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	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
2	2024-10-10	Generalizable, Reproducible, and Neuroscientifically Interpretable Imaging Biomarkers for Alzheimer's Disease 2020-Jul, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202000675 PMID:32714766	研究论文	本文提出了一种深度学习模型3DAN，用于阿尔茨海默病的诊断，并通过多中心和公共数据库验证其泛化性和可重复性	本文创新性地提出了3DAN模型，结合注意力机制模块，能够同时捕捉候选影像生物标志物并提高阿尔茨海默病的诊断准确性	NA	开发个性化、可重复且神经科学上可解释的生物标志物，以支持阿尔茨海默病的精准医学	阿尔茨海默病及其轻度认知障碍阶段	机器学习	阿尔茨海默病	深度学习	3D注意力网络（3DAN）	影像	716个内部多中心样本和1116个公共数据库样本
3	2024-10-09	Early triage of critically ill COVID-19 patients using deep learning 2020-07-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-17280-8 PMID:32669540	研究论文	本文展示了基于深度学习的生存模型可以预测COVID-19患者发展为重症的风险	开发了一种基于深度学习的生存模型，用于早期识别COVID-19患者发展为重症的风险	NA	早期识别COVID-19患者发展为重症的风险	COVID-19患者	机器学习	COVID-19	深度学习	生存模型	临床特征	1590名患者，来自575家医疗中心，并在武汉、湖北和广东省的三个独立队列中验证，共1393名患者
4	2024-08-26	Improving detection of prostate cancer foci via information fusion of MRI and temporal enhanced ultrasound 2020-Jul, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-020-02172-5 PMID:32372384	研究论文	本文研究了通过融合MRI和时间增强超声（TeUS）信息来提高前列腺癌焦点检测的方法	首次在大规模研究中深入探索了MRI和超声信息的定量融合	NA	提高前列腺癌焦点在活检中的定位精度	前列腺癌焦点检测	数字病理学	前列腺癌	时间增强超声（TeUS）	全卷积网络（FCN）	图像	107名患者，145个活检核心
5	2024-08-07	Artificial Intelligence in Dentistry: Chances and Challenges 2020-07, Journal of dental research IF:5.7Q1 DOI:10.1177/0022034520915714 PMID:32315260	综述	本文综述了人工智能在牙科诊断、治疗规划和执行中的应用、局限性和未来潜力	探讨了人工智能在牙科领域的应用如何简化护理流程，减轻牙科工作者的日常劳动，提高健康水平并降低成本	当前人工智能解决方案在牙科常规实践中应用有限，主要原因包括数据可用性、结构和全面性的限制，方法学严谨性和标准的缺乏，以及实际应用中的价值和有用性问题	探讨人工智能在牙科领域的应用及其未来发展	牙科诊断、治疗规划、执行以及牙科研究和发现	机器学习	NA	深度学习	多层数学操作	图像	NA
6	2024-08-07	DoseGAN: a generative adversarial network for synthetic dose prediction using attention-gated discrimination and generation 2020-07-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-68062-7 PMID:32632116	研究论文	本文提出了一种基于注意力门控生成对抗网络（DoseGAN）的合成剂量预测方法，以提高治疗计划效率和放疗计划质量	DoseGAN通过注意力门控机制聚焦于相关解剖结构，提高了学习效率，增加了模型复杂性，并减少了网络冗余	NA	开发一种新的深度学习算法，用于预测放射剂量，以提高治疗计划效率和放疗计划质量	前列腺SBRT患者的放射剂量预测	机器学习	前列腺癌	生成对抗网络（GAN）	GAN	图像	141名前列腺SBRT患者
7	2024-08-07	Learning context-aware structural representations to predict antigen and antibody binding interfaces 2020-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaa263 PMID:32321157	研究论文	本文开发了一个统一的深度学习框架，用于预测抗体和抗原的结合界面	该框架结合了图卷积、注意力机制和迁移学习，以提高预测准确性和提供生物学解释	NA	理解抗体与其抗原的特异性相互作用，以改进药物和疫苗设计	抗体和抗原的结合界面	机器学习	NA	深度学习	图卷积网络、注意力机制	蛋白质结构数据	NA
8	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）