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	2025-02-21	A CSI-Based Human Activity Recognition Using Deep Learning 2021-Oct-30, Sensors (Basel, Switzerland) DOI:10.3390/s21217225 PMID:34770532	研究论文	本文提出了一种基于WiFi信道状态信息（CSI）和深度学习的人类活动识别方法	利用CSI数据并将其转换为图像，使用2D卷积神经网络（CNN）进行分类，相比1D-CNN、LSTM和双向LSTM等方法表现更优	仅针对七种日常活动进行测试，样本多样性可能不足	开发一种基于WiFi CSI的人类活动识别方法，用于智能日常活动监测	老年人的日常活动	机器学习	老年疾病	WiFi CSI数据采集与图像转换	2D CNN	图像	七种不同的人类日常活动数据
2	2025-02-21	Estimation of municipal solid waste amount based on one-dimension convolutional neural network and long short-term memory with attention mechanism model: A case study of Shanghai 2021-Oct-15, The Science of the total environment DOI:10.1016/j.scitotenv.2021.148088 PMID:34118670	研究论文	本研究评估了使用监督学习方法，包括注意力机制、一维卷积神经网络（1D-CNN）和长短期记忆（LSTM）来预测上海市生活垃圾量的可行性和实用性	设计了集成1D-CNN、LSTM和注意力机制的新结构模型（1D-CNN-LSTM-Attention, 1D-CLA），用于预测生活垃圾量，并讨论了社会经济因素对生活垃圾量的影响	研究仅针对上海市，未涉及其他城市或地区的验证	评估使用深度学习方法预测生活垃圾量的可行性和实用性	上海市的生活垃圾量	机器学习	NA	监督学习	1D-CNN, LSTM, 注意力机制, 1D-CLA	时间序列数据	NA
3	2025-02-21	A Novel Hybrid Deep Learning Method for Fault Diagnosis of Rotating Machinery Based on Extended WDCNN and Long Short-Term Memory 2021-Oct-04, Sensors (Basel, Switzerland) DOI:10.3390/s21196614 PMID:34640934	研究论文	本文提出了一种基于扩展WDCNN和长短期记忆（LSTM）的新型混合深度学习方法，用于复杂环境下的旋转机械故障诊断	提出了一种新型混合深度学习方法（NHDLM），结合了扩展的WDCNN和LSTM，以提高旋转机械故障诊断的自学习能力和智能诊断准确性	未提及具体局限性	提高旋转机械故障诊断的准确性和自学习能力	旋转机械	机器学习	NA	深度学习	EWDCNN, LSTM	NA	NA
4	2025-02-21	AFCNNet: Automated detection of AF using chirplet transform and deep convolutional bidirectional long short term memory network with ECG signals 2021-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.104783 PMID:34481184	研究论文	本文提出了一种基于时频域深度学习的自动化方法，用于检测心房颤动（AF）并分类终止和非终止AF发作，使用心电图（ECG）信号	提出了一种新颖的时频域深度学习方法，结合了chirplet变换和二维深度卷积双向长短期记忆（BLSTM）神经网络模型，用于AF的自动检测和分类	NA	开发一种自动化方法，用于检测和分类心房颤动（AF）发作，以减少中风、冠状动脉疾病和其他心血管并发症的风险	心电图（ECG）信号	机器学习	心血管疾病	chirplet变换，深度卷积双向长短期记忆（BLSTM）神经网络	二维深度卷积双向长短期记忆（BLSTM）神经网络	心电图（ECG）信号	来自三个公共数据库的ECG信号
5	2025-02-16	Mapping Epileptogenic Tissues in MRI-Negative Focal Epilepsy: Can Deep Learning Uncover Hidden Lesions? 2021-10-19, Neurology IF:7.7Q1 DOI:10.1212/WNL.0000000000012696 PMID:34521690	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6	2025-01-07	Automated delineation of head and neck organs at risk using synthetic MRI-aided mask scoring regional convolutional neural network 2021-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.15146 PMID:34342878	研究论文	本研究开发了一种基于深度学习的自动化器官风险区域（OAR）分割方法，旨在解决当前自动分割算法在实现可靠专家性能方面的挑战	利用CT和合成MRI的互补对比度，结合掩码评分区域卷积神经网络（Mask Scoring R-CNN），提高了OAR分割的准确性	研究主要依赖于内部和公共数据集，可能在其他数据集上的泛化能力有待验证	开发一种自动化OAR分割方法，以提高头颈部放疗治疗计划中的器官分割准确性	头颈部癌症患者的CT扫描图像	计算机视觉	头颈部癌症	CT和MRI成像技术	Mask Scoring R-CNN	图像	内部数据集和公共数据集中的头颈部癌症患者CT扫描
7	2024-10-18	Guest Editorial Annotation-Efficient Deep Learning: The Holy Grail of Medical Imaging 2021-Oct, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/tmi.2021.3089292 PMID:34795461	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8	2024-10-06	Deep learning reveals disease-specific signatures of white matter pathology in tauopathies 2021-10-21, Acta neuropathologica communications IF:6.2Q1 DOI:10.1186/s40478-021-01271-x PMID:34674762	研究论文	本文利用机器学习方法识别了三种tauopathy（阿尔茨海默病、进行性核上性麻痹和皮质基底节变性）中白质病理的疾病特异性形态特征	发现了阿尔茨海默病、皮质基底节变性和进行性核上性麻痹中先前未被识别的tau形态，这些形态可能在疾病分类中具有重要意义	研究样本量较小，仅包括49个尸检脑样本	通过机器学习方法揭示tauopathy中白质病理的疾病特异性特征	tauopathy中的白质病理	数字病理	神经退行性疾病	机器学习	NA	图像	49个尸检脑样本（16个阿尔茨海默病，13个皮质基底节变性，20个进行性核上性麻痹）
9	2024-10-01	Detecting Parkinson Disease Using a Web-Based Speech Task: Observational Study 2021-10-19, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/26305 PMID:34665148	研究论文	本文提出了一种基于网络的语音任务框架，用于检测帕金森病	利用网络平台收集语音数据，并通过机器学习算法进行分析，实现远程帕金森病的筛查	数据主要来自美国，且部分数据质量较低，可能影响模型的泛化能力	开发一种便捷的远程筛查工具，帮助全球范围内的人们检测帕金森病	帕金森病患者和非患者的语音数据	机器学习	帕金森病	机器学习算法	XGBoost	语音数据	726名参与者，其中262名帕金森病患者，464名非患者，平均年龄61岁
10	2024-10-01	Total-Body PET Kinetic Modeling and Potential Opportunities Using Deep Learning 2021-Oct, PET clinics IF:3.0Q2 DOI:10.1016/j.cpet.2021.06.009 PMID:34353745	研究论文	本文介绍了全身PET动力学建模的基本原理及其在参数成像中的潜在优势，重点讨论了无创推导血输入函数、多参数成像和高时间分辨率动力学建模	本文探讨了利用深度学习解决全身动力学建模中的挑战，如大规模全身动态PET数据处理、器官和组织适当的输入函数和动力学模型需求以及全身运动校正	全身动力学建模面临大规模数据处理、适当的输入函数和模型需求以及运动校正等挑战	探讨全身PET动力学建模的基本原理及其在参数成像中的潜在优势，并讨论利用深度学习解决相关挑战	全身PET动力学建模及其在参数成像中的应用	计算机视觉	NA	深度学习	NA	图像	NA
11	2024-09-25	Replay in Deep Learning: Current Approaches and Missing Biological Elements 2021-10-12, Neural computation IF:2.7Q3 DOI:10.1162/neco_a_01433 PMID:34474476	研究论文	本文比较了哺乳动物大脑中的重放机制与人工神经网络中的重放机制，并探讨了如何利用生物重放机制改进人工神经网络	首次全面比较了哺乳动物大脑中的重放机制与人工神经网络中的重放机制，并提出了改进人工神经网络的假设	NA	探讨生物重放机制在人工神经网络中的应用潜力	哺乳动物大脑中的重放机制与人工神经网络中的重放机制	机器学习	NA	NA	人工神经网络	NA	NA
12	2024-09-11	Deep learning models for predicting RNA degradation via dual crowdsourcing 2021-Oct-14, ArXiv PMID:34671698	研究论文	本文描述了一个在Kaggle上举办的机器学习竞赛，旨在通过众包方式预测RNA降解	本文通过结合自然语言处理架构和数据增强技术，提高了对RNA降解预测的准确性，并展示了这些模型在更长mRNA分子上的泛化能力	NA	设计更稳定的RNA疗法	RNA分子的降解预测	机器学习	NA	NA	自然语言处理架构	RNA序列	6043个102-130核苷酸的RNA构建体，以及504-1588核苷酸的mRNA分子
13	2024-09-10	Checklist for responsible deep learning modeling of medical images based on COVID-19 detection studies 2021-Oct, Pattern recognition IF:7.5Q1 DOI:10.1016/j.patcog.2021.108035 PMID:34054148	研究论文	本文系统分析了用于COVID-19检测的深度神经网络模型在数据获取、模型开发和解释构建阶段中的常见错误，并提出了一个可靠的COVID-19诊断模型应满足的最低条件清单	提出了一个用于可靠COVID-19诊断模型的最低条件清单，并指出了现有模型在放射学领域缺乏深入理解的问题	NA	分析现有COVID-19检测模型的常见错误，并提出一个可靠的诊断模型应满足的最低条件清单	用于COVID-19检测的深度神经网络模型	计算机视觉	COVID-19	深度学习	深度神经网络	医学图像	NA
14	2024-09-10	An optimized KELM approach for the diagnosis of COVID-19 from 2D-SSA reconstructed CXR Images 2021-Oct, Optik DOI:10.1016/j.ijleo.2021.167572 PMID:34248209	研究论文	本文提出了一种优化的KELM方法，用于从2D-SSA重构的CXR图像中诊断COVID-19	本文提出了一种基于2D奇异谱分析（SSA）的图像重构方法，并结合基于草蜢的核极限学习机（KELM）进行特征优化和参数选择	本文未提及具体的局限性	提高COVID-19诊断的准确性和效率	COVID-19的CXR图像	计算机视觉	COVID-19	2D奇异谱分析（SSA），核极限学习机（KELM）	KELM	图像	NA
15	2024-09-04	2D-to-3D image translation of complex nanoporous volumes using generative networks 2021-10-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-00080-5 PMID:34675247	研究论文	本文介绍了一种使用生成网络将复杂纳米多孔体积的2D图像转换为3D图像的深度学习模型	引入了正则化方法改进从2D到2D深度学习图像模型的3D体积生成，并应用于将3D TXM体积转换为FIB-SEM保真度	仅限于使用2D配对训练数据进行图像转换	研究地质多孔介质在纳米尺度上的图像表征，并理解与能源和可持续发展技术相关的储层中的反应性传输机制	纳米多孔体积的2D到3D图像转换	计算机视觉	NA	深度学习图像翻译模型	生成网络	图像	未具体说明样本数量
16	2024-09-04	Deep learning-based prediction of the T cell receptor-antigen binding specificity 2021-Oct, Nature machine intelligence IF:18.8Q1 DOI:10.1038/s42256-021-00383-2 PMID:36003885	研究论文	本文构建了一个基于迁移学习的模型pMTnet，用于预测新抗原与T细胞受体（TCR）的结合特异性，并通过分析验证了其优越性	pMTnet模型在预测TCR-新抗原/抗原配对方面取得了显著进展，能够仅使用TCR序列、抗原序列和I类MHC等位基因进行准确预测	NA	研究T细胞受体与新抗原或抗原的结合特异性，并探索其在肿瘤免疫治疗中的应用	T细胞受体（TCR）与新抗原或抗原的结合特异性	机器学习	肾癌, 黑色素瘤, 肺癌	迁移学习	pMTnet	序列数据	涉及人类肿瘤基因组数据，具体样本数量未详述
17	2024-09-02	Automatic segmentation of lung tumors on CT images based on a 2D & 3D hybrid convolutional neural network 2021-Oct-01, The British journal of radiology DOI:10.1259/bjr.20210038 PMID:34347535	研究论文	本文介绍了一种基于深度学习的自动肿瘤分割网络，用于在CT图像上进行肺癌肿瘤的自动分割	本文提出了一种结合2D CNN和3D CNN的混合卷积神经网络，用于自动肺肿瘤分割，并展示了其在评估指标上优于单独的3D CNN和2D CNN	较大的GTV在Dice指标上表现较好，但在肿瘤边界划分上不稳定	开发一种稳定且准确的自动肿瘤描绘方法，以促进肺癌放疗过程的智能化设计	肺肿瘤在CT图像上的自动分割	计算机视觉	肺癌	卷积神经网络（CNN）	混合CNN（结合2D CNN和3D CNN）	CT图像	260例
18	2024-08-30	Multilevel depth-wise context attention network with atrous mechanism for segmentation of COVID19 affected regions 2021-Oct-26, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-021-06636-w PMID:34720443	研究论文	本文提出了一种带有膨胀机制的多层次深度上下文注意力网络，用于COVID-19受影响区域的精确分割	引入了3D深度卷积和3D残差挤压激励块，以及不同膨胀率的膨胀机制，以捕获多尺度上下文特征	未提及	开发一种高效的深度学习解决方案，用于COVID-19及其变种的快速准确诊断	COVID-19受影响区域的分割和病变定位	计算机视觉	COVID-19	深度学习	CNN	CT图像	基准CT数据集
19	2024-08-29	FusionAI: Predicting fusion breakpoint from DNA sequence with deep learning 2021-Oct-22, iScience IF:4.6Q1 DOI:10.1016/j.isci.2021.103164 PMID:34646994	研究论文	本研究开发了FusionAI，利用深度学习预测基于DNA序列的基因融合断裂点，帮助研究人员更准确地选择融合基因并更好地理解基因组断裂	FusionAI利用已知的融合断裂点，通过深度学习从原始基因组序列中提供融合基因的预测模型	NA	识别与基因组断裂相关的分子机制	基因融合断裂点	机器学习	NA	深度学习	深度学习模型	DNA序列	NA
20	2024-08-28	BI-RADS-NET: AN EXPLAINABLE MULTITASK LEARNING APPROACH FOR CANCER DIAGNOSIS IN BREAST ULTRASOUND IMAGES 2021-Oct, IEEE International Workshop on Machine Learning for Signal Processing : [proceedings]. IEEE International Workshop on Machine Learning for Signal Processing DOI:10.1109/mlsp52302.2021.9596314 PMID:35509454	研究论文	本文介绍了BI-RADS-Net，一种用于乳腺癌超声图像检测的可解释多任务学习深度学习方法	该方法通过学习与临床诊断相关的特征表示，同时解释和分类乳腺肿瘤，并提供基于形态学特征的预测解释	NA	开发一种可解释的深度学习方法，用于乳腺癌超声图像的癌症检测	乳腺肿瘤的检测和分类	计算机视觉	乳腺癌	深度学习	CNN	图像	1,192张图像