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
41	2024-08-13	Super-compression of large electron microscopy time series by deep compressive sensing learning 2021-Jul-09, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2021.100292 PMID:34286306	研究论文	本文提出了一种结合深度学习和时间压缩感知（TCS）的电子显微镜（EM）大数据压缩策略	利用端到端深度学习网络和TCS技术，实现了高压缩比（最高达30倍）且高质量的图像重建	NA	解决电子显微镜高速检测带来的大数据处理和存储挑战	电子显微镜图像序列的压缩与重建	计算机视觉	NA	深度学习, 时间压缩感知（TCS）	深度学习网络	图像	NA	NA	NA	NA	NA
42	2024-08-13	A Deep Learning Approach for Segmentation, Classification, and Visualization of 3-D High-Frequency Ultrasound Images of Mouse Embryos 2021-07, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2021.3068156 PMID:33755564	研究论文	本文提出了一种用于自动分割和分类小鼠胚胎高频超声图像的深度学习流程	采用两阶段框架进行分割，显著减少了推理时间并保持高精度；通过梯度反向传播，训练的分类器能够聚焦于已知遗传突变表型的区域	NA	开发一种准确、高效且可解释的深度学习方法，用于小鼠胚胎脑室和身体的自动分割与分类	小鼠胚胎的高频超声图像	计算机视觉	NA	高频超声（HFU）	卷积神经网络（CNN）	图像	NA	NA	NA	NA	NA
43	2024-08-13	A comparison of the fusion model of deep learning neural networks with human observation for lung nodule detection and classification 2021-Jul-01, The British journal of radiology DOI:10.1259/bjr.20210222 PMID:34111976	研究论文	本研究比较了深度学习神经网络融合模型与人类观察者在肺结节检测和分类中的诊断性能	提出了一种使用四种先进对象检测器的融合模型，用于肺结节的检测和鉴别	融合AI算法在估计恶性风险方面的表现略低于观察者	比较新开发的人工智能算法与人类观察者在肺结节恶性风险估计中的诊断性能	158个来自158名患者的肺结节	机器学习	肺癌	卷积神经网络（CNN）	融合模型	图像	158个结节（81个良性，77个恶性）	NA	NA	NA	NA
44	2024-08-13	Early prediction of diagnostic-related groups and estimation of hospital cost by processing clinical notes 2021-Jul-01, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-021-00474-9 PMID:34211109	研究论文	本文研究使用深度学习自然语言处理模型在患者入院早期预测诊断相关分组（DRG）和估计医院成本	提出了一种基于深度学习的自然语言处理模型，能够在患者入院早期自动预测DRG和相应的成本反映权重，无需人工编码	模型在模拟患者群体中的准确性随时间增加，但具体的临床应用效果和泛化能力需要进一步验证	旨在通过早期预测DRG和估计医院成本，支持医院更好的运营决策	研究对象为接受Medicare Severity DRG或All Patient Refined DRG支付的两个队列	自然语言处理	NA	深度学习	自然语言处理模型	文本	两个队列的数据，具体样本量未详细说明	NA	NA	NA	NA
45	2024-08-07	ChainLineNet: Deep-Learning-Based Segmentation and Parameterization of Chain Lines in Historical Prints 2021-Jul-19, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging7070120 PMID:39080908	研究论文	提出一种基于深度学习的端到端可训练方法，用于分割和参数化历史印刷品中的链线	使用条件生成对抗网络和多任务损失函数进行链线分割和参数化，并提出一个完全可微分的流水线进行链线坐标估计	NA	实现历史印刷品中链线的自动检测，以替代耗时的手动测量	历史印刷品中的链线	计算机视觉	NA	深度学习	条件生成对抗网络	图像	一个包含高分辨率透射光图像和手动链线坐标标注的历史印刷品数据集	NA	NA	NA	NA
46	2024-08-07	A Deep Learning Ensemble Method to Assist Cytopathologists in Pap Test Image Classification 2021-Jul-09, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging7070111 PMID:39080899	研究论文	本文提出了一种深度学习集成方法，用于辅助细胞病理学家对宫颈涂片图像进行细胞分类	本文采用了10种深度卷积神经网络，并提出了三种最佳架构的集成方法，以提高细胞分类的准确性，并引入了六类分类结果	NA	旨在提高宫颈癌预防测试中细胞分类的准确性，并减轻细胞病理学家的工作负担	宫颈涂片图像中的细胞核	计算机视觉	宫颈癌	深度学习	CNN	图像	实验中使用的数据集来自细胞识别和检查中心（CRIC）的可搜索图像数据库	NA	NA	NA	NA
47	2024-08-07	Integrating Multiomics Information in Deep Learning Architectures for Joint Actuarial Outcome Prediction in Non-Small Cell Lung Cancer Patients After Radiation Therapy 2021-Jul-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2021.01.042 PMID:33539966	研究论文	提出了一种新颖的保险深度学习神经网络（ADNN）架构，用于预测接受放射治疗的III期非小细胞肺癌（NSCLC）患者的放射性肺炎（RP）和局部控制（LC）的联合结果	与仅使用剂量学信息的正常组织并发症概率/肿瘤控制概率模型不同，所提出的模型考虑了正电子发射断层扫描（PET）放射组学、细胞因子和miRNA等多组学信息的复杂相互作用	NA	旨在通过整合多组学信息，提高放射治疗后非小细胞肺癌患者的放射性肺炎和局部控制的预测准确性	III期非小细胞肺癌患者在接受放射治疗后的放射性肺炎和局部控制	机器学习	肺癌	正电子发射断层扫描（PET）放射组学、细胞因子和miRNA	一维卷积神经网络（CNN）和变分编码器	图像和生物数据	117名回顾性患者和25名前瞻性新患者，以及327名多机构RTOG0617数据集患者	NA	NA	NA	NA
48	2024-08-07	Detecting myocardial scar using electrocardiogram data and deep neural networks 2021-Jul-27, Biological chemistry IF:2.9Q3 DOI:10.1515/hsz-2020-0169 PMID:33006947	研究论文	本文提出了一种基于心电图数据和深度神经网络的人工智能方法，用于预测心肌瘢痕的存在	利用深度学习模型结合心电图和临床参数，实现对心肌瘢痕的高精度检测	NA	早期检测心肌病理，提高治疗效果，减少致命病例	心肌瘢痕的检测	机器学习	心血管疾病	深度学习	深度神经网络	心电图时间序列	12导联心电图时间序列数据集	NA	NA	NA	NA
49	2024-08-07	iMLP, a predictor for internal matrix targeting-like sequences in mitochondrial proteins 2021-Jul-27, Biological chemistry IF:2.9Q3 DOI:10.1515/hsz-2021-0185 PMID:34218542	研究论文	本文介绍了一种名为iMLP的深度学习方法，用于预测蛋白质序列中的内部矩阵靶向类似序列（iMTS-Ls）	iMLP预测器在速度上显著超过现有方法，并提供了一个直观的网络服务和一个独立的命令行工具	NA	开发一种高效的深度学习方法来预测蛋白质序列中的iMTS-Ls	蛋白质序列中的内部矩阵靶向类似序列（iMTS-Ls）	机器学习	NA	深度学习	循环神经网络	蛋白质序列	NA	NA	NA	NA	NA
50	2024-08-07	Large-scale pharmacogenomic studies and drug response prediction for personalized cancer medicine 2021-Jul-20, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2021.03.007 PMID:34023295	研究论文	本文总结了FDA批准的药物基因组学生物标志物和大规模药物基因组学研究，并全面回顾了药物反应预测中计算方法的最新进展	文章涵盖了网络、机器学习和深度学习技术以及评估免疫治疗反应的策略	讨论了当前面临的挑战并提出了可能的解决方案	提高个性化癌症医学的临床效益	药物基因组学在个性化癌症医学中的应用	药物基因组学	癌症	NA	NA	NA	NA	NA	NA	NA	NA
51	2024-08-07	Multiomics metabolic and epigenetics regulatory network in cancer: A systems biology perspective 2021-Jul-20, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2021.05.008 PMID:34362682	综述	本文从系统生物学角度探讨了癌症中的多组学代谢和表观遗传调控网络	提出了一个基于当前高通量方法的概念性代谢和表观遗传调控网络（MER-Net），旨在通过观察生物过程、组学数据获取、网络信息分析及与验证数据库知识的整合，揭示新的潜在生物标志物和治疗靶点	NA	旨在揭示新的潜在生物标志物和治疗靶点	癌症中的代谢和表观遗传调控网络	系统生物学	癌症	多组学数据	深度学习模型	多组学数据	NA	NA	NA	NA	NA
52	2024-08-07	Attention Guided Lymph Node Malignancy Prediction in Head and Neck Cancer 2021-Jul-15, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2021.02.004 PMID:33561508	研究论文	本文提出了一种注意力引导的分类方案（AGC），用于在头颈癌（HNC）放疗中准确分类淋巴结（LN）恶性状态，通过结合人类知识（如LN轮廓）引导模型学习方向，减少对大量训练样本的需求，并在推理阶段不需要精确的LN分割，而是可以突出显示LN附近的区分区域。	本文的创新点在于提出了一种注意力引导的分类方案（AGC），该方案通过结合人类知识引导模型学习方向，减少了对大量训练样本的需求，并在推理阶段不需要精确的LN分割，而是可以突出显示LN附近的区分区域。	NA	本文的研究目的是在头颈癌放疗中准确分类淋巴结恶性状态，以帮助确定治疗目标。	本文的研究对象是头颈癌患者的淋巴结恶性状态。	计算机视觉	头颈癌	NA	注意力引导的卷积神经网络（agCNN）和分类卷积神经网络（cCNN）	图像	129名头颈癌手术患者，包括791个淋巴结	NA	NA	NA	NA
53	2024-08-07	Deep learning for cephalometric landmark detection: systematic review and meta-analysis 2021-Jul, Clinical oral investigations IF:3.1Q1 DOI:10.1007/s00784-021-03990-w PMID:34046742	系统综述和荟萃分析	本文通过系统综述和荟萃分析评估了深度学习在头影测量标志点检测中的准确性和证据基础	深度学习在头影测量标志点检测中显示出较高的准确性，但需要进一步证明其鲁棒性和泛化能力	研究存在高偏倚风险和适用性问题，主要涉及数据选择和参考测试执行	评估深度学习在头影测量标志点检测中的准确性和证据基础	头影测量图像中的标志点检测	计算机视觉	NA	深度学习	卷积神经网络	二维和三维放射图像	19项研究，主要使用二维侧位放射图像，检测平均30个标志点	NA	NA	NA	NA
54	2024-08-07	U-net model for brain extraction: Trained on humans for transfer to non-human primates 2021-07-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2021.118001 PMID:33789137	研究论文	本文利用迁移学习框架，通过在大型人类成像数据集上预训练卷积神经网络（U-Net模型），并将其迁移到非人灵长类动物数据上，以提高脑提取的准确性和效率。	本文首次将迁移学习应用于非人灵长类动物的脑提取，通过预训练的U-Net模型在多个研究站点数据上进行升级，提高了模型的泛化能力和准确性。	尽管模型在多个站点数据上表现良好，但仍需进一步验证其在更多种类非人灵长类动物和其他哺乳动物上的适用性。	提高非人灵长类动物脑提取的准确性和效率，并推广到其他哺乳动物。	非人灵长类动物的脑提取，以及通过迁移学习扩展到其他哺乳动物。	计算机视觉	NA	卷积神经网络	U-Net	图像	136只猕猴的数据集，以及来自多个研究站点的非人灵长类动物数据	NA	NA	NA	NA