学习和图谱传播的形状精细化双心室分割方法，用于短轴心脏磁共振体积图像的自动分割	该方法通过2.5D全卷积网络结合计算优势和3D空间一致性，并设计了精细化步骤以明确施加形状先验知识，提高分割质量	NA	开发一种自动化的形状精细化双心室分割方法，以提高心脏磁共振图像分割的准确性和 anatomical smoothness	心脏磁共振图像中的双心室分割	计算机视觉	NA	深度学习	全卷积网络（FCN）	图像	1831名健康受试者和649名肺动脉高压受试者