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
241	2024-08-07	Predicting optical coherence tomography-derived diabetic macular edema grades from fundus photographs using deep learning 2020-01-08, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-13922-8 PMID:31913272	研究论文	本研究利用深度学习模型从眼底照片预测中心性糖尿病性黄斑水肿（ci-DME）的等级	本研究提出的深度学习模型在预测ci-DME时，其特异性高于专业眼科医生，且无需复杂的3D成像设备	NA	提高糖尿病性黄斑水肿的诊断准确性	中心性糖尿病性黄斑水肿（ci-DME）	机器学习	糖尿病性黄斑水肿	深度学习	NA	图像	NA
242	2024-08-07	Photoplethysmography based atrial fibrillation detection: a review 2020, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-019-0207-9 PMID:31934647	综述	本文综述了使用光电容积脉搏波（PPG）技术进行心房颤动（AF）检测的研究进展	介绍了基于PPG的AF检测在可穿戴设备中的应用，以及相关的信号处理、机器学习和深度学习方法	讨论了这些研究在临床应用中的局限性和挑战	旨在早期筛查AF并启动治疗以预防中风	心房颤动（AF）的检测	NA	心血管疾病	光电容积脉搏波（PPG）	机器学习, 深度学习	信号	NA
243	2024-08-07	Prediction of bone mineral density from computed tomography: application of deep learning with a convolutional neural network 2020-Jun, European radiology IF:4.7Q1 DOI:10.1007/s00330-020-06677-0 PMID:32060712	研究论文	研究使用深度学习模型从无增强的腹部CT图像预测腰椎骨密度	通过深度学习技术，可以从无增强的腹部CT图像中估计腰椎的骨密度	NA	探讨深度学习模型是否能从无增强的腹部CT图像预测腰椎的骨密度	腰椎的骨密度	机器学习	NA	CT	CNN	图像	183名患者，共1665张CT图像，增强后为99,900张图像
244	2024-08-07	Skin Diseases Classification Using Deep Leaning Methods 2020 Apr-Jun, Current health sciences journal DOI:10.12865/CHSJ.46.02.06 PMID:32874685	研究论文	本文提出了一种基于卷积神经网络（CNN）的皮肤病变分类架构，使用图像像素和诊断标签作为输入	使用CNN技术进行皮肤病变分类，相比传统算法具有更高的性能	NA	开发计算机辅助诊断方法，为皮肤科医生提供强大的诊断工具	皮肤病变图像的自动分类	计算机视觉	皮肤疾病	卷积神经网络（CNN）	CNN	图像	10015张图像，包含7种类型的皮肤病变
245	2024-08-07	Predicting transcription factor binding in single cells through deep learning 2020-12, Science advances IF:11.7Q1 DOI:10.1126/sciadv.aba9031 PMID:33355120	研究论文	本文介绍了一种名为scFAN的深度学习模型，用于预测单细胞水平上的转录因子结合谱	scFAN模型通过预训练的ATAC-seq、DNA序列和ChIP-seq数据，利用单细胞ATAC-seq数据预测单细胞中的转录因子结合	NA	开发一种新的深度学习模型，以在单细胞水平上预测转录因子的全基因组结合谱	转录因子在单细胞中的结合谱	机器学习	NA	ATAC-seq, ChIP-seq	深度学习模型	DNA序列数据	NA
246	2024-08-07	VOLUMETRIC LANDMARK DETECTION WITH A MULTI-SCALE SHIFT EQUIVARIANT NEURAL NETWORK 2020-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi45749.2020.9098620 PMID:38915907	研究论文	本文提出了一种多尺度移位等变神经网络用于体积图像中的地标检测	该方法通过多尺度移位等变网络结构和噪声注入策略，实现了快速且内存高效的3D图像地标检测，并提高了模型的鲁棒性	由于GPU内存限制，大规模数据可能限制了所采用神经网络架构的容量，从而可能影响输出精度	开发一种能够在体积图像中进行精确解剖地标检测的深度学习方法	颈动脉分叉的地标检测	计算机视觉	NA	深度神经网络	移位等变神经网络	体积图像	263个CT体积
247	2024-08-05	A multi-scale residual network for accelerated radial MR parameter mapping 2020-11, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2020.08.013 PMID:32882339	研究论文	提出了一种结合加速径向数据采集和多尺度残差网络的深度学习MR参数成像框架	提出的多尺度残差网络在使用加速径向数据的情况下，提供了高质量的对比加权图像和参数图，且重建时间减少两个数量级	在许多应用场景中无法获得完全采样的训练数据	研究加速径向数据采集的MR参数成像方法	针对不同解剖结构和弛豫参数，训练个别网络进行图像重建	数字病理学	NA	深度学习	多尺度残差网络(MS-ResNet)	图像	脑部和膝盖数据集的体内T映射结果
248	2024-08-05	Spatial transcriptomics inferred from pathology whole-slide images links tumor heterogeneity to survival in breast and lung cancer 2020-11-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-75708-z PMID:33139755	研究论文	该文章探讨了如何利用病理全切片图像的数字分析来链接肿瘤异质性与乳腺癌和肺癌的生存率	提出了一种通过深度学习模型空间解析mRNA和miRNA表达水平的方法，并开发了肿瘤异质性指标（HTI）	现有的分析方法对训练样本数量和复杂流程的依赖性较高	研究肿瘤异质性如何影响癌症预后和治疗反应	乳腺癌和肺癌切片	数字病理学	乳腺癌, 肺癌	深度学习	NA	病理全切片图像	使用少量训练样本对两个癌症队列进行评估
249	2024-08-05	A novel deep learning model using dosimetric and clinical information for grade 4 radiotherapy-induced lymphopenia prediction 2020-02-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab63b6 PMID:31851954	研究论文	该文提出了一种新颖的混合深度学习模型，以提高对四级放疗引起的淋巴细胞减少症的预测能力	创新点在于采用了双输入通道的混合深度学习模型，分别处理剂量参数和临床信息，并将其整合以进行最终预测	样本大小限制在505名患者用于训练，216名患者用于测试，可能影响结果的广泛适用性	旨在提高对放疗引起的四级淋巴细胞减少症的预测准确性	涉及的研究对象为接受放疗的患者	机器学习	NA	深度学习	双向长短时记忆网络和多层感知器	临床信息和剂量参数	505名患者用于训练，216名患者用于测试
250	2024-08-05	Time-series cardiovascular risk factors and receipt of screening for breast, cervical, and colon cancer: The Guideline Advantage 2020, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0236836 PMID:32790674	研究论文	本研究探讨了心血管健康指标与癌症筛查之间的关系	首次使用长短期记忆网络（LSTM）预测癌症筛查的接受情况，并量化筛查前后心血管健康的变化	研究依赖于电子健康记录数据，可能存在数据不完整或不准确的问题	理解癌症筛查的风险因素及其对心血管健康的影响	362,533名患者的癌症筛查及心血管健康指标	数字病理学	心血管疾病	LSTM	LSTM	电子健康记录数据	362,533名患者
251	2024-08-05	Data Augmentation and Transfer Learning to Improve Generalizability of an Automated Prostate Segmentation Model 2020-12, AJR. American journal of roentgenology DOI:10.2214/AJR.19.22347 PMID:33052737	研究论文	本研究开发了一个高质量的前列腺分割模型，能够在多个独立数据集上保持高性能	通过转移学习和数据增强改善了前列腺分割模型在外部中心的泛化能力	模型的性能依赖于测试中心的数据，可能影响通用性	旨在提高自动化前列腺分割模型的泛化能力	648名接受前列腺MRI检查的患者的数据集	数字病理学	前列腺癌	深度学习	2D和3D架构	医学影像	648名患者的数据集
252	2024-08-05	Predicting RNA SHAPE scores with deep learning 2020-09, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2020.1760534 PMID:32476596	研究论文	本文提出了一种机器学习方法，用于预测体内RNA的SHAPE评分	提出了一种结合RNA二级结构预测结果和核苷酸序列的机器学习方法	未提及具体的样本量和数据来源	提高计算RNA折叠模拟的准确性	体内RNA结构	机器学习	NA	NA	NA	NA	NA
253	2024-08-05	Generalizing Deep Learning for Medical Image Segmentation to Unseen Domains via Deep Stacked Transformation 2020-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2020.2973595 PMID:32070947	研究论文	本文提出了一种深度堆叠变换的方法，以改进医学图像分割在未见域上的泛化能力	提出了通过在单一源域上进行广泛的数据增强，来模拟特定医学成像模式的预期域偏移，从而提高模型在未见域上的表现	需要在目标域的相关数据（及其注释）上重新训练模型的通用迁移学习和领域适应技术限制了其广泛部署的实际应用	研究医学图像分割模型在不同医院、扫描仪制造商、成像协议和患者人群等变化领域中的泛化能力	对前列腺、左心房和左心室三个不同的3D分割任务进行训练和评估	数字病理	前列腺癌	数据增强	深度学习模型	3D图像	单源域的数据集（10~32个体积），以及一个较大的数据集（465个体积）
254	2024-08-05	Multiresolution Application of Artificial Intelligence in Digital Pathology for Prediction of Positive Lymph Nodes From Primary Tumors in Bladder Cancer 2020-04, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.19.00155 PMID:32330067	研究论文	本研究开发了一种基于人工智能的模型，用于通过数字评估原发肿瘤来识别淋巴结转移的患者	采用新颖的人工智能方法应用于数字病理，以预测膀胱癌患者原发肿瘤中的淋巴结阳性情况	样本量相对较小，尤其是在内部验证组中	研究旨在基于数字病理图像评估原发肿瘤以预测淋巴结转移	研究对象为307名膀胱癌患者，包括294名来自TCGA的患者和13名来自本院的患者	数字病理学	膀胱癌	深度学习	多变量逻辑回归模型	图像	307名患者
255	2024-08-05	Deep Learning for Automatic Calcium Scoring in CT: Validation Using Multiple Cardiac CT and Chest CT Protocols 2020-04, Radiology IF:12.1Q1 DOI:10.1148/radiol.2020191621 PMID:32043947	研究论文	该文章评估了一种深度学习方法在多种CT检查中自动计算钙得分的性能	提出了一种能适应不同类型CT检查的深度学习钙得分算法，并通过补充代表性图像来验证其效果	未探讨在非常规或其他类型CT协议下的性能表现	评估深度学习方法在各种CT检查中的自动钙得分能力	7240名接受不同类型非增强CT检查的参与者	计算机视觉	心血管疾病	卷积神经网络	CNN	图像	7240名参与者
256	2024-08-05	Target identification among known drugs by deep learning from heterogeneous networks 2020-Jan-13, Chemical science IF:7.6Q1 DOI:10.1039/c9sc04336e PMID:34123272	研究论文	本文开发了一种深度学习方法deepDTnet，用于从异构网络中识别已知药物的新靶点和药物再利用。	deepDTnet在识别已知药物的新分子靶点方面具有高准确性，超过了以往的最新方法。	未提及研究的具体限制。	研究目的是开发一种有效的药物靶点识别和药物再利用的方法。	研究对象为732种FDA批准的小分子药物。	机器学习	NA	深度学习	NA	NA	732种FDA批准的小分子药物
257	2024-08-05	Identification of Bacterial Blight Resistant Rice Seeds Using Terahertz Imaging and Hyperspectral Imaging Combined With Convolutional Neural Network 2020, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2020.00821 PMID:32670316	研究论文	本研究探讨了利用太赫兹成像技术和近红外高光谱成像技术识别抗细菌性褐斑病水稻种子的可行性	结合太赫兹成像与卷积神经网络（CNN）的方法在准确性上超过了传统的近红外高光谱成像	未提到具体的样本种类与数量，因此对结果的普遍性需进一步验证	快速识别出抗细菌性褐斑病的水稻种子	抗细菌性褐斑病水稻种子	数字病理学	NA	太赫兹成像和近红外高光谱成像	卷积神经网络（CNN）	高光谱图像和光谱数据	NA
258	2024-08-05	Accelerated training of bootstrap aggregation-based deep information extraction systems from cancer pathology reports 2020-10, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2020.103564 PMID:32919043	研究论文	本研究探讨了通过数据划分和模型集成加速癌症病理报告的深度信息提取系统的训练	提出将大问题划分为多个子问题，并通过模型集成提高任务性能和加速训练	数据划分依赖于主要癌症部位，因此准确性受分区决定的影响，需要进一步调查和改进	提高癌症病理报告中的信息提取性能和训练速度	电子癌症病理报告中的自由文本数据	机器学习	癌症	深度学习，模型集成	多任务卷积神经网络 (MT-CNN)，多任务层次卷积注意力网络 (MT-HCAN)	文本	训练案例重新采样2000次，生成了多达40000个模型
259	2024-08-05	Deep Parametric Mixtures for Modeling the Functional Connectome 2020-Oct, PRedictive Intelligence in MEdicine. PRIME (Workshop) DOI:10.1007/978-3-030-59354-4_13 PMID:33163995	研究论文	本文介绍了一种深度学习模型，用于基于因子值预测功能连接组，以更好地理解各种因素对大脑功能的影响	该研究提出的模型能够克服传统方法在处理连续因子时所带来的不一致性问题，通过定义在相关矩阵上的单纯形，确保生成合理的连接组	该研究的局限性在于其模型的应用仅限于休息态fMRI数据，未探讨其他类型的数据或其他因子的影响	研究旨在通过建模功能连接组，深入理解不同因素对大脑功能的影响	研究对象为281名参与者的休息态fMRI扫描数据，以研究性别、酒精和HIV对大脑功能的影响	计算机视觉	NA	深度学习	NA	fMRI扫描	281名参与者
260	2024-08-05	Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes 2020-Oct, Shape in Medical Imaging : International Workshop, ShapeMI 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4, 2020, Proceedings DOI:10.1007/978-3-030-61056-2_8 PMID:33283214	研究论文	该论文提出了一种基于网格的技术，以帮助分类阿尔茨海默病痴呆（ADD）	创新点在于提出了一种残差学习框架的图卷积网络，显著减少了可学习参数，并提供了网络的可视化解释	该研究未提及样本量限制或数据来源的多样性问题	研究旨在通过分析大脑形状，改善阿尔茨海默病痴呆的分类	研究对象为大脑皮层和皮层下结构的网格表示	计算机视觉	阿尔茨海默病	图卷积网络	残差学习框架	图形数据	在25次试验的蒙特卡洛交叉验证中确认模型性能