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	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
2	2024-10-05	A Rapid, Accurate and Machine-Agnostic Segmentation and Quantification Method for CT-Based COVID-19 Diagnosis 2020-Aug, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2020.3001810 PMID:32730214	研究论文	提出了一种快速、准确且与机器无关的CT图像分割和量化方法，用于COVID-19诊断	1) 开发了首个COVID-19 CT扫描模拟器，通过拟合真实患者在不同时间点的数据变化，缓解了数据稀缺问题；2) 提出了一种新的深度学习算法，解决了大场景小目标问题，将3D分割问题分解为三个2D问题，降低了模型复杂性并显著提高了分割精度	NA	开发一种全自动、快速、准确且与机器无关的CT图像分割和量化方法，用于COVID-19诊断	COVID-19患者的CT扫描图像	计算机视觉	COVID-19	深度学习	NA	CT图像	多国、多医院、多机器的数据集
3	2024-10-02	From a deep learning model back to the brain-Identifying regional predictors and their relation to aging 2020-08-15, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.25011 PMID:32320123	研究论文	本文提出了一种深度学习框架，用于从结构磁共振成像扫描中预测生理年龄，并识别与年龄预测相关的脑区	开发了一种推理方案，通过结合多个受试者的解释图，创建基于人群而非个体特异性的地图，提高了解释图的可重复性	NA	研究脑龄预测及其与脑区衰老过程的关系	结构磁共振成像扫描数据和脑区衰老过程	计算机视觉	NA	卷积神经网络 (CNN)	卷积神经网络 (CNN)	图像	10,176名受试者
4	2024-09-30	[Research on coronavirus disease 2019 (COVID-19) detection method based on depthwise separable DenseNet in chest X-ray images] 2020-Aug-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202005056 PMID:32840070	研究论文	本文提出了一种基于深度可分离DenseNet的COVID-19检测方法，并在胸部X光图像上进行了验证	提出了深度可分离DenseNet模型，相比传统DenseNet减少了模型参数，同时保持了分类效果	未提及具体的局限性	快速诊断COVID-19	COVID-19的胸部X光图像	计算机视觉	COVID-19	深度学习	DenseNet	图像	2905张胸部X光图像
5	2024-09-06	Rule-based automatic diagnosis of thyroid nodules from intraoperative frozen sections using deep learning 2020-08, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2020.101918 PMID:32972671	研究论文	本文提出了一种基于规则的系统，利用深度学习技术从术中冷冻切片中自动诊断甲状腺结节	首次将深度学习应用于术中冷冻切片甲状腺结节的诊断	系统将16.2%的切片分类为不确定，需要进一步人工检查或通过永久切片处理	开发一种基于规则的系统，利用深度学习技术从术中冷冻切片中自动诊断甲状腺结节	甲状腺结节的术中冷冻切片	数字病理学	甲状腺疾病	深度学习	卷积神经网络 (CNN)	图像	259张测试切片
6	2024-09-02	Attention-Based Network for Weak Labels in Neonatal Seizure Detection 2020-Aug, Proceedings of machine learning research PMID:32995751	研究论文	本文评估了不同深度学习模型和数据平衡方法在新生儿癫痫检测中的影响，并提出了一种模型，该模型能为每个EEG通道提供重要性级别，以判断通道是否显示癫痫活动	提出的模型无需重新训练即可适应不同布局的EEG设备，并首次评估了深度学习模型与人类评分者决策的一致性	高AUC值的深度学习模型不一定与人类专家的意见一致，仍需进一步优化算法以实现最佳的癫痫区分	研究深度学习算法在新生儿癫痫检测中的应用	新生儿癫痫检测	机器学习	新生儿疾病	深度学习	注意力机制网络	EEG数据	NA
7	2024-09-02	Deep Learning strategies for Ultrasound in Pregnancy 2020-Aug, European Medical Journal. Reproductive health PMID:33123376	综述	本文综述了深度学习方法在孕期超声成像中的应用，介绍了其架构并分析了其策略	深度学习在医学图像分析中的应用，特别是在分类、分割、物体检测和跟踪任务中取得了最先进的性能	超声成像质量相对较低、对比度低和高变异性，自动化解读超声图像具有挑战性	探讨深度学习在孕期超声成像中的应用，以改善临床实践	孕期超声成像的自动化解读和结构识别	计算机视觉	NA	深度学习	CNN	图像	NA
8	2024-08-31	Rapid Identification of Potential Inhibitors of SARS-CoV-2 Main Protease by Deep Docking of 1.3 Billion Compounds 2020-08, Molecular informatics IF:2.8Q2 DOI:10.1002/minf.202000028 PMID:32162456	研究论文	本文利用深度对接技术（Deep Docking）对13亿化合物进行虚拟筛选，以快速识别SARS-CoV-2主蛋白酶的潜在抑制剂	开发了一种新的深度学习平台——深度对接（Deep Docking），能够快速预测对接分数，实现对大量化合物的结构基础虚拟筛选	NA	开发针对SARS-CoV-2的小分子治疗药物	SARS-CoV-2主蛋白酶的潜在抑制剂	机器学习	COVID-19	深度对接（Deep Docking）	深度学习平台	化合物	13亿化合物
9	2024-08-22	Deep learning COVID-19 detection bias: accuracy through artificial intelligence 2020-08, International orthopaedics IF:2.0Q2 DOI:10.1007/s00264-020-04609-7 PMID:32462314	研究论文	本文开发了一种深度学习模型，通过胸部X光扫描提高COVID-19病例报告的准确性并精确预测疾病	采用卷积神经网络（CNN）和迁移学习方法，自动识别患者胸部X光片中的结构异常，提高检测准确性	NA	提高COVID-19病例检测的准确性	COVID-19病例的胸部X光扫描	机器学习	COVID-19	卷积神经网络（CNN）	CNN	图像	使用来自不同国家的患者公共数据集，包括74个真阴性和32个真阳性病例
10	2024-08-20	Deep learning links histology, molecular signatures and prognosis in cancer 2020-08, Nature cancer IF:23.5Q1 DOI:10.1038/s43018-020-0099-2 PMID:35122048	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
11	2024-08-09	De novo prediction of cancer-associated T cell receptors for noninvasive cancer detection 2020-08-19, Science translational medicine IF:15.8Q1 DOI:10.1126/scitranslmed.aaz3738 PMID:32817363	研究论文	本文开发了一种名为DeepCAT的深度学习方法，用于从头预测与癌症相关的T细胞受体（TCRs），并验证了其在癌症诊断中的应用	首次使用深度学习方法DeepCAT进行癌症相关TCRs的从头预测，为无创癌症检测提供新途径	NA	开发一种新的深度学习方法，用于早期癌症的无创检测	癌症相关的T细胞受体（TCRs）	机器学习	NA	深度学习	深度学习模型	TCR序列	超过250名癌症患者和600名健康个体的血液TCR序列
12	2024-08-07	Neural network-based identification of patients at high risk for intraoperative cerebrospinal fluid leaks in endoscopic pituitary surgery 2020-08-01, Journal of neurosurgery IF:3.5Q1 DOI:10.3171/2019.4.JNS19477 PMID:31226693	研究论文	研究使用基于神经网络的模型来识别内镜下经鼻蝶手术中高风险发生脑脊液漏的患者	开发了一种基于深度学习的预测模型，能够准确识别高风险患者，提高了预测的准确性和敏感性	NA	研究是否可以使用基于神经网络的模型可靠地识别高风险患者	内镜下经鼻蝶手术中发生脑脊液漏的风险	机器学习	NA	深度学习	深度神经网络	NA	154名接受内镜下经鼻蝶手术的患者
13	2024-08-07	A Weak and Semi-supervised Segmentation Method for Prostate Cancer in TRUS Images 2020-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-020-00323-3 PMID:32043178	研究论文	本研究旨在开发一种弱监督和半监督深度学习框架，用于在TRUS图像中分割前列腺癌，减轻放射科医生绘制病变边界和在无完整标注数据上训练神经网络的时间消耗	提出了一种结合强监督和弱监督数据的方法，通过迭代更新标签提高分割性能	尽管该方法在弱监督和半监督数据上表现优于仅使用少量强监督数据的方法，但性能提升不如使用完全强监督数据集	开发一种新的深度学习框架，用于在TRUS图像中分割前列腺癌，减少放射科医生的工作负担	前列腺癌在TRUS图像中的分割	计算机视觉	前列腺癌	深度学习	神经网络	图像	102例图像数据集，其中22张用于评估
14	2024-08-07	Prognostic Modeling of COVID-19 Using Artificial Intelligence in the United Kingdom: Model Development and Validation 2020-08-25, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/20259 PMID:32735549	研究论文	本文利用人工神经网络在英国开发和验证了COVID-19的预后模型	首次开发并验证了适用于确诊SARS-CoV-2患者的预后评分系统	模型仅在单一地点的数据上进行训练和验证	创建一个基于人工神经网络的入院时死亡风险评分系统	确诊SARS-CoV-2的患者	机器学习	COVID-19	人工神经网络	ANN	患者特征数据	398名确诊SARS-CoV-2并入院的患者
15	2024-08-07	Different scaling of linear models and deep learning in UKBiobank brain images versus machine-learning datasets 2020-08-25, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-18037-z PMID:32843633	研究论文	本文系统地评估了深度学习、核模型和线性模型在UKBiobank脑部图像数据集上的性能，并与传统的机器学习数据集进行了比较	研究发现，在UKBiobank脑部图像数据集中，简单的线性模型在年龄和性别预测任务上与复杂的深度学习模型表现相当	深度学习和核学习方法在预测典型脑部扫描的常见表型时，其非线性优势未能得到充分利用	探讨不同类型的机器学习模型在不同数据集上的性能表现	UKBiobank脑部图像数据集以及MNIST和Zalando Fashion数据集	机器学习	NA	深度学习	线性模型、核模型、深度学习模型	图像	样本量达到约10,000名受试者时，线性模型的性能仍在提升
16	2024-08-07	Deep-learning-based image quality enhancement of compressed sensing magnetic resonance imaging of vessel wall: comparison of self-supervised and unsupervised approaches 2020-08-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-69932-w PMID:32811848	研究论文	本文比较了基于自监督学习和无监督学习的深度学习算法在压缩感知磁共振成像（MRI）图像质量增强中的应用	提出了两种适用于非像素对齐临床数据集的深度学习去噪算法：自监督学习和无监督学习	自监督学习在图像噪声和信噪比方面优于无监督学习，但在放射组学特征可重复性方面不如无监督学习	研究如何通过深度学习技术提高压缩感知MRI的图像质量，以减少扫描时间并提高诊断准确性	颅内血管壁的高分辨率质子密度加权MRI图像	计算机视觉	NA	压缩感知MRI	深度学习	图像	NA
17	2024-08-07	Artificial intelligence for the detection of COVID-19 pneumonia on chest CT using multinational datasets 2020-08-14, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-17971-2 PMID:32796848	研究论文	本文展示了使用多国数据集训练的深度学习算法在胸部CT扫描中检测COVID-19肺炎的能力	利用AI技术在多国患者数据集上训练的深度学习算法，能够高准确度地区分COVID-19肺炎与其他肺炎	文章未提及具体的局限性	开发和验证用于胸部CT扫描中快速评估和区分COVID-19肺炎的AI算法	COVID-19肺炎的检测与区分	计算机视觉	COVID-19	深度学习	深度学习算法	图像	训练集包含1280名患者，独立测试集包含1337名患者
18	2024-08-07	The Advent of Generative Chemistry 2020-Aug-13, ACS medicinal chemistry letters IF:3.5Q2 DOI:10.1021/acsmedchemlett.0c00088 PMID:32832015	综述	本文综述了生成对抗网络（GANs）和强化学习（RL）在药物分子设计中的应用及其在生成具有所需性质的新分子方面的最新进展	介绍了GANs和RL在药物分子设计中的应用，旨在更有效地利用数据和更好地探索化学空间	讨论了生成化学这一新兴领域的当前局限性和挑战	回顾生成具有所需性质的新分子的最新进展，并探讨相关技术的应用	生成对抗网络（GANs）、强化学习（RL）及相关技术在药物分子设计中的应用	机器学习	NA	生成对抗网络（GANs）、强化学习（RL）	GAN	分子数据	NA
19	2024-08-07	Melanoma Diagnosis Using Deep Learning and Fuzzy Logic 2020-Aug-09, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics10080577 PMID:32784837	研究论文	本文提出了一种基于深度学习的YOLO算法，结合模糊逻辑用于从皮肤镜和数字图像中检测黑色素瘤	本文引入了图论的最小生成树概念和L型模糊数近似方法进行两阶段分割，并在特征提取过程中提取实际受影响的病变区域	NA	开发一种更快速且计算有效的系统用于检测黑色素瘤	黑色素瘤的检测	计算机视觉	皮肤癌	深度卷积神经网络(DCNNs)	YOLO	图像	20250张图像
20	2024-08-07	Semantic Deep Learning: Prior Knowledge and a Type of Four-Term Embedding Analogy to Acquire Treatments for Well-Known Diseases 2020-Aug-06, JMIR medical informatics IF:3.1Q2 DOI:10.2196/16948 PMID:32759099	研究论文	本研究通过语义深度学习方法，利用先验知识和四项式嵌入类比，系统地提取疾病治疗陈述	本研究采用了一种新的四项式嵌入类比方法，不同于传统的成对类比，并利用先验知识进行推理	研究中使用的数据集规模相对较小，且需要进一步的人工验证	旨在通过语义深度学习方法，系统地从生物医学文献中提取基于证据的疾病治疗陈述	疾病治疗陈述的提取和验证	自然语言处理	NA	连续词袋模型（CBOW）和跳字模型（Skip-gram）嵌入	深度学习模型	文本	423K n-grams 从 PubMed 系统评价子集（PMSB 数据集）中提取