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	2024-10-11	Development and evaluation of inexpensive automated deep learning-based imaging systems for embryology 2019-12-21, Lab on a chip IF:6.1Q2 DOI:10.1039/c9lc00721k PMID:31755505	研究论文	开发并评估了一种基于深度学习的低成本自动化成像系统，用于胚胎学中的胚胎评估	开发了两种低成本的自动化成像平台，利用人工智能技术进行快速、可靠和准确的胚胎形态质量评估	仅在低分辨率图像数据上进行了测试，未提及高分辨率图像数据的效果	开发一种成本效益高且易于使用的硬件和软件系统，用于胚胎图像数据的采集和分析，以提高胚胎评估的效率	胚胎的形态质量评估	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	272和319张胚胎图像
2	2024-10-04	DeepHarmony: A deep learning approach to contrast harmonization across scanner changes 2019-12, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.05.041 PMID:31301354	研究论文	提出了一种基于U-Net深度学习架构的对比度协调方法DeepHarmony，用于解决MRI扫描协议和设备变化导致的图像对比度不一致问题	DeepHarmony通过深度学习方法实现了跨扫描协议的对比度协调，显著提高了图像量化的一致性	研究中使用的样本量较小，仅为8例	解决MRI扫描协议和设备变化导致的图像对比度不一致问题，提高多站点或长期研究中的图像量化一致性	MRI图像的对比度协调和量化一致性	计算机视觉	多发性硬化症	深度学习	U-Net	图像	8例重叠队列用于训练数据，多发性硬化症患者的纵向MRI数据用于评估
3	2024-09-13	[A review of deep learning methods for the detection and classification of pulmonary nodules] 2019-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.201903027 PMID:31875384	综述	本文综述了深度学习方法在肺结节检测和分类中的应用	系统介绍了2D-CNN、3D-CNN、Faster R-CNN、MMCNN、DCGAN和迁移学习技术在肺结节检测和分类中的应用	未提及具体实验结果和数据支持	探讨深度学习技术在肺结节检测和分类中的应用	肺结节的检测和分类	计算机视觉	肺癌	深度学习	2D-CNN、3D-CNN、Faster R-CNN、MMCNN、DCGAN	图像	NA
4	2024-09-10	Self-supervised learning for medical image analysis using image context restoration 2019-12, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2019.101539 PMID:31374449	研究论文	本文提出了一种基于图像上下文恢复的自监督学习策略，用于医学图像分析	提出了一种新的自监督学习策略，通过上下文恢复来更好地利用未标记图像，该策略具有学习语义图像特征、适用于不同类型的后续图像分析任务以及实现简单的特点	未明确提及	提高机器学习模型在医学图像分析中的性能，特别是在标记数据不足的情况下	胎儿2D超声图像的扫描平面检测、CT图像中腹部器官的定位以及多模态MR图像中脑肿瘤的分割	计算机视觉	NA	自监督学习	NA	图像	未明确提及
5	2024-09-04	Region-specific Diffeomorphic Metric Mapping 2019-Dec, Advances in neural information processing systems PMID:36081637	研究论文	本文介绍了一种区域特定的微分同胚度量映射（RDMM）注册方法，该方法通过估计时空速度场来参数化所需的空间变换，并允许空间变化的正则化	与现有使用固定空间不变正则化的非参数注册方法（如LDDMM模型）不同，RDMM方法允许通过估计的时空速度场进行空间变化正则化，从而更自然地捕捉大位移	NA	探索RDMM注册方法的性能，并验证其在不同数据集上的应用效果	RDMM注册方法在合成2D数据和两个3D数据集（膝关节MRI和肺部CT图像）上的应用	计算机视觉	NA	微分同胚度量映射	深度学习模型	图像	合成2D数据和两个3D数据集（膝关节MRI和肺部CT图像）
6	2024-09-02	From deep learning to mechanistic understanding in neuroscience: the structure of retinal prediction 2019-Dec, Advances in neural information processing systems PMID:35283616	研究论文	本文通过结合降维和现代归因方法，开发了一种系统方法来从深度神经网络模型中提取和理解计算机制，并应用于视网膜的深度网络模型，揭示了视网膜作为预测特征提取器的工作原理。	本文提出了一种新的系统方法，通过结合降维和现代归因方法，从深度神经网络模型中提取和理解计算机制，为深度网络作为神经科学模型提供了更坚实的理论基础。	本文主要关注于从深度网络模型中提取计算机制，尚未涉及这些机制在生物学上的验证。	研究目的是探索深度学习在神经科学中的应用，并从深度网络模型中提取和理解计算机制。	研究对象是视网膜的深度网络模型及其在处理视觉刺激时的计算机制。	机器学习	NA	深度学习	深度前馈神经网络	视觉刺激	NA
7	2024-08-07	Deep mixed model for marginal epistasis detection and population stratification correction in genome-wide association studies 2019-Dec-27, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-019-3300-9 PMID:31881907	研究论文	本文提出了一种用于边际上位效应检测和人群分层校正的深度混合模型，用于全基因组关联研究	本文提出了一种神经网络方法，能够潜在地模拟遗传关联研究中SNP之间的任意相互作用，作为混合模型在纠正混杂因素方面的扩展	NA	旨在更彻底地建模和发现上位效应	全基因组关联研究中的遗传变异与复杂性状之间的关联	机器学习	老年疾病	深度学习	CNN, LSTM	遗传数据	涉及阿尔茨海默病数据集
8	2024-08-07	Integrate multi-omics data with biological interaction networks using Multi-view Factorization AutoEncoder (MAE) 2019-Dec-20, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-019-6285-x PMID:31856727	研究论文	本文开发了一种名为Multi-view Factorization AutoEncoder (MAE)的方法，该方法能够结合多组学数据和生物交互网络，以揭示疾病背后的分子途径	本文创新性地将领域知识如分子交互网络融入到训练目标中，通过引入良好的归纳偏差来提高模型的泛化能力	由于'大p小n'问题（即高维特征的小样本），仅使用多组学数据训练大规模泛化的深度学习模型非常具有挑战性	旨在解决多组学数据深度学习中的过拟合问题，并探索分子特征与临床特征之间的复杂关系	多组学数据和生物交互网络	机器学习	NA	深度学习	AutoEncoder	多组学数据	小样本
9	2024-08-07	A deep neural network approach to predicting clinical outcomes of neuroblastoma patients 2019-12-20, BMC medical genomics IF:2.1Q3 DOI:10.1186/s12920-019-0628-y PMID:31856829	研究论文	本文提出了一种基于图方法特征提取和深度神经网络的策略，用于预测神经母细胞瘤患者的临床结果	采用图方法进行特征提取，结合深度神经网络模型，提高了预测准确性	研究主要集中在神经母细胞瘤数据集上，可能需要进一步验证在其他疾病数据集上的适用性	开发一种新的方法来预测患者的临床结果，并理解疾病发病机制和治疗反应的生物学机制	神经母细胞瘤患者的临床结果预测	机器学习	神经母细胞瘤	深度学习	深度神经网络 (DNN)	组学数据	四个神经母细胞瘤数据集
10	2024-08-07	SigUNet: signal peptide recognition based on semantic segmentation 2019-Dec-20, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-019-3245-z PMID:31861981	research paper	本研究提出了一种基于语义分割的信号肽识别方法SigUNet，该方法使用不含全连接层的卷积神经网络，并在真核生物数据上表现出优于现有信号肽预测器的性能。	本研究首次将复杂的卷积神经网络应用于信号肽识别，并提出了模型简化和数据增强的方法来改善预测性能。	NA	开发一种准确的信号肽识别器，并展示如何利用其他领域的先进网络进行信号肽识别。	信号肽的识别及其在蛋白质分类中的应用。	computer vision	NA	NA	CNN	sequence	NA
11	2024-08-07	A temporal visualization of chronic obstructive pulmonary disease progression using deep learning and unstructured clinical notes 2019-12-17, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-019-0984-8 PMID:31842874	研究论文	本文提出了一种使用深度学习和非结构化临床笔记来可视化慢性阻塞性肺病（COPD）进展的方法	本文提出了一种四层深度学习模型，利用专门配置的循环神经网络捕捉不规则时间间隔片段，并创建了一个COPD进展的时间可视化图谱	NA	旨在描述COPD患者在死亡前疾病进展的时间，并生成一个描述COPD不同阶段症状和体征的时间可视化图	COPD患者	机器学习	慢性阻塞性肺病	深度学习	循环神经网络	文本	15,500名COPD患者
12	2024-08-07	Estimating Rates of Progression and Predicting Future Visual Fields in Glaucoma Using a Deep Variational Autoencoder 2019-12-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-54653-6 PMID:31792321	研究论文	本文开发了一种深度学习算法，利用深度变分自编码器（VAE）来提高青光眼视觉场损失进展速率的估计和未来模式的预测	使用深度VAE在检测进展速率和预测未来视觉场模式方面表现出显著优势	NA	提高青光眼视觉场损失进展速率的估计和未来模式的预测	青光眼患者的视觉场损失	机器学习	青光眼	深度变分自编码器（VAE）	VAE	视觉场数据	29,161个视觉场数据来自3,832名患者
13	2024-08-07	CRIP: predicting circRNA-RBP-binding sites using a codon-based encoding and hybrid deep neural networks 2019-12, RNA (New York, N.Y.) DOI:10.1261/rna.070565.119 PMID:31537716	研究论文	本文开发了CRIP工具，用于预测circRNA上的RBP结合位点，采用基于密码子的编码方案和混合深度神经网络结构	首次提出基于机器学习的计算工具CRIP，用于预测circRNA上的RBP结合位点，并采用了创新的基于密码子的编码方案和混合深度学习架构	NA	理解circRNA的调控功能，特别是circRNA与RNA结合蛋白（RBP）的相互作用	circRNA与RBP的结合位点	机器学习	NA	NA	CNN和RNN	序列	37个数据集，每个数据集对应一个RBP的结合位点序列片段
14	2024-08-07	How theory and design-based research can mature PBL practice and research 2019-12, Advances in health sciences education : theory and practice IF:3.0Q2 DOI:10.1007/s10459-019-09940-2 PMID:31720879	研究论文	本文探讨了如何通过理论和基于设计的研究来成熟化问题导向学习（PBL）的实践和研究	提出了基于设计的研究（DBR）作为一种新的方法来桥接理论和实践，通过重新设计基于理论的教学实践并与各利益相关者紧密合作来调查这些实践	没有一种万能的解决方案来解决PBL中遇到的问题，且应谨慎得出哪种PBL方法最佳的结论	旨在更好地将PBL实践与情境性、建构性、自我导向性和协作性学习的理论或原则相结合	问题导向学习（PBL）的实践和研究	NA	NA	NA	NA	NA	NA
15	2024-08-07	Tumor tissue classification based on micro-hyperspectral technology and deep learning 2019-Dec-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.006370 PMID:31853405	研究论文	本文利用微型高光谱成像技术，结合深度学习模型，对胃癌组织进行分类研究	提出了一种基于深度学习模型的胃癌组织分析方法，并展示了CNN在提取肿瘤组织深层光谱-空间特征方面的优势	NA	探索高光谱技术在肿瘤组织病理诊断中的应用	胃癌组织与正常组织的分类	机器学习	胃癌	微型高光谱成像技术	CNN	高光谱数据	30名胃癌患者
16	2024-08-07	Deep learning for quality assessment of retinal OCT images 2019-Dec-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.006057 PMID:31853385	研究论文	本研究首次提出了一种基于信号完整性、位置和有效性的OCT图像质量评估（OCT-IQA）系统，并使用四种CNN架构进行训练和评估	首次提出了一种基于深度学习的OCT图像质量评估系统，并通过实验证明了其在提高视网膜病变检测准确性方面的有效性	NA	开发一种自动化的OCT图像质量评估系统，以提高视网膜病变检测的准确性	视网膜OCT图像的质量评估	计算机视觉	NA	深度学习	CNN	图像	使用了两个随机创建的测试数据集，其中一个数据集经过OCT-IQA系统筛选，仅包含高质量图像，另一个数据集混合了高质量和低质量图像
17	2024-08-07	Learning to see stuff 2019-Dec, Current opinion in behavioral sciences IF:4.9Q1 DOI:10.1016/j.cobeha.2019.07.004 PMID:31886321	研究论文	本文探讨了无监督深度学习在解释复杂外观材料（如纺织品和食品）视觉感知中的应用	提出了一种新的框架，通过学习高效准确地编码和预测视觉输入，而不是估计物理量如反射率或光照	文章未明确提及具体限制	解释人类如何学习识别复杂外观的材料	复杂外观的材料，如纺织品和食品	计算机视觉	NA	无监督深度学习	神经网络	图像	未明确提及具体样本数量
18	2024-08-07	Deep Learning Analysis of Cerebral Blood Flow to Identify Cognitive Impairment and Frailty in Persons Living With HIV 2019-12-15, Journal of acquired immune deficiency syndromes (1999) DOI:10.1097/QAI.0000000000002181 PMID:31714429	研究论文	本研究利用深度学习算法分析脑血流，以识别HIV感染者中的认知障碍和虚弱状态	本研究采用深度神经网络模型，通过特征提取技术识别出对认知障碍和虚弱状态预测最强的脑区	NA	研究目的是通过深度学习算法识别HIV感染者的认知障碍和虚弱状态	研究对象为接受联合抗逆转录病毒治疗的病毒学抑制的HIV感染者	机器学习	HIV感染	深度学习算法	深度神经网络（DNN）	脑血流图像	125名HIV感染者
19	2024-08-07	Applying a deep learning-based sequence labeling approach to detect attributes of medical concepts in clinical text 2019-12-05, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-019-0937-2 PMID:31801529	研究论文	本文提出了一种基于深度学习的序列标注方法，用于在临床文本中检测医学概念的属性	将属性检测转换为序列标注问题，实现了属性实体识别和关系分类的同时进行	NA	提高临床文本中医学概念属性检测的准确性	医学概念属性检测任务	自然语言处理	NA	NA	Bi-LSTM-CRF	文本	NA
20	2024-08-07	Comparing biological information contained in mRNA and non-coding RNAs for classification of lung cancer patients 2019-Dec-03, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-019-6338-1 PMID:31796020	研究论文	本文通过分析肺腺癌患者的RNA-seq数据，包括非编码和蛋白质编码RNA，利用深度学习神经网络和其他先进的分类方法，比较了不同类型RNA在癌症分类中的表现。	本研究首次使用非miRNA的ncRNA进行癌症的计算分类，并直接比较了蛋白质编码RNA和非编码RNA的分类能力。	NA	旨在解码人类DNA的意义，这将彻底改变医学和我们对疾病的治疗方式。	肺腺癌患者，一种非小细胞肺癌的组织学亚型。	数字病理学	肺癌	RNA-seq	深度信念网络	RNA数据	肺腺癌患者