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	2024-12-15	Multimodality Imaging and Artificial Intelligence for Tumor Characterization: Current Status and Future Perspective 2020-Nov, Seminars in nuclear medicine IF:4.6Q1 DOI:10.1053/j.semnuclmed.2020.07.003 PMID:33059823	研究论文	本文探讨了多模态影像与人工智能在肿瘤特征分析中的应用现状及未来展望	人工智能通过机器学习和深度学习，能够整合大量异质性数据进行分析，提供自动化和可重复的定量影像生物标志物	需要设定质量标准，包括影像采集的标准化、模型开发的透明性、验证和测试的高质量过程以及算法的更好可解释性	研究多模态影像与人工智能在肿瘤特征分析中的应用，以实现精准肿瘤学	肿瘤的特征分析和分子表达的非侵入性监测	计算机视觉	NA	机器学习，深度学习	NA	影像	NA
2	2024-12-12	On the objectivity, reliability, and validity of deep learning enabled bioimage analyses 2020-10-19, eLife IF:6.4Q1 DOI:10.7554/eLife.59780 PMID:33074102	研究论文	本文探讨了深度学习在生物图像分析中的客观性、可靠性和有效性	提出了一种集成数据标注、真实值估计和模型训练的分析流程，以提高深度学习模型在生物图像分析中的客观性、可靠性和有效性	本文主要基于小鼠和斑马鱼的数据进行研究，可能无法完全推广到其他生物或实验条件	评估集成数据标注、真实值估计和模型训练的深度学习分析流程的有效性	小鼠和斑马鱼的荧光标记图像	计算机视觉	NA	深度学习	深度学习模型（未具体说明模型类型）	图像	来自两个模式生物（小鼠、斑马鱼）和五个实验室的数据
3	2024-12-12	Industry-scale application and evaluation of deep learning for drug target prediction 2020-Apr-19, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-020-00428-5 PMID:33430964	研究论文	本文研究了基于公共数据训练的机器学习模型在制药行业数据上的应用和评估	首次在大规模行业环境中评估机器学习和深度学习在药物靶点预测中的潜力，并研究了公共数据训练的靶点预测模型在工业生物活性预测管道中的可转移性	NA	评估机器学习模型在制药行业数据上的应用效果	基于公共数据训练的机器学习模型在制药行业数据上的应用	机器学习	NA	深度学习	深度学习模型	数据	NA
4	2024-12-09	In silico spectral libraries by deep learning facilitate data-independent acquisition proteomics 2020-01-09, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-13866-z PMID:31919359	研究论文	本文提出了一种基于深度学习的计算光谱库生成方法DeepDIA，用于数据独立采集（DIA）蛋白质组学分析	DeepDIA能够生成与实验光谱库质量相当甚至更好的计算光谱库，并能直接从蛋白质序列数据库中构建光谱库，突破了依赖数据依赖采集（DDA）实验的限制	NA	开发一种新的方法来生成计算光谱库，以促进DIA蛋白质组学分析	人类血清样本中的肽和蛋白质	蛋白质组学	NA	数据独立采集（DIA）	深度学习模型	蛋白质序列数据库	人类血清样本
5	2024-12-06	Use of artificial intelligence in diagnosis of head and neck precancerous and cancerous lesions: A systematic review 2020-11, Oral oncology IF:4.0Q2 DOI:10.1016/j.oraloncology.2020.104885 PMID:32674040	综述	本文系统综述了人工智能在头颈部癌前病变和癌症诊断中的应用及其诊断准确性	本文首次系统综述了人工智能在头颈部癌前病变和癌症诊断中的应用，并评估了其诊断准确性	本文发现大多数研究存在高偏倚风险，可能导致准确率被高估，且缺乏对其他头颈部病理的AI诊断证据	评估人工智能在头颈部癌前病变和癌症诊断中的应用及其诊断准确性	头颈部癌前病变和癌症，包括口腔上皮发育不良、口腔黏膜下纤维化、口腔鳞状细胞癌和口咽鳞状细胞癌	数字病理	头颈部癌	人工智能	监督学习方法	图像	11项研究，涉及40-270张全切片图像
6	2024-11-21	Deep learning based spectral extrapolation for dual-source, dual-energy x-ray computed tomography 2020-Sep, Medical physics IF:3.2Q1 DOI:10.1002/mp.14324 PMID:32531114	研究论文	本文提出了一种基于深度学习的双源双能X射线计算机断层扫描（CT）光谱外推方法	本文创新性地使用深度学习算法来实现双源双能CT数据的光谱外推，通过学习特征-对比关系来提高外推的准确性	本文方法在处理几何简单的幻影数据时性能有所下降，表明其依赖于特征-对比关系来正确推断光谱对比度	研究目的是开发一种能够在外推光谱对比度时提高准确性的深度学习算法	研究对象是双源双能腹部X射线CT扫描数据	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	50例双源双能腹部X射线CT扫描数据
7	2024-11-15	Influence of the combination of big data technology on the Spark platform with deep learning on elevator safety monitoring efficiency 2020, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0234824 PMID:32555687	研究论文	研究结合大数据技术和深度学习技术在Spark平台上提升电梯安全监控效率	提出了一种基于Spark平台的有限状态机模型和深度学习电梯故障预警模型	未详细说明模型的训练数据来源和样本量	提升电梯安全监控效率	电梯安全监控和故障预警	机器学习	NA	大数据技术, 深度学习	有限状态机 (FSM), 深度学习模型	电梯运行数据	未明确说明样本量
8	2024-11-08	Accelerating GluCEST imaging using deep learning for B0 correction 2020-10, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.28289 PMID:32301185	研究论文	本文提出了一种基于深度学习的算法，用于加速GluCEST成像中的B0校正	本文提出了一种新的深度学习算法，结合了宽激活神经网络块，以解决GluCEST成像中由于B0不均匀性导致的长时间采集和高噪声比问题	NA	加速GluCEST成像并提高信号噪声比	大脑中的谷氨酸分布	计算机视觉	NA	GluCEST MRI	深度残差网络	图像	NA
9	2024-11-08	Denoising arterial spin labeling perfusion MRI with deep machine learning 2020-05, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2020.01.005 PMID:31954173	研究论文	本文提出并验证了一种基于深度学习的动脉自旋标记灌注MRI去噪算法（DL-ASL）	使用卷积神经网络（CNN）结合扩张卷积和宽激活残差块，显著提高了ASL MRI的信噪比（SNR），并展示了在不牺牲CBF测量质量的情况下减少75%采集时间的潜力	NA	提高动脉自旋标记灌注MRI的信噪比和采集效率	动脉自旋标记灌注MRI图像	计算机视觉	NA	动脉自旋标记灌注MRI	卷积神经网络（CNN）	图像	NA
10	2024-11-06	An LSTM-Based Prediction Method for Lower Limb Intention Perception by Integrative Analysis of Kinect Visual Signal 2020, Journal of healthcare engineering DOI:10.1155/2020/8024789 PMID:32774824	研究论文	提出了一种基于LSTM网络的下肢意图感知预测方法，通过整合Kinect视觉信号进行下肢关节轨迹预测，以实现主动康复	利用LSTM网络学习序列特征，通过上肢关节角度预测下肢关节轨迹，实现下肢意图感知	仅在健康受试者中进行了验证，未涉及不同病理条件下的应用	开发一种基于计算机视觉和深度学习的下肢意图感知方法，用于康复机器人系统的主动康复	下肢关节轨迹预测，下肢意图感知	计算机视觉	NA	Kinect视觉信号	LSTM	关节角度	10名健康受试者，在四种不同步行速度下采集数据
11	2024-10-26	Anatomical Context Protects Deep Learning from Adversarial Perturbations in Medical Imaging 2020-Feb-28, Neurocomputing IF:5.5Q1 DOI:10.1016/j.neucom.2019.10.085 PMID:32863583	研究论文	研究了深度学习在医学影像处理中对抗性扰动的影响，并比较了传统深度神经网络和结合解剖学上下文特征的混合模型的鲁棒性	提出了一种结合解剖学上下文特征的混合深度学习模型，该模型在对抗性扰动下表现出更高的鲁棒性	当前深度学习技术在临床应用中存在局限性	研究对抗性扰动对医学影像处理中深度学习模型的影响，并探索提高模型鲁棒性的方法	3D MRI脑部图像和基于图像预测个体年龄的任务	计算机视觉	NA	深度学习	深度神经网络和混合深度学习模型	图像	大量3D MRI脑部图像
12	2024-10-12	[Segmentation of organs at risk in nasopharyngeal cancer for radiotherapy using a self-adaptive Unet network] 2020-Nov-30, Nan fang yi ke da xue xue bao = Journal of Southern Medical University DOI:10.12122/j.issn.1673-4254.2020.11.07 PMID:33243744	研究论文	研究基于自适应Unet网络在鼻咽癌放疗中对危及器官的自动分割精度	提出了基于三维Unet的改进网络AUnet，并引入了器官大小作为先验知识来优化卷积核设计，提高了网络对不同大小器官特征的提取能力	AUnet在视神经和视交叉的分割结果与手动分割存在显著差异	研究鼻咽癌放疗中危及器官自动分割的准确性	鼻咽癌患者的危及器官	计算机视觉	鼻咽癌	自适应直方图均衡化算法	AUnet	CT图像	147例鼻咽癌患者
13	2024-10-11	Sentiment Analysis of COVID-19 tweets by Deep Learning Classifiers-A study to show how popularity is affecting accuracy in social media 2020-Dec, Applied soft computing IF:7.2Q1 DOI:10.1016/j.asoc.2020.106754 PMID:33013254	研究论文	研究通过深度学习分类器分析COVID-19相关推文的情绪，探讨社交媒体中流行度对准确性的影响	提出了一种基于高斯隶属函数的模糊规则库来正确识别推文情绪，并验证了深度学习分类器在推文情绪分析中的应用	研究仅分析了特定时间段内的推文，未涵盖更广泛的时间范围	探讨COVID-19相关推文中情绪分析的准确性，并提出改进方法	COVID-19相关推文及其情绪分析	自然语言处理	NA	深度学习	深度学习分类器	文本	分析了23,000条最常转发的推文和226,668条推文
14	2024-10-11	Multi-task deep learning based CT imaging analysis for COVID-19 pneumonia: Classification and segmentation 2020-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2020.104037 PMID:33065387	研究论文	本文提出了一种基于多任务深度学习的胸部CT影像分析工具，用于COVID-19肺炎的分类和分割	本文提出了一种新的多任务深度学习模型，通过联合执行分割、分类和重建任务来识别COVID-19患者并分割病变区域	本文未提及具体的局限性	开发一种自动化的分类和分割工具，以帮助筛查COVID-19肺炎并评估其严重程度	COVID-19肺炎患者的胸部CT影像	计算机视觉	COVID-19	深度学习	多任务深度学习模型	影像	1369名患者，其中包括449名COVID-19患者、425名正常患者、98名肺癌患者和397名其他病理患者
15	2024-10-11	Advanced Deep Learning Techniques Applied to Automated Femoral Neck Fracture Detection and Classification 2020-10, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-020-00364-8 PMID:32583277	研究论文	使用深度学习和高级数据增强技术进行股骨颈骨折的自动检测和分类	采用生成对抗网络（GAN）和数字重建放射图像（DRR）进行数据增强，提高了股骨颈骨折诊断和分类的准确性	研究仅限于回顾性分析，且样本量相对较小	开发一种能够准确诊断和分类股骨颈骨折的深度学习工具	股骨颈骨折的诊断和分类	计算机视觉	骨科疾病	深度学习	卷积神经网络（CNN）	图像	1063张AP髋关节X光片，来自550名患者
16	2024-10-11	Deep learning with noisy labels: Exploring techniques and remedies in medical image analysis 2020-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2020.101759 PMID:32623277	研究论文	本文探讨了在医学图像分析中使用深度学习处理噪声标签的技术和补救措施	本文开发了新的方法来对抗噪声标签的负面影响，并提供了针对不同类型噪声标签的缓解方法的建议	本文主要集中在噪声标签的处理上，未涉及其他可能影响深度学习模型性能的因素	帮助医学图像分析研究人员和开发者选择和设计有效处理深度学习中噪声标签的新技术	医学图像分析中的噪声标签问题	计算机视觉	NA	深度学习	深度模型	图像	三个医学影像数据集
17	2024-10-11	Faster RCNN-based detection of cervical spinal cord injury and disc degeneration 2020-Sep, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.13001 PMID:32797664	研究论文	本研究利用深度神经网络结合Faster R-CNN模型，通过MRI图像检测颈椎脊髓损伤和椎间盘退变	首次将Faster R-CNN应用于MRI图像中颈椎疾病的分类和检测	研究样本仅限于1500名患者，且数据集划分存在不平衡	探索深度学习在MRI图像中颈椎疾病检测的应用	颈椎脊髓损伤和椎间盘退变	计算机视觉	脊髓疾病	MRI	Faster R-CNN	图像	1500名患者，分为椎间盘组（800例）、损伤组（200例）和正常组（500例）
18	2024-10-11	Objective assessment of stored blood quality by deep learning 2020-09-01, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2001227117 PMID:32839303	研究论文	本文展示了使用无标签成像流式细胞术和深度学习来评估储存红细胞损伤的方法	本文提出了一种基于深度学习的无标签成像流式细胞术方法，用于客观评估储存红细胞的质量，并展示了其在分类红细胞形态方面的优越性	该方法尚未在多个站点、协议和仪器上进行广泛的临床测试	开发一种自动化且客观的方法来评估储存红细胞的质量	储存红细胞的损伤评估	机器学习	NA	深度学习	神经网络	图像	NA
19	2024-10-11	Knowledge-primed neural networks enable biologically interpretable deep learning on single-cell sequencing data 2020-08-03, Genome biology IF:10.1Q1 DOI:10.1186/s13059-020-02100-5 PMID:32746932	研究论文	本文介绍了一种知识引导的神经网络（KPNNs），用于在单细胞测序数据上进行可解释的深度学习	KPNNs结合了深度学习的预测能力和生物网络的可解释性，通过在多层网络中分配有意义的权重，增强了模型的可解释性	本文仅在单细胞测序数据上验证了KPNNs的应用，未来需要在其他领域进一步验证其广泛适用性	开发一种结合深度学习预测能力和生物网络可解释性的方法	单细胞RNA测序数据，包括癌症和免疫细胞	机器学习	NA	单细胞RNA测序	神经网络	基因表达数据	五个生物应用中的单细胞RNA测序数据
20	2024-10-11	Revealing architectural order with quantitative label-free imaging and deep learning 2020-07-27, eLife IF:6.4Q1 DOI:10.7554/eLife.55502 PMID:32716843	研究论文	本文报道了使用定量无标记成像和深度学习技术揭示未标记活细胞和组织切片中结构密度、各向异性和方向的方法	结合定量无标记成像（QLIPP）和深度神经网络，预测多种细胞和组织结构的荧光图像，并开发了多通道2.5D U-Net架构和数据归一化方法	NA	揭示未标记活细胞和组织切片中的结构密度、各向异性和方向，并预测荧光图像	未标记的活细胞和组织切片	计算机视觉	NA	定量无标记成像（QLIPP）	多通道2.5D U-Net	图像	NA