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	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
2	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）
3	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
4	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
5	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
6	2024-09-14	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	本文提出了一种基于合成MRI和区域卷积神经网络的自动分割方法，用于头颈部放射治疗中的器官风险轮廓勾画	利用合成MRI增强CT图像的软组织对比度，结合区域卷积神经网络进行器官风险轮廓的自动分割	NA	开发一种基于深度学习的自动器官风险轮廓分割方法，以提高放射治疗计划中的轮廓勾画精度	头颈部癌症患者的器官风险轮廓	计算机视觉	头颈部癌症	合成MRI	区域卷积神经网络	图像	内部数据集包含18个器官风险轮廓，公共数据集包含9个器官风险轮廓
7	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
8	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
9	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
10	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
11	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
12	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
13	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
14	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
15	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
16	2024-08-27	A weakly supervised deep learning approach for label-free imaging flow-cytometry-based blood diagnostics 2021-10-25, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2021.100094 PMID:35474892	研究论文	本文介绍了一种弱监督深度学习方法iCellCnn，用于无需标签的基于成像流式细胞术的血液诊断	iCellCnn能够基于明场成像流式细胞术图像实现Sézary综合征的诊断，且不限于特定疾病的诊断	研究样本量较小，仅包括四名健康捐赠者和五名Sézary综合征患者	开发一种无需手动标记单细胞图像的弱监督深度学习方法，以促进成像流式细胞术在血液疾病诊断中的应用	Sézary综合征的诊断	机器学习	血液疾病	成像流式细胞术	CNN	图像	四名健康捐赠者和五名Sézary综合征患者
17	2024-08-27	End-to-end robust joint unsupervised image alignment and clustering 2021-Oct, Proceedings. IEEE International Conference on Computer Vision DOI:10.1109/iccv48922.2021.00383 PMID:35392630	研究论文	提出了一种名为Jim-Net的多任务模型，能够无监督地同时进行图像对齐和聚类	Jim-Net是首个能够同时进行图像对齐和聚类的端到端模型，显著提高了单独执行每个任务的性能	NA	开发一种能够直接学习图像聚类和对齐的多任务模型	图像对齐和聚类	计算机视觉	NA	NA	Jim-Net	图像	在七个数据集上进行了广泛评估
18	2024-08-26	ICON: Learning Regular Maps Through Inverse Consistency 2021-Oct, Proceedings. IEEE International Conference on Computer Vision DOI:10.1109/iccv48922.2021.00338 PMID:35355618	研究论文	研究如何通过逆一致性损失来学习数据样本之间的正则化映射	提出了一种结合深度网络、逆一致性损失和随机离网格插值的方法，以获得近似微分同胚的空间变换，无需精心调整的显式正则化器	未提及具体限制	探索在计算图像配准时，是否可以通过仅使用逆一致性损失来获得空间正则性	空间变换的正则性	计算机视觉	NA	深度学习	深度网络	图像	未提及具体样本数量
19	2024-08-24	Distant Domain Transfer Learning for Medical Imaging 2021-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2021.3051470 PMID:33449887	研究论文	本文提出了一种新的医学图像分类迁移学习框架，并应用于COVID-19的肺部CT图像诊断	该方法利用远领域中的未标记数据，有效处理训练数据与测试数据之间的分布偏移，并实现了96%的分类准确率	由于疾病的创新性和隐私政策，难以获取良好标记的训练数据集	开发一种远领域迁移学习模型，用于COVID-19的诊断	COVID-19的肺部CT图像	计算机视觉	肺部疾病	迁移学习	Unet分割模型和远特征融合分类模型	图像	使用未标记的Office-31、Caltech-256和胸部X射线图像数据集作为源数据，以及一小部分标记的COVID-19肺部CT图像作为目标数据
20	2024-08-24	Predicting COVID-19 cases using bidirectional LSTM on multivariate time series 2021-Oct, Environmental science and pollution research international DOI:10.1007/s11356-021-14286-7 PMID:34043172	研究论文	本文提出了一种使用双向长短期记忆网络（Bi-LSTM）在多变量时间序列上预测COVID-19病例数的深度学习方法	该方法首先使用K-means聚类算法对具有相似人口统计、社会经济和卫生部门指标的国家进行分组，然后利用这些国家的累计病例数据和封锁措施数据训练双向LSTM模型	NA	帮助政策制定者做出适当决策以阻止COVID-19疫情的传播	COVID-19病例数的预测	机器学习	COVID-19	双向长短期记忆网络（Bi-LSTM）	Bi-LSTM	多变量时间序列	涉及多个国家的数据