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	2024-08-07	Prediction of trabecular bone architectural features by deep learning models using simulated DXA images 2020-Dec, Bone reports IF:2.1Q3 DOI:10.1016/j.bonr.2020.100295 PMID:32695850	研究论文	本研究利用深度学习模型通过模拟DXA图像预测松质骨的微观结构特征	首次使用深度学习技术从DXA图像中预测松质骨的主要微观结构特征	研究仅限于使用模拟DXA图像，且输入图像的数量和分辨率对预测准确性有显著影响	验证基于DXA图像的深度学习模型预测松质骨微观结构特征的准确性	松质骨的微观结构特征	计算机视觉	NA	深度学习	CNN	图像	1249个6mm×6mm×6mm的松质骨立方体
22	2024-08-07	Accurate identification of breast cancer margins in microenvironments of ex-vivo basal and luminal breast cancer tissues using Raman spectroscopy 2020-Dec, Prostaglandins & other lipid mediators IF:2.5Q3 DOI:10.1016/j.prostaglandins.2020.106475 PMID:32711127	研究论文	本研究使用拉曼光谱技术对离体基底和腔内乳腺癌组织的微环境进行精确识别，并开发了一种卷积神经网络（CNN）深度学习算法来区分组织切片中的组织病理学特征。	本研究利用拉曼光谱技术提供了快速、无标记的微观特征成像，并开发了一种深度学习算法来提高识别准确性。	NA	研究目的是更好地理解乳腺癌肿瘤微环境，以辅助手术切除和肿瘤发展过程的理解。	研究对象包括88个冷冻的乳腺组织切片，其中44个为正常组织，44个为肿瘤组织。	数字病理学	乳腺癌	拉曼光谱	CNN	图像	88个冷冻乳腺组织切片
23	2024-08-07	Predicting transcription factor binding in single cells through deep learning 2020-12, Science advances IF:11.7Q1 DOI:10.1126/sciadv.aba9031 PMID:33355120	研究论文	本文介绍了一种名为scFAN的深度学习模型，用于预测单细胞水平上的转录因子结合谱	scFAN模型通过预训练的ATAC-seq、DNA序列和ChIP-seq数据，利用单细胞ATAC-seq数据预测单细胞中的转录因子结合	NA	开发一种新的深度学习模型，以在单细胞水平上预测转录因子的全基因组结合谱	转录因子在单细胞中的结合谱	机器学习	NA	ATAC-seq, ChIP-seq	深度学习模型	DNA序列数据	NA
24	2024-08-05	Data Augmentation and Transfer Learning to Improve Generalizability of an Automated Prostate Segmentation Model 2020-12, AJR. American journal of roentgenology DOI:10.2214/AJR.19.22347 PMID:33052737	研究论文	本研究开发了一个高质量的前列腺分割模型，能够在多个独立数据集上保持高性能	通过转移学习和数据增强改善了前列腺分割模型在外部中心的泛化能力	模型的性能依赖于测试中心的数据，可能影响通用性	旨在提高自动化前列腺分割模型的泛化能力	648名接受前列腺MRI检查的患者的数据集	数字病理学	前列腺癌	深度学习	2D和3D架构	医学影像	648名患者的数据集
25	2024-08-07	Deep Learning Automated Detection of Reticular Pseudodrusen from Fundus Autofluorescence Images or Color Fundus Photographs in AREDS2 2020-12, Ophthalmology IF:13.1Q1 DOI:10.1016/j.ophtha.2020.05.036 PMID:32447042	研究论文	本研究开发了深度学习模型，用于从眼底自发光（FAF）图像或彩色眼底照片（CFP）中自动检测网状假性玻璃膜疣（RPD），特别是在年龄相关性黄斑变性（AMD）的背景下。	深度学习模型在检测RPD方面表现出与眼科医生相当或更高的准确性，特别是在使用FAF图像时。	使用彩色眼底照片（CFP）进行RPD检测的准确性较低，尽管仍优于眼科医生。	开发和评估深度学习模型在自动检测年龄相关性黄斑变性中的网状假性玻璃膜疣（RPD）的能力。	研究对象包括来自AREDS2研究的2450名参与者的11,535张FAF和CFP图像。	机器学习	年龄相关性黄斑变性	深度学习	CNN	图像	11,535张图像来自2450名参与者