深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
21	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	NA	NA	NA	NA
22	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	NA	NA	NA	NA
23	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）	NA	NA	NA	NA