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
261	2024-08-07	Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks 2020-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2020.103795 PMID:32568676	研究论文	本研究利用深度学习技术，通过10种卷积神经网络对CT图像进行分析，以快速诊断COVID-19并辅助临床管理	使用10种不同的卷积神经网络模型，特别是ResNet-101和Xception，显著提高了COVID-19的诊断准确性	研究仅限于CT图像分析，未涉及其他诊断方法的比较	开发一种快速有效的COVID-19诊断方法，以辅助高负荷条件下的临床管理	COVID-19患者和其他非COVID-19肺炎患者的CT图像	计算机视觉	COVID-19	深度学习	卷积神经网络	图像	1020张CT切片，包括108名COVID-19患者和86名其他肺炎患者
262	2024-08-07	Genomic analysis of the natural history of attention-deficit/hyperactivity disorder using Neanderthal and ancient Homo sapiens samples 2020-05-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-65322-4 PMID:32451437	研究论文	本研究利用尼安德特人和古代智人样本的基因组分析，探讨了注意力缺陷多动障碍（ADHD）的自然历史	首次利用古人类样本的基因组数据，结合现代人群的GWAS元分析，探讨ADHD相关等位基因的进化历史	研究主要集中在欧洲人群，可能无法完全代表全球ADHD的遗传特征	验证ADHD相关等位基因在古人类中的进化趋势，并探讨其与环境变化的适应性	ADHD相关等位基因在古人类和现代人类中的分布和进化	遗传学	神经发育障碍	GWAS元分析	近似贝叶斯计算结合深度学习分析	基因组数据	包括超过20,000名ADHD患者和35,000名对照组
263	2024-08-07	Data-driven analysis using multiple self-report questionnaires to identify college students at high risk of depressive disorder 2020-05-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-64709-7 PMID:32398788	研究论文	本研究利用深度学习、多模态表示和可解释性技术，通过分析临床问卷来诊断抑郁症	提出了一种新的数据驱动方法，通过共享表示模型在同一潜在空间中表示三种不同问卷形式的回答，并比较了无监督和半监督两种数据驱动诊断方法	无监督方法虽然考虑了更多项目，但性能较低，因为它试图最大化组间差异	开发一种新的数据驱动框架，用于分析与抑郁症直接或间接相关的项目，以诊断抑郁症	大学生中的高风险抑郁症患者	机器学习	抑郁症	深度学习	共享表示模型	问卷数据	未明确提及具体样本数量
264	2024-08-07	Training deep learning algorithms with weakly labeled pneumonia chest X-ray data for COVID-19 detection 2020-May-08, medRxiv : the preprint server for health sciences DOI:10.1101/2020.05.04.20090803 PMID:32511448	研究论文	本文探讨了使用弱标签的肺炎胸片数据训练深度学习算法以检测COVID-19的方法	通过使用弱标签数据增强训练数据分布，提高了卷积神经网络算法在检测COVID-19感染胸片中的性能	NA	开发图像为基础的自动化决策支持工具，以减轻放射学负担	COVID-19感染的胸片检测	计算机视觉	肺部疾病	卷积神经网络	CNN	图像	使用来自公开可用CXR集合的弱标签图像进行数据增强
265	2024-08-07	A Convolutional Neural Network-Based Approach for the Rapid Annotation of Molecularly Diverse Natural Products 2020-03-04, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.9b13786 PMID:32045230	研究论文	本文首次应用基于NMR的机器学习工具SMART 2.0进行混合物分析，加速发现和表征新的天然产物	采用SMART 2.0工具结合传统和深度学习辅助分析方法，克服了天然产物药物发现中的长期挑战	NA	加速天然产物的发现和表征	海洋丝状蓝藻提取物中的天然产物	机器学习	NA	NMR, MS	CNN	混合物	NA
266	2024-08-07	Deep learning-enabled point-of-care sensing using multiplexed paper-based sensors 2020, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-020-0274-y PMID:32411827	研究论文	本文介绍了一种基于深度学习的框架，用于设计和量化点-of-care传感器，并以高灵敏度C-反应蛋白测试为例，展示了低成本和快速的纸基垂直流试剂盒	本文提出了一种机器学习框架，用于确定免疫反应点的最佳配置和条件，并在传感膜上进行空间多路复用，以准确推断目标分析物浓度	NA	开发一种成本效益高且便携的点-of-care传感器设计框架	高灵敏度C-反应蛋白测试，用于评估心血管疾病风险	机器学习	心血管疾病	深度学习	机器学习框架	纸基垂直流试剂盒	85个人类样本
267	2024-08-07	Deep Learning-Based Methods for Automatic Diagnosis of Skin Lesions 2020-Mar-21, Sensors (Basel, Switzerland) DOI:10.3390/s20061753 PMID:32245258	研究论文	本文旨在开发一种基于深度学习的高精度系统，用于自动诊断皮肤病变	本文的创新点在于集成多种分类器方法于一个基于全局融合的决策系统中，利用各方法的结果来确定融合权重	NA	开发一种高精度的皮肤病变自动诊断系统	皮肤病变，包括黑色素瘤和良性痣	机器学习	NA	深度学习	神经网络（NN）、卷积神经网络（CNN）	图像	使用了两个不同的免费数据库进行实验
268	2024-08-07	Skin lesion classification using ensembles of multi-resolution EfficientNets with meta data 2020, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2020.100864 PMID:32292713	研究论文	本文描述了在ISIC 2019皮肤病变分类挑战中使用多分辨率EfficientNets集成方法的方法	采用数据驱动方法处理测试集中的未知类别，通过损失平衡处理严重的类别不平衡，以及使用两种裁剪策略和多裁剪评估处理不同分辨率的图像	NA	参与并赢得ISIC 2019皮肤病变分类挑战	皮肤病变分类	计算机视觉	皮肤病变	深度学习	EfficientNets, SENet, ResNeXt WSL	图像	涉及不同分辨率的皮肤镜图像和患者元数据
269	2024-08-07	A Deep Siamese Convolution Neural Network for Multi-Class Classification of Alzheimer Disease 2020-Feb-05, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci10020084 PMID:32033462	研究论文	本文开发了一种基于VGG-16的孪生卷积神经网络模型，用于阿尔茨海默病的多类分类，并通过数据增强方法提高了模型的性能	提出了一种基于VGG-16的孪生卷积神经网络模型，并通过数据增强方法解决了数据不足和不平衡的问题	NA	开发一种高效的深度学习模型，用于阿尔茨海默病的早期诊断和痴呆阶段分类	阿尔茨海默病的痴呆阶段分类	机器学习	阿尔茨海默病	MRI	孪生卷积神经网络（SCNN）	图像	使用公开数据集OASIS进行实验
270	2024-08-07	Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation 2020, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2020.00017 PMID:32265680	研究论文	本文提出了一种新颖、高效且多任务的算法，联合解决医学图像分析中的图像配准和脑肿瘤分割问题	该方法通过在推理过程中自然耦合任务间的相互依赖性，利用高效的简单公式放松肿瘤区域的相似性约束	NA	旨在开发一种联合图像配准和脑肿瘤分割的深度学习算法	图像配准和脑肿瘤分割	计算机视觉	脑肿瘤	深度学习	NA	图像	两个公开数据集（BraTS 2018 和 OASIS 3）
271	2024-08-07	A Role for FDG PET Radiomics in Personalized Medicine? 2020-Nov, Seminars in nuclear medicine IF:4.6Q1 DOI:10.1053/j.semnuclmed.2020.05.002 PMID:33059822	综述	本文综述了放射组学在分子影像学中的应用，特别是在肺癌中的研究进展	介绍了使用机器学习和深度学习方法在放射组学中的应用，这些方法可以自动学习特征，无需预定义和图像预处理	目前放射组学的研究仍处于早期阶段，仅有有限的研究成果被纳入常规实践	探讨放射组学在个性化医疗中的潜在作用	主要研究对象为肺癌	数字病理学	肺癌	F-氟脱氧葡萄糖正电子发射断层扫描（F-FDG-PET）	人工神经网络	图像	NA
272	2024-08-07	Accurate identification of breast cancer margins in microenvironments of ex-vivo basal and luminal breast cancer tissues using Raman spectroscopy 2020-Dec, Prostaglandins & other lipid mediators IF:2.5Q3 DOI:10.1016/j.prostaglandins.2020.106475 PMID:32711127	研究论文	本研究使用拉曼光谱技术对离体基底和腔内乳腺癌组织的微环境进行精确识别，并开发了一种卷积神经网络（CNN）深度学习算法来区分组织切片中的组织病理学特征。	本研究利用拉曼光谱技术提供了快速、无标记的微观特征成像，并开发了一种深度学习算法来提高识别准确性。	NA	研究目的是更好地理解乳腺癌肿瘤微环境，以辅助手术切除和肿瘤发展过程的理解。	研究对象包括88个冷冻的乳腺组织切片，其中44个为正常组织，44个为肿瘤组织。	数字病理学	乳腺癌	拉曼光谱	CNN	图像	88个冷冻乳腺组织切片
273	2024-08-07	Image Segmentation of the Ventricular Septum in Fetal Cardiac Ultrasound Videos Based on Deep Learning Using Time-Series Information 2020-Nov-08, Biomolecules IF:4.8Q1 DOI:10.3390/biom10111526 PMID:33171658	研究论文	本文提出了一种名为Cropping-Segmentation-Calibration（CSC）的新型分割方法，专门用于胎儿心脏超声视频中的室间隔图像分割	CSC方法利用视频的时间序列信息和特定部分信息校准U-net的输出，显著提高了分割性能	NA	开发一种新的图像分割方法，以精确检测胎儿心脏超声视频中的室间隔	胎儿心脏超声视频中的室间隔	计算机视觉	NA	深度学习	U-net	视频	615帧来自421个正常胎儿心脏超声视频，涉及211名孕妇
274	2024-08-07	Latent space manipulation for high-resolution medical image synthesis via the StyleGAN 2020-Nov, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2020.05.001 PMID:32564924	研究论文	本文探讨了StyleGAN模型作为高分辨率合成医学图像生成器的潜力	利用StyleGAN的样式转换功能在不同模态间移动图像，并通过操纵潜在样式向量来转换图像特征	NA	研究StyleGAN模型在生成合成医学图像方面的应用	盆腔恶性肿瘤患者的CT和T2加权MR图像	计算机视觉	NA	StyleGAN	StyleGAN	图像	100名盆腔恶性肿瘤患者
275	2024-08-07	Efficient prediction of drug-drug interaction using deep learning models 2020-Aug, IET systems biology IF:1.9Q3 DOI:10.1049/iet-syb.2019.0116 PMID:32737279	研究论文	本文提出并实现了一种集成的卷积混合密度循环神经网络模型，用于高效预测药物-药物相互作用	提出的模型结合了卷积神经网络、循环神经网络和混合密度网络，通过广泛的比较分析显示出显著优于竞争模型的性能	目前文章未提及具体限制	旨在提高药物-药物相互作用预测的效率和准确性	药物-药物相互作用	机器学习	NA	卷积神经网络、循环神经网络、混合密度网络	卷积混合密度循环神经网络	NA	NA
276	2024-08-07	Scale and translation-invariance for novel objects in human vision 2020-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-57261-6 PMID:31996698	研究论文	本研究通过测量非韩语使用者在一次闪现学习中对韩文字母的识别准确率，探讨了人类视觉对新物体识别的尺度不变性和位置不变性	研究发现人类在单次暴露于新物体后具有显著的尺度不变性，并提出了神经网络模型应内置尺度不变性以解释人类对物体的恒定识别	位置不变性的范围有限，取决于呈现物体的大小和位置	探究人类视觉对新物体识别的尺度不变性和位置不变性	人类视觉对新物体识别的不变性	计算机视觉	NA	NA	神经网络模型	图像	非韩语使用者
277	2024-08-07	Improved small blob detection in 3D images using jointly constrained deep learning and Hessian analysis 2020-01-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-57223-y PMID:31941994	研究论文	本文提出了一种结合深度学习和Hessian分析的联合约束小斑点检测方法，用于改进3D图像中的小斑点检测	提出的UH-DoG方法在精确度和F分数上优于其他比较方法	NA	开发用于早期诊断和疾病分期的成像生物标志物	小斑点（blobs）在图像中的检测和分割	计算机视觉	NA	深度学习，Hessian分析	U-Net	图像	使用了公开的2D荧光数据集（细胞核检测）和3D肾脏磁共振成像数据集（肾小球检测）
278	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
279	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
280	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