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
21	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
22	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
23	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
24	2024-08-07	FastSurfer - A fast and accurate deep learning based neuroimaging pipeline 2020-10-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2020.117012 PMID:32526386	研究论文	本文提出了一种快速且准确的基于深度学习的大脑神经影像处理流程FastSurfer，用于自动化处理人脑结构MRI扫描，复制FreeSurfer的解剖学分割包括表面重建和皮质分区	引入了一种先进的深度学习架构，能够进行全脑95类分割，并采用了竞争密集块和竞争跳跃路径以及多切片信息聚合技术，专门针对皮质和皮质下结构的精确分割进行优化	NA	开发一种快速且准确的深度学习基础的神经影像处理流程，以适应大规模队列研究的需求	人脑结构MRI扫描的自动化处理	计算机视觉	NA	深度学习	CNN	图像	数千或数万个体