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	Human Motion Tracking Using 3D Image Features with a Long Short-Term Memory Mechanism Model-An Example of Forward Reaching 2021-Dec-31, Sensors (Basel, Switzerland) DOI:10.3390/s22010292 PMID:35009834	研究论文	本文提出了一种使用3D图像特征和深度双向长短期记忆（DBLSTM）机制模型进行人体运动跟踪的深度学习技术	相比传统的2D图像系统，提出的系统在人体运动跟踪能力上有所提升，特别是在加速度的RMSE上表现优异	虽然3D图像特征提供了更准确的人体运动信息，但系统的实际应用可能受到3D图像采集和处理复杂性的限制	开发一种更有效的人体运动跟踪技术，以改善康复任务中的运动记录	人体运动	计算机视觉	NA	深度学习	DBLSTM	3D图像	NA
2	2025-02-21	BiLSTM-5mC: A Bidirectional Long Short-Term Memory-Based Approach for Predicting 5-Methylcytosine Sites in Genome-Wide DNA Promoters 2021-Dec-07, Molecules (Basel, Switzerland) DOI:10.3390/molecules26247414 PMID:34946497	研究论文	本研究提出了一种基于双向长短期记忆网络（BiLSTM）的深度学习方法BiLSTM-5mC，用于准确识别全基因组DNA启动子中的5-甲基胞嘧啶（5mC）位点	提出了一种新的深度学习方法BiLSTM-5mC，通过整合22个子模型的输出并使用多数投票策略来预测5mC位点，优于现有方法	未提及具体的数据集大小或样本来源，可能限制了结果的普适性	研究目的是开发一种高效的方法来识别DNA启动子中的5mC位点，以进一步理解DNA甲基化在癌症和衰老等遗传疾病中的功能	全基因组DNA启动子中的5mC位点	机器学习	癌症	深度学习	BiLSTM	DNA序列数据	未明确提及具体样本数量
3	2025-02-21	Power efficient refined seizure prediction algorithm based on an enhanced benchmarking 2021-12-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-02798-8 PMID:34873202	研究论文	本文提出了一种基于增强基准的节能型癫痫发作预测算法，通过改进数据处理和模型架构，提高了预测性能	提出了一种结合一维卷积神经网络和双向长短期记忆网络的深度学习架构，并采用留一法交叉验证以避免过拟合，同时优化了硬件实现	未提及具体数据集的多样性和规模限制，可能影响模型的泛化能力	改进癫痫发作预测算法的性能和硬件友好性	癫痫发作预测	机器学习	癫痫	深度学习	1D CNN + Bi-LSTM	时间序列数据	未明确提及具体样本数量
4	2025-01-23	Deep learning-based motion tracking using ultrasound images 2021-Dec, Medical physics IF:3.2Q1 DOI:10.1002/mp.15321 PMID:34724712	研究论文	本文开发了一种基于深度学习的超声图像运动跟踪方法，用于放射治疗中的分次内运动跟踪	提出了一种基于生成对抗网络的马尔可夫网络，用于从连续的超声图像帧中提取特征并估计变形向量场，从而实现实时毫米级肿瘤运动预测	NA	解决超声图像在放射治疗中用于运动跟踪的挑战	超声图像序列	计算机视觉	NA	超声成像	生成对抗网络（GAN）	图像	CLUST数据集包含42名受试者的63个2D和18名受试者的22个3D超声图像序列，CAMUS数据集包含450名患者的2D超声图像
5	2024-12-12	Convolutional Neural Networks for Fully Automated Diagnosis of Cardiac Amyloidosis by Cardiac Magnetic Resonance Imaging 2021-Dec-01, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm11121268 PMID:34945740	研究论文	本文研究了使用卷积神经网络（CNN）通过心脏磁共振成像（CMR）自动诊断心脏淀粉样变性（CA）	本文首次使用人工智能（AI）驱动的算法通过CMR图像检测心脏淀粉样变性的潜在模式	本文的局限性在于仅使用了502名患者的数据进行训练和验证	本文的研究目的是探索通过AI技术提高心脏淀粉样变性的诊断准确性	本文的研究对象是心脏淀粉样变性患者的心脏磁共振成像数据	计算机视觉	心血管疾病	卷积神经网络（CNN）	卷积神经网络（CNN）	图像	502名患者（其中82名患有心脏淀粉样变性）
6	2024-12-01	Automated detection of brain metastases on non-enhanced CT using single-shot detectors 2021-Dec, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-021-02743-6 PMID:34114064	研究论文	研究使用单次检测器（SSD）模型在非增强CT上自动检测脑转移瘤	开发了一种基于深度学习的单次检测器（SSD）模型，用于在非增强CT上检测脑转移瘤	SSD模型在检测小于6mm的病灶时表现不佳，且部分检测结果在回顾性分析中对放射科医生也不明显	开发和评估基于深度学习的检测器，用于在非增强CT上检测脑转移瘤	脑转移瘤在非增强CT上的检测	计算机视觉	脑部疾病	深度学习	单次检测器（SSD）	图像	116例非增强CT，来自116名患者
7	2024-10-06	COVID-19 infection localization and severity grading from chest X-ray images 2021-12, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.105002 PMID:34749094	研究论文	本文提出了一种从胸部X光图像中定位COVID-19感染并进行严重程度分级的方法	构建了包含33,920张胸部X光图像的最大基准数据集，并采用人机协作方法进行肺部分割掩码的标注；使用U-Net、U-Net++和特征金字塔网络（FPN）进行实验，实现了高精度的肺部分割和感染定位	数据集主要集中在COVID-19样本上，可能限制了模型的泛化能力	开发一种自动化的方法来定位COVID-19感染并评估其严重程度	COVID-19感染的定位和严重程度分级	计算机视觉	COVID-19	深度学习	U-Net, U-Net++, 特征金字塔网络 (FPN)	图像	33,920张胸部X光图像，其中11,956张为COVID-19样本
8	2024-10-06	A review of deep learning-based three-dimensional medical image registration methods 2021-Dec, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-21-175 PMID:34888197	综述	本文综述了过去五年基于深度学习的三维医学图像配准方法的进展，并指出了现有挑战和未来研究方向	总结了深度学习在三维医学图像配准中的应用进展，并分类讨论了不同方法的优缺点	未提供具体的技术细节或实验结果，仅进行了文献综述	回顾和总结基于深度学习的三维医学图像配准方法，并探讨未来的研究方向	三维医学图像配准方法及其在不同医学程序中的应用	计算机视觉	NA	深度学习	NA	图像	NA
9	2024-10-05	Detection of Cytopathic Effects Induced by Influenza, Parainfluenza, and Enterovirus Using Deep Convolution Neural Network 2021-Dec-30, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines10010070 PMID:35052750	研究论文	本研究利用深度卷积神经网络（ResNet-50）和多任务学习模型，提高了流感、副流感病毒和肠道病毒引起的细胞病变效应（CPEs）的检测效率	首次使用深度学习技术（ResNet-50和多任务学习模型）来检测流感、副流感病毒和肠道病毒引起的细胞病变效应，显著提高了检测准确率和效率	需要进一步验证模型在不同细胞系和更多病毒类型上的适用性	提高病毒引起的细胞病变效应的检测效率和准确性	流感、副流感病毒和肠道病毒引起的细胞病变效应	计算机视觉	NA	深度学习	ResNet-50	图像	涉及流感、副流感病毒和肠道病毒引起的细胞病变效应的数据
10	2024-10-01	Improved Protein Structure Prediction Using a New Multi-Scale Network and Homologous Templates 2021-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202102592 PMID:34719864	研究论文	本文介绍了一种改进的蛋白质结构预测方法trRosettaX，通过应用新的多尺度网络Res2Net和基于注意力的模块来利用多个同源模板，提高了预测精度	引入了新的多尺度网络Res2Net和基于注意力的模块，利用多个同源模板提高了蛋白质结构预测的精度	NA	提高蛋白质结构预测的准确性	蛋白质结构预测	机器学习	NA	深度学习	Res2Net	蛋白质结构数据	161个目标
11	2024-09-30	[Research progress of epileptic seizure predictions based on electroencephalogram signals] 2021-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202105052 PMID:34970903	综述	本文综述了基于脑电图信号的癫痫发作预测研究进展	强调了机器学习和深度学习在癫痫发作预测中的贡献，特别是深度学习在特征选择和模型泛化方面的优势	尽管取得了显著进展，但仍需更多努力才能实现临床应用	探讨如何利用脑电图信号预测癫痫发作，并促进其在临床中的应用	癫痫发作预测及其相关技术	机器学习	癫痫	脑电图（EEG）	深度学习（DL）	脑电图信号	NA
12	2024-09-29	CovH2SD: A COVID-19 detection approach based on Harris Hawks Optimization and stacked deep learning 2021-Dec-30, Expert systems with applications IF:7.5Q1 DOI:10.1016/j.eswa.2021.115805 PMID:34511738	研究论文	提出了一种基于Harris Hawks优化和堆叠深度学习的COVID-19检测方法CovH2SD	采用Harris Hawks优化算法优化超参数，并结合九种预训练卷积神经网络进行特征提取和学习	未提及	开发一种快速且准确的COVID-19检测方法	COVID-19患者的胸部CT图像	计算机视觉	COVID-19	Harris Hawks优化算法	卷积神经网络	图像	未提及
13	2024-09-29	Machine Learning in Epigenomics: Insights into Cancer Biology and Medicine 2021-12, Biochimica et biophysica acta. Reviews on cancer DOI:10.1016/j.bbcan.2021.188588 PMID:34245839	综述	本文综述了机器学习在表观基因组学中的应用，特别是其在癌症生物学和医学中的作用	探讨了机器学习算法在处理复杂、高维、稀疏和噪声数据方面的优势	未具体讨论每种机器学习方法的局限性	旨在概述机器学习方法如何用于探索表观基因组在癌症生物学和医学中的作用	癌症样本中的表观基因组数据	机器学习	癌症	机器学习算法	NA	表观基因组数据	NA
14	2024-09-27	Deep Learning Algorithm to Detect Cardiac Sarcoidosis From Echocardiographic Movies 2021-12-24, Circulation journal : official journal of the Japanese Circulation Society IF:3.1Q2 DOI:10.1253/circj.CJ-21-0265 PMID:34176867	研究论文	开发了一种深度学习算法，用于从超声心动图电影中检测心脏肉瘤病	使用3D卷积神经网络（3D-CNN）结合迁移学习方法来区分心脏肉瘤病患者和健康受试者	研究样本量较小，且仅限于特定时间段内的患者	开发一种新的方法来早期诊断亚临床心脏肉瘤病	心脏肉瘤病患者和健康受试者	计算机视觉	心血管疾病	3D卷积神经网络（3D-CNN）	3D-CNN	视频	212个超声心动图电影，包括50名心脏肉瘤病患者和149名健康受试者
15	2024-09-27	Deep Learning Brings New Era in Echocardiography 2021-12-24, Circulation journal : official journal of the Japanese Circulation Society IF:3.1Q2 DOI:10.1253/circj.CJ-21-0663 PMID:34471070	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
16	2024-09-19	Classification of COVID-19 pneumonia from chest CT images based on reconstructed super-resolution images and VGG neural network 2021-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-021-00140-0 PMID:33643612	研究论文	本文提出了一种基于超分辨率重建图像和VGG神经网络的COVID-19肺炎胸部CT图像分类辅助诊断算法	使用SRGAN神经网络对胸部CT图像进行超分辨率重建，然后通过VGG16神经网络对COVID-19和非COVID-19图像进行分类	NA	提高COVID-19肺炎胸部CT图像分类的准确性和性能	COVID-19肺炎和非COVID-19肺炎的胸部CT图像	计算机视觉	肺部疾病	超分辨率重建	SRGAN和VGG16	图像	使用公开的COVID-CT数据集进行验证
17	2024-09-13	[Review on identity feature extraction methods based on electroencephalogram signals] 2021-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202102057 PMID:34970904	综述	本文综述了基于脑电信号的身份特征提取方法	介绍了脑电信号在生物识别中的特殊优势，并探讨了如何结合脑电数据特征更好地提取差异信息	未提及具体的研究局限性	探讨基于脑电信号的身份识别方法	脑电信号的身份特征提取	生物识别	NA	脑电信号分析	深度学习	脑电信号	NA
18	2024-09-13	Image and structured data analysis for prognostication of health outcomes in patients presenting to the ED during the COVID-19 pandemic 2021-Dec-09, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2021.104662 PMID:34923448	研究论文	研究利用机器学习和深度学习模型，结合临床数据和胸部影像数据，预测COVID-19患者在急诊科的不良预后	首次将临床数据和胸部影像数据结合，使用LightGBM和CheXNet模型进行多维度风险预测	研究样本仅限于Loyola大学医学中心的3571名患者，可能存在地域和样本量的局限性	开发机器学习和深度学习模型，预测COVID-19患者在急诊科的不良预后	COVID-19患者的胸部影像和临床数据	计算机视觉	COVID-19	LightGBM, CheXNet	LightGBM, CheXNet	图像, 结构化数据	3571名18岁及以上的急诊科患者
19	2024-09-11	DeepSec: a deep learning framework for secreted protein discovery in human body fluids 2021-12-22, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btab545 PMID:34398224	研究论文	本文介绍了一个名为DeepSec的深度学习框架，用于在人体体液中识别分泌蛋白	DeepSec采用端到端的序列分析方法，结合卷积神经网络和双向门控循环单元进行蛋白质分类，显著提高了分泌蛋白识别的准确性	由于现有蛋白质组学平台的技术限制，不同实验研究之间存在较大差异，导致全面的人体体液蛋白质组图谱尚未完全确定	开发一个深度学习框架，以提高人体体液中分泌蛋白的识别准确性	12种人体体液中的分泌蛋白	机器学习	NA	深度学习	卷积神经网络和双向门控循环单元	蛋白质序列	12种人体体液的测试数据集
20	2024-09-11	Learning sparse log-ratios for high-throughput sequencing data 2021-12-22, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btab645 PMID:34498030	研究论文	本文介绍了一种名为CoDaCoRe的新型学习算法，用于从高通量测序数据中发现稀疏、可解释和预测性的对数比生物标志物	CoDaCoRe算法利用连续松弛来近似组合优化问题，并通过现代机器学习工具箱（特别是梯度下降）高效优化，显著提高了计算速度和预测准确性	NA	自动发现与感兴趣结果相关的稀疏生物标志物	高通量测序数据中的对数比生物标志物	机器学习	NA	高通量测序	NA	序列数据	NA