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	2024-08-15	DECIMER 1.0: deep learning for chemical image recognition using transformers 2021-Aug-17, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-021-00538-8 PMID:34404468	研究论文	本文介绍了DECIMER 1.0模型，一种基于transformer的网络，用于从化学结构图像中预测SMILES编码	DECIMER 1.0模型能够以高准确度（96%以上）从化学结构图像中预测SMILES编码，即使在包含立体化学信息的情况下也能达到89%的准确度	NA	开发一种自动化的开源软件解决方案，用于从化学结构图像中提取数据并转换为计算机可读格式	化学结构图像的SMILES编码预测	机器学习	NA	深度学习	transformer	图像	50-100百万分子	NA	NA	NA	NA
42	2024-08-15	Neovascularization Detection and Localization in Fundus Images Using Deep Learning 2021-Aug-06, Sensors (Basel, Switzerland) DOI:10.3390/s21165327 PMID:34450766	研究论文	本文提出了一种用于视网膜图像中新生血管检测的语义分割卷积神经网络架构	该模型能够完全自动地检测和定位新生血管病变，这是先前发表的方法无法实现的	NA	旨在通过深度学习方法提高增生性糖尿病视网膜病变中新生血管的检测准确性	增生性糖尿病视网膜病变中的新生血管	计算机视觉	糖尿病视网膜病变	深度学习	CNN	图像	视网膜图像被分为小补丁，形成训练集、验证集和测试集	NA	NA	NA	NA
43	2024-08-14	Protein structure prediction by AlphaFold2: are attention and symmetries all you need? 2021-Aug-01, Acta crystallographica. Section D, Structural biology DOI:10.1107/S2059798321007531 PMID:34342271	研究论文	本文探讨了AlphaFold2在蛋白质结构预测中的应用，特别是其使用注意力机制、对称性和端到端可微性框架的关键特征	AlphaFold2利用深度学习技术，通过注意力机制和Transformer模型捕捉长程依赖关系，以及利用对称性原则在三维空间中推理蛋白质结构，展示了深度学习在结构预测中的强大能力	文章讨论了AlphaFold2不明确依赖物理原则进行结构预测的潜在影响，暗示了可能存在的局限性	研究蛋白质结构预测的新方法，特别是深度学习在生物信息学中的应用	蛋白质的3D结构及其从初级序列中的计算预测	生物信息学	NA	深度学习	Transformer	蛋白质序列数据	NA	NA	NA	NA	NA
44	2024-08-13	Small whole heart volume predicts cardiovascular events in patients with stable chest pain: insights from the PROMISE trial 2021-Aug, European radiology IF:4.7Q1 DOI:10.1007/s00330-021-07695-2 PMID:33501599	研究论文	本研究评估了从非对比心脏计算机断层扫描（CT）中提取的三维全心脏体积（WHV）在稳定胸痛患者中预测主要心血管事件（MACE）的预后价值	小全心脏体积可能是一个新的影像学标志物，用于稳定胸痛患者中预测主要心血管事件	NA	评估三维全心脏体积在稳定胸痛患者中预测主要心血管事件的预后价值	稳定胸痛患者	数字病理学	心血管疾病	计算机断层扫描（CT）	深度学习	影像	3798名患者	NA	NA	NA	NA
45	2024-08-13	Automatic opportunistic osteoporosis screening in routine CT: improved prediction of patients with prevalent vertebral fractures compared to DXA 2021-Aug, European radiology IF:4.7Q1 DOI:10.1007/s00330-020-07655-2 PMID:33507353	研究论文	本文比较了从常规CT中自动和手动评估的脊柱骨测量与双能X线吸收法（DXA）在关联现有骨质疏松性椎体骨折方面的表现，使用完全自动化的框架评估临床CT中的各种骨测量。	本文引入了用于骨质疏松症和低骨量的整体体积骨密度（vBMD）的诊断阈值，并展示了CT基础测量在识别经历过椎体骨折的骨量减少个体方面优于DXA。	NA	比较常规CT和DXA在预测现有骨质疏松性椎体骨折方面的效果。	192名患者（141名女性，51名男性；年龄70.2 ± 9.7岁）的脊柱骨测量。	数字病理学	骨质疏松症	卷积神经网络（CNN）	CNN	图像	192名患者	NA	NA	NA	NA
46	2024-08-07	A stacking ensemble deep learning approach to cancer type classification based on TCGA data 2021-Aug-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-95128-x PMID:34341396	研究论文	本文提出了一种基于一维卷积神经网络（1D-CNN）的堆叠集成深度学习模型，用于对女性常见的五种癌症进行基于RNASeq数据的多类别分类	提出的模型在性能上优于单一的1D-CNN和其他机器学习方法，特别是在使用LASSO进行特征选择后	未明确提及具体限制	提高癌症类型分类的准确性，以辅助早期诊断和治疗策略的设计	女性常见的五种癌症类型	机器学习	乳腺癌, 肺癌, 结直肠癌, 甲状腺癌, 卵巢癌	1D-CNN, LASSO	1D-CNN	RNASeq基因表达数据	数据来自Pan-Cancer Atlas，具体样本数量未明确提及	NA	NA	NA	NA
47	2024-08-07	A deep-learning method using computed tomography scout images for estimating patient body weight 2021-Aug-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-95170-9 PMID:34341462	研究论文	本文开发并评估了一种基于深度学习的方法，用于从CT（计算机断层扫描）引导图像中自动预测患者体重	提出了一种新的深度学习方法，能够从CT引导图像中准确预测患者体重，这在紧急情况下尤其有用	NA	开发一种时间效率高且准确的方法，用于在CT扫描前估计患者体重	基于1831张胸部和519张腹部CT引导图像及其对应体重，开发和评估深度学习模型	计算机视觉	NA	深度学习	深度学习模型	图像	1831张胸部CT引导图像和519张腹部CT引导图像	NA	NA	NA	NA
48	2024-08-07	Detection of Alzheimer's disease using ECD SPECT images by transfer learning from FDG PET 2021-Aug, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-021-01626-3 PMID:34076857	研究论文	本研究开发了一种利用深度学习模型从少量SPECT脑灌注图像中自动提取图像特征，以客观评估阿尔茨海默病（AD）的实用方法。	本研究首次将基于PET FDG代谢成像训练的模型迁移到少量SPECT脑灌注图像上，提高了模型的敏感性和准确性。	研究中使用的样本量较小，可能影响模型的泛化能力。	开发一种基于深度学习的模型，利用SPECT脑灌注图像快速且客观地评估阿尔茨海默病。	阿尔茨海默病（AD）的检测和评估。	机器学习	阿尔茨海默病	SPECT成像	Inception v3网络模型	图像	1000例F-18-FDG PET图像用于预训练，不同样本量的训练数据集（100, 200, 400, 800, 1000例）用于预训练。	NA	NA	NA	NA
49	2024-08-05	MIDeepSeg: Minimally interactive segmentation of unseen objects from medical images using deep learning 2021-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102102 PMID:34118654	研究论文	提出了一种新颖的深度学习基础的交互式分割方法，用于在医学图像中对未见物体进行分割	这种方法只需要用户点击输入，具有高效性，并且能够很好地泛化到一系列不可见物体	在复杂情况下，传统交互式分割方法仍然需要大量用户互动	研究如何通过深度学习改进医学图像的交互式分割	医学图像中的器官或病变	计算机视觉	NA	深度学习	CNN	医学图像	2D和3D医学图像任务中涉及的未见物体的广泛范围	NA	NA	NA	NA