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	2025-03-23	Template-based prediction of protein structure with deep learning 2020-Dec-29, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-020-07249-8 PMID:33372607	研究论文	本文提出了一种名为ThreaderAI的新模板建模方法，通过深度学习提高蛋白质三级结构预测的准确性	ThreaderAI将查询序列与模板对齐的任务公式化为计算机视觉中的经典像素分类问题，并自然应用深度残差神经网络进行预测，显著提高了对远源同源蛋白质的结构预测准确性	NA	提高蛋白质三级结构预测的准确性，特别是对于只有远源同源物的蛋白质	蛋白质三级结构	计算机视觉	NA	深度学习	深度残差神经网络	序列数据	SCOPe数据和CASP13的TBM-hard数据
2	2025-03-12	Deep learning using a biophysical model for robust and accelerated reconstruction of quantitative, artifact-free and denoised R2* images 2020-12, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.28344 PMID:32767489	研究论文	本文介绍了一种新颖的深度学习方法，用于从多梯度回波（mGRE）MRI数据中鲁棒且加速地重建定量且B0不均匀性校正的R2*图像	RoAR方法采用自监督学习策略，无需真实R2*图像，且在训练过程中仅需F函数，应用时则不需要，显著提高了计算速度和噪声鲁棒性	NA	开发一种深度学习方法，用于从mGRE MRI数据中重建定量且B0不均匀性校正的R2*图像	多梯度回波（mGRE）MRI数据	计算机视觉	NA	mGRE MRI	CNN	图像	NA
3	2025-02-21	Beat-to-Beat Continuous Blood Pressure Estimation Using Bidirectional Long Short-Term Memory Network 2020-Dec-25, Sensors (Basel, Switzerland) DOI:10.3390/s21010096 PMID:33375722	研究论文	本研究提出了一种使用双向长短期记忆网络进行连续血压估计的模型，旨在通过无袖带方法监测高血压患者的血压	采用双向长短期记忆网络进行血压估计，并结合留一受试者法和微调策略以提高模型的泛化能力和多日测试中的兼容性	模型在多日测试中的误差较大，表明在多日场景下的稳定性仍需改进	开发一种无袖带、基于深度学习的连续血压估计模型，以简化高血压患者的血压监测	高血压患者的连续血压数据	机器学习	心血管疾病	深度学习	双向长短期记忆网络（BiLSTM）	心电图（ECG）、光电容积描记图（PPG）、心冲击图（BCG）	未明确提及具体样本数量，但使用了留一受试者法进行模型评估
4	2025-02-21	Application of feed forward and recurrent neural networks in simulation of left ventricular mechanics 2020-12-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-79191-4 PMID:33339836	研究论文	本文探讨了使用前馈神经网络和循环神经网络（RNN）模拟左心室（LV）力学的方法，以替代传统有限元（FE）模型	提出使用深度学习（DL）进行左心室（LV）的计算机模拟，相较于传统有限元（FE）模型，显著减少了计算时间	研究仅基于有限数量的FE模型进行训练和测试，可能限制了模型的泛化能力	研究目的是开发一种能够实时提供左心室（LV）力学模拟的深度学习模型	左心室（LV）的压力和体积，以及心肌的应力	机器学习	心血管疾病	深度学习（DL）	前馈神经网络和循环神经网络（RNN）与长短期记忆（LSTM）	模拟数据	80个四腔心脏FE模型用于训练LV压力和体积，120个仅LV的FE模型用于训练LV应力预测
5	2025-01-25	Deep learning-based real-time volumetric imaging for lung stereotactic body radiation therapy: a proof of concept study 2020-12-18, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abc303 PMID:33080578	研究论文	本研究提出了一种基于生成对抗网络和感知监督的新型方法，用于从单个2D投影中实时生成体积图像，以支持肺癌立体定向体部放射治疗中的精确运动管理	提出了一种名为TransNet的网络，结合了感知损失和对抗监督，以生成准确的肺部边界和逼真的3D图像	研究仅基于20例患者的模拟数据，尚未在真实临床环境中验证	开发一种实时体积成像方法，用于肺癌立体定向体部放射治疗中的运动管理和剂量验证	肺癌患者	计算机视觉	肺癌	生成对抗网络（GAN）	TransNet（包含编码、转换和解码模块）	2D投影和3D CT图像	20例接受肺癌立体定向体部放射治疗的患者
6	2024-10-11	Sentiment Analysis of COVID-19 tweets by Deep Learning Classifiers-A study to show how popularity is affecting accuracy in social media 2020-Dec, Applied soft computing IF:7.2Q1 DOI:10.1016/j.asoc.2020.106754 PMID:33013254	研究论文	研究通过深度学习分类器分析COVID-19相关推文的情绪，探讨社交媒体中流行度对准确性的影响	提出了一种基于高斯隶属函数的模糊规则库来正确识别推文情绪，并验证了深度学习分类器在推文情绪分析中的应用	研究仅分析了特定时间段内的推文，未涵盖更广泛的时间范围	探讨COVID-19相关推文中情绪分析的准确性，并提出改进方法	COVID-19相关推文及其情绪分析	自然语言处理	NA	深度学习	深度学习分类器	文本	分析了23,000条最常转发的推文和226,668条推文
7	2024-10-08	M 3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening From CT Imaging 2020-12, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2020.3030853 PMID:33048773	研究论文	本文提出了一种用于多类肺部肺炎筛查的深度学习系统M 3Lung-Sys，通过CT影像进行诊断	该系统仅由两个2D CNN网络组成，分别用于切片级和患者级分类，能够从大量CT切片中提取特征并恢复不同切片间的时间信息	NA	旨在提高COVID-19等肺部肺炎的准确诊断，以便及时隔离和治疗	COVID-19、H1N1、CAP和健康病例的CT影像	计算机视觉	肺部疾病	深度学习	CNN	影像	734名患者（251名健康人，245名COVID-19患者，105名H1N1患者，133名CAP患者）
8	2024-08-30	A deep learning approach to characterize 2019 coronavirus disease (COVID-19) pneumonia in chest CT images 2020-Dec, European radiology IF:4.7Q1 DOI:10.1007/s00330-020-07044-9 PMID:32617690	研究论文	利用深度学习模型自动检测COVID-19患者的胸部CT图像中的异常，并与放射科住院医师的定量判断性能进行比较	深度学习模型在检测COVID-19肺炎方面表现出比放射科住院医师更高的敏感性和诊断效率	NA	开发和验证一种深度学习算法，用于自动检测COVID-19患者的胸部CT图像中的肺炎病变	COVID-19患者的胸部CT图像	计算机视觉	COVID-19	深度学习	深度学习算法	图像	14,435名参与者的胸部CT图像用于训练和验证，96名确诊COVID-19患者的非重叠数据集用于测试
9	2024-08-24	A Deep Learning Prognosis Model Help Alert for COVID-19 Patients at High-Risk of Death: A Multi-Center Study 2020-12, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2020.3034296 PMID:33108303	研究论文	本文开发了一种3D密集连接卷积神经网络（De-COVID19-Net），用于预测COVID-19患者的高风险或低风险组别，结合CT和临床信息	De-COVID19-Net模型在训练集和测试集上均表现出高准确性，AUC值分别为0.952和0.943	NA	开发一种预测工具，用于识别高风险COVID-19患者并辅助制定治疗计划	366名严重或危重的COVID-19患者	机器学习	COVID-19	3D密集连接卷积神经网络	CNN	CT图像和临床信息	366名患者，包括70名高风险患者和296名低风险患者
10	2024-08-24	Hybrid-COVID: a novel hybrid 2D/3D CNN based on cross-domain adaptation approach for COVID-19 screening from chest X-ray images 2020-Dec, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-020-00957-1 PMID:33301073	研究论文	本研究开发了一种基于迁移学习的混合2D/3D CNN架构，用于通过胸部X光图像进行COVID-19筛查	提出了一种结合预训练深度模型（VGG16）和浅层3D CNN的混合2D/3D CNN架构，通过深度可分离卷积层和空间金字塔池化模块（SPP）来减少计算负担并提取多层次特征	NA	开发一种高效的COVID-19筛查方法，以帮助早期识别COVID-19感染	COVID-19、肺炎和正常状态的胸部X光图像	计算机视觉	COVID-19	深度学习算法	混合2D/3D CNN	图像	收集的数据集包含3个类别：COVID-19、肺炎和正常状态
11	2024-08-24	A Systematic Review on the Use of AI and ML for Fighting the COVID-19 Pandemic 2020-Dec, IEEE transactions on artificial intelligence DOI:10.1109/TAI.2021.3062771 PMID:35784006	综述	本文总结了基于AI和ML对抗COVID-19大流行的近期研究	本文识别了六个未来研究机会，并总结了七个未来研究方向	NA	总结AI和ML在对抗COVID-19中的应用，并识别未来研究方向	COVID-19大流行及其相关研究	机器学习	COVID-19	深度学习	CNN	图像	从634篇文章中筛选出49篇
12	2024-08-19	Development of pathological reconstructed high-resolution images using artificial intelligence based on whole slide image 2020-Dec, MedComm IF:10.7Q1 DOI:10.1002/mco2.39 PMID:34766132	研究论文	本文提出了一种基于深度学习的高分辨率病理图像重建方法，能够将20倍全切片图像转换为40倍图像，同时保持整体和局部特征	开发了一种新的高分辨率图像重建流程，通过深度学习技术实现20倍全切片图像到40倍图像的无损转换	NA	提高数字病理学的普及性，通过减少存储空间和传输时间的需求	子宫平滑肌肉瘤和成人颗粒细胞瘤的全切片图像数据	数字病理学	肿瘤	深度学习	深度学习模型	图像	100例子宫平滑肌肉瘤和100例成人颗粒细胞瘤的全切片图像
13	2024-08-07	Artificial Intelligence, Radiomics, and Deep Learning in Neuro-Oncology 2020-Dec, Neuro-oncology advances IF:3.7Q2 DOI:10.1093/noajnl/vdaa179 PMID:33521635	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
14	2024-08-06	piNET-An Automated Proliferation Index Calculator Framework for Ki67 Breast Cancer Images 2020-Dec-22, Cancers IF:4.5Q1 DOI:10.3390/cancers13010011 PMID:33375043	研究论文	本研究提出了一种用于Ki67乳腺癌图像的自动增殖指数计算器piNET	该工具基于深度学习，可以适应医疗图像的广泛变异性，且通过模拟病理学家的工作流程提高了准确性和效率	NA	开发一种高效准确的Ki67增殖指数量化工具	Ki67乳腺癌图像及其相关数据集	数字病理	乳腺癌	深度学习	NA	图像	四个数据集，来源于三个扫描仪，包括切片、组织微阵列和全切片图像
15	2024-08-06	Skin Lesion Classification Using Densely Connected Convolutional Networks with Attention Residual Learning 2020-Dec-10, Sensors (Basel, Switzerland) DOI:10.3390/s20247080 PMID:33321864	研究论文	本文提出了一种利用注意力残差学习的密集连接卷积网络进行皮肤病变分类	引入了注意力机制和残差学习，同时减少了参数数量	没有对不同的成像方法和临床病理变化进行深入分析	改进皮肤病变的分类准确性	皮肤病变图像分类	计算机视觉	皮肤癌	卷积神经网络	ARDT-DenseNet	图像	ISIC 2016 和 ISIC 2017 数据集
16	2024-08-06	A Deep Learning Approach to Photoacoustic Wavefront Localization in Deep-Tissue Medium 2020-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2020.2964698 PMID:31944951	研究论文	本文提出了一种基于深度学习的方法来定位深组织介质中的光声波前	构建了一个编码-解码卷积神经网络架构，专门用于识别光声波前在光散射深组织介质中的来源	模型是基于模拟的光声信号训练的，可能无法完全涵盖真实信号的复杂性	解决在光散射深组织中定位光声波前的挑战	使用光声成像技术来检测血管目标	数字病理学	NA	光声成像(PAI)	卷积神经网络(CNN)	模拟信号和实验信号	使用了16,240个血管目标的模拟信号，测试了4600个模拟信号和5个实验信号
17	2024-08-06	Quantifying behavior to understand the brain 2020-12, Nature neuroscience IF:21.2Q1 DOI:10.1038/s41593-020-00734-z PMID:33169033	研究论文	本文回顾了自动化动物行为量化的技术进展	该研究介绍了计算伦理学的新领域，聚焦于深度学习在动物行为量化中的应用	研究中未详细讨论具体的实验条件和环境限制	旨在理解神经回路、认知过程与行为之间的关系	主要涉及动物行为和脑活动之间的联系	计算伦理学	NA	深度学习	NA	运动数据	NA
18	2024-08-07	Deep learning networks reflect cytoarchitectonic features used in brain mapping 2020-12-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-78638-y PMID:33328511	研究论文	研究深度卷积神经网络在皮质细胞构筑脑图中的应用，并分析其与传统细胞构筑特征的相似性	提出深度学习方法作为现有细胞构筑映射方法的替代方案，并验证其在高吞吐量细胞构筑映射工作流程中的有效性	缺乏对深度学习网络遵循细胞构筑原则程度的深入理解	探究深度卷积神经网络的内部结构如何反映传统的细胞构筑特征	深度卷积神经网络的过滤器激活与传统细胞构筑特征的相似性	计算机视觉	NA	深度学习	CNN	图像	涉及初级和次级视觉皮质的分割
19	2024-08-07	A deep learning approach for identifying cancer survivors living with post-traumatic stress disorder on Twitter 2020-12-14, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-020-01272-1 PMID:33317508	研究论文	本文提出了一种使用深度学习方法在Twitter上识别患有创伤后应激障碍（PTSD）的癌症幸存者	利用卷积神经网络（CNN）自动识别Twitter上癌症幸存者发布的与PTSD相关的推文，提高了识别效率	Twitter上的推文可能包含噪音和真实信息，手动识别真实推文成本高且耗时	开发一种有效的方法来识别社交媒体上表达PTSD情绪的癌症幸存者	癌症幸存者及其在Twitter上表达的PTSD情绪	机器学习	NA	卷积神经网络（CNN）	CNN	文本	使用癌症相关关键词过滤的推文
20	2024-08-07	Identification of Sleep Apnea Severity Based on Deep Learning from a Short-term Normal ECG 2020-Dec-07, Journal of Korean medical science IF:3.0Q1 DOI:10.3346/jkms.2020.35.e399 PMID:33289367	研究论文	本文提出了一种基于深度学习从短期正常心电图信号自动识别睡眠呼吸暂停（SA）严重程度的新方法	利用卷积神经网络（CNN）从短期正常心电图信号中精确识别睡眠呼吸暂停的严重程度	NA	自动识别睡眠呼吸暂停的严重程度	睡眠呼吸暂停的严重程度	机器学习	睡眠呼吸暂停	卷积神经网络（CNN）	CNN	心电图信号	共研究了144名受试者，训练集包含82,952个30秒的片段，测试集包含20,738个片段