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
241	2024-09-30	McS-Net: Multi-class Siamese network for severity of COVID-19 infection classification from lung CT scan slices 2022-Dec, Applied soft computing IF:7.2Q1 DOI:10.1016/j.asoc.2022.109683 PMID:36277300	研究论文	本文提出了一种基于深度学习的P-shot N-ways孪生网络，结合原型最近邻分类器，用于从肺部CT扫描切片中分类COVID-19感染的严重程度	本文的创新点在于使用孪生网络和原型最近邻分类器，能够在有限数据集的情况下实现高精度的COVID-19感染严重程度分类	本文的局限性在于仅在MosMed数据集和两个特定数据集上进行了验证，可能需要进一步在更多数据集上验证其泛化能力	本文的研究目的是开发一种高效的方法，用于从肺部CT扫描中分类COVID-19感染的严重程度	本文的研究对象是COVID-19感染的肺部CT扫描图像	计算机视觉	COVID-19	深度学习	孪生网络	图像	1110名患者和42名患者的低剂量CT扫描图像
242	2024-09-30	DLBLS_SS: protein secondary structure prediction using deep learning and broad learning system 2022-Nov-22, RSC advances IF:3.9Q2 DOI:10.1039/d2ra06433b PMID:36505696	研究论文	本文提出了一种基于深度学习和广义学习系统的蛋白质二级结构预测模型DLBLS_SS	结合双向长短期记忆网络和时间卷积网络与通道注意力机制，以及广义学习系统来优化特征并捕捉残基间的局部相互作用	NA	提高蛋白质二级结构预测的准确性	蛋白质的3-state和8-state二级结构	机器学习	NA	深度学习	BLSTM, TCN, BLS	序列	包括CASP10, CASP11, CASP12, CASP13, CASP14和CB513的公共测试集
243	2024-09-30	Deep Learning Techniques to Diagnose Lung Cancer 2022-Nov-13, Cancers IF:4.5Q1 DOI:10.3390/cancers14225569 PMID:36428662	研究论文	本文介绍了基于深度学习的医学影像技术在早期肺癌诊断中的最新进展	利用深度学习技术自动分类癌症图像，提高肺癌诊断的敏感性和准确性	现有技术无法自动分类癌症图像，不适用于其他病理的患者	开发一种敏感且准确的早期肺癌诊断方法	肺癌的早期诊断	计算机视觉	肺癌	深度学习	NA	医学影像	NA
244	2024-09-30	Cocrystal Prediction of Bexarotene by Graph Convolution Network and Bioavailability Improvement 2022-Oct-16, Pharmaceutics IF:4.9Q1 DOI:10.3390/pharmaceutics14102198 PMID:36297633	研究论文	本文开发了一种基于图卷积网络的深度学习模型（CocrystalGCN），用于预测Bexarotene的共晶体，并通过实验验证了其有效性	首次使用图卷积网络进行共晶体预测，并成功合成了多种具有改善溶解性和生物利用度的共晶体	实验验证的样本数量有限，可能需要进一步扩大样本量以验证模型的普适性	提高Bexarotene的水溶性和生物利用度，以改善其临床应用	Bexarotene及其共晶体	药物化学	皮肤T细胞淋巴瘤	图卷积网络（GCN）	GCN	分子结构数据	109个共晶体候选物中的30个进行了实验验证
245	2024-09-30	First-Gen Lens: Assessing Mental Health of First-Generation Students across Their First Year at College Using Mobile Sensing 2022-Jul, Proceedings of the ACM on interactive, mobile, wearable and ubiquitous technologies DOI:10.1145/3543194 PMID:36561350	研究论文	通过移动感知技术评估第一代大学生在其大学第一年的心理健康状况	提出了一种深度学习模型，通过考虑第一代学生的独特行为因素来准确预测其心理健康状况	研究样本仅限于达特茅斯学院的180名新生，可能无法完全代表所有第一代大学生	研究第一代大学生在大学第一年的心理健康状况及其行为模式	第一代大学生和非第一代大学生的心理健康及行为	机器学习	NA	移动感知技术	深度学习模型	行为数据	180名大学新生，其中27名为第一代学生，占研究群体的15%
246	2024-09-30	Graph-based molecular Pareto optimisation 2022-Jun-29, Chemical science IF:7.6Q1 DOI:10.1039/d2sc00821a PMID:35872811	研究论文	本文介绍了基于图的非支配排序遗传算法（NSGA-II和NSGA-III）在分子多目标优化中的最新和开源实现	引入了新的评估指标，包括支配超体积和基于扩展指纹的内部相似性，用于基准测试	未提及具体的局限性	研究基于图的遗传算法在分子多目标优化中的应用	小分子药物的逆向设计	机器学习	NA	遗传算法	NSGA-II, NSGA-III	分子数据	未提及具体的样本数量
247	2024-09-30	A 3-miRNA Signature Enables Risk Stratification in Glioblastoma Multiforme Patients with Different Clinical Outcomes 2022-06-16, Current oncology (Toronto, Ont.) DOI:10.3390/curroncol29060345 PMID:35735454	研究论文	研究通过分析3-miRNA标志物在胶质母细胞瘤患者中的表达水平，实现了患者的风险分层	提出了一个3-miRNA标志物，通过RT-qPCR和深度学习系统验证其在胶质母细胞瘤患者风险分层中的有效性	研究样本量较小，仅涉及37名患者	开发一种新的分子标志物，用于胶质母细胞瘤患者的风险分层	胶质母细胞瘤患者及其miRNA表达水平	数字病理学	脑癌	RT-qPCR	深度学习	图像	37名胶质母细胞瘤患者
248	2024-09-30	From systems to structure - using genetic data to model protein structures 2022-06, Nature reviews. Genetics DOI:10.1038/s41576-021-00441-w PMID:35013567	综述	本文综述了利用大规模遗传数据和深度学习方法来建模蛋白质结构及其相互作用的新兴应用	本文介绍了基于共进化、深度突变扫描和基因组规模遗传或化学遗传相互作用映射的新方法，这些方法使得能够建模单个蛋白质或蛋白质复合物的结构	NA	理解遗传变异的影响是生物学中的一个基本问题，需要分析序列变化在系统和机制尺度上的物理和功能后果	蛋白质结构及其相互作用	机器学习	NA	深度学习	NA	遗传数据	NA
249	2024-09-30	COVID-19 prognostic modeling using CT radiomic features and machine learning algorithms: Analysis of a multi-institutional dataset of 14,339 patients 2022-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.105467 PMID:35378436	研究论文	研究使用CT放射组学特征和机器学习算法对COVID-19患者进行预后建模	提出了基于CT放射组学特征的预后模型，并在大规模多中心数据集上验证了其预测能力	ComBat数据调和并未显著提高模型的性能	分析基于CT放射组学模型的预后能力	COVID-19患者	机器学习	COVID-19	放射组学特征提取	随机森林	CT影像	14,339名患者
250	2024-09-30	Towards robust diagnosis of COVID-19 using vision self-attention transformer 2022-05-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-13039-x PMID:35618740	研究论文	本文提出了一种基于视觉自注意力变换器的COVID-19诊断方法	使用自注意力机制的变换器架构，能够利用大量未标记数据进行预训练，提高了COVID-19诊断的准确性	需要大量的计算资源和数据进行训练	比较自注意力变换器与CNN和集成分类器在COVID-19诊断中的性能	COVID-19的诊断	计算机视觉	COVID-19	自注意力机制	Transformer	CT扫描图像	使用了HUST-19和SARS-CoV-2数据集进行训练和测试
251	2024-09-30	Organic fluorescent nanoprobes with NIR-IIb characteristics for deep learning 2022-Apr, Exploration (Beijing, China) DOI:10.1002/EXP.20210097 PMID:37323884	研究论文	本文综述了具有NIR-IIb特性的有机荧光纳米探针的最新发展及其在动物模型深部成像中的应用	首次系统综述了NIR-IIb区域有机荧光纳米探针的发展及其在深部成像中的应用	有机荧光纳米探针在NIR-IIb区域的应用仍处于早期阶段，临床应用尚未广泛	综述具有NIR-IIb特性的有机荧光纳米材料的发展及其在深部成像中的应用	具有NIR-IIb特性的有机荧光纳米材料及其在动物模型中的应用	生物医学成像	NA	NIR-IIb成像	NA	图像	动物模型
252	2024-09-30	BEMD-3DCNN-based method for COVID-19 detection 2022-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.105188 PMID:34998222	研究论文	提出了一种基于BEMD-3DCNN的方法用于COVID-19检测	使用3D表示的数据作为输入，结合BEMD技术分解图像并构建视频，通过3DCNN模型进行分类和检测，利用CAA模块处理上下文信息以提高检测性能	未提及具体限制	开发一种快速诊断和检测系统以阻止COVID-19的传播	COVID-19病毒的检测	计算机视觉	COVID-19	Bi-dimensional Empirical Mode Decomposition (BEMD)	3DCNN	图像	6484张X光图像，包括1802例COVID-19阳性病例，1910例正常病例和2772例肺炎病例
253	2024-09-30	Deep learning via LSTM models for COVID-19 infection forecasting in India 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0262708 PMID:35089976	研究论文	本文使用LSTM等循环神经网络模型对印度的COVID-19感染进行短期预测	采用LSTM、双向LSTM和编码器-解码器LSTM模型进行多步短期COVID-19感染预测	数据可靠性问题以及难以捕捉人口密度、物流和社会文化等因素	重新审视COVID-19感染情况，使用可靠数据源和创新预测模型	印度各州的COVID-19感染情况	机器学习	NA	NA	LSTM	时间序列	印度各州的COVID-19热点地区
254	2024-09-30	Malignant thoracic lymph node classification with deep convolutional neural networks on real-time endobronchial ultrasound (EBUS) images 2022-Jan, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-21-870 PMID:35242624	研究论文	本研究旨在利用深度卷积神经网络对实时内窥镜超声图像中的恶性胸淋巴结进行分类	本研究首次将深度卷积神经网络应用于实时内窥镜超声图像中恶性胸淋巴结的自动分类，并提出了一种新的损失函数以提高分类性能	本研究的样本量相对较小，且仅限于特定医院的患者数据	开发一种能够自动分类恶性胸淋巴结的深度卷积神经网络，以提高肺癌诊断和治疗的准确性	胸淋巴结的恶性分类	计算机视觉	肺癌	深度卷积神经网络	CNN	图像	共收集了2,394张内窥镜超声图像，包括1,459个良性淋巴结和935个恶性淋巴结，涉及370名患者
255	2024-09-30	A COMPARATIVE STUDY OF X-RAY AND CT IMAGES IN COVID-19 DETECTION USING IMAGE PROCESSING AND DEEP LEARNING TECHNIQUES 2022, Computer methods and programs in biomedicine update DOI:10.1016/j.cmpbup.2022.100054 PMID:35281724	review	本文综述了使用图像处理和深度学习技术在COVID-19检测中比较X射线和CT图像的最新深度学习方法	本文总结了卷积神经网络（CNN）在从医学图像中检测COVID-19的最流行深度学习算法，并讨论了预处理、迁移学习和数据增强技术在处理数据稀缺问题中的应用	NA	探讨深度学习技术在COVID-19早期诊断中的应用	COVID-19的早期诊断	computer vision	传染病	图像处理和深度学习	CNN	image	NA
256	2024-09-30	Facial Mask Detection Using Depthwise Separable Convolutional Neural Network Model During COVID-19 Pandemic 2022, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2022.855254 PMID:35321193	研究论文	本文提出了一种基于Depthwise Separable Convolution的MobileNet模型用于COVID-19疫情期间的面部口罩检测	采用Depthwise Separable Convolution层替代传统的2D卷积层，减少了可训练参数数量并提高了学习性能	依赖于有限的训练数据集	解决面部图像中口罩识别的问题	面部口罩检测	计算机视觉	NA	深度学习	深度卷积神经网络	图像	使用基准数据集进行测试
257	2024-09-30	Recent Technical Advances in Accelerating the Clinical Translation of Small Animal Brain Imaging: Hybrid Imaging, Deep Learning, and Transcriptomics 2022, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2022.771982 PMID:35402436	综述	本文综述了近期在加速小动物脑成像临床转化方面的技术进展，重点介绍了混合成像、深度学习和转录组学等技术	本文介绍了混合成像技术、单细胞转录组学和深度学习图像分析等新方法，以提高小动物脑成像的转化能力	本文讨论了从临床前脑成像向临床转化过程中存在的物种间差异和成像技术障碍等挑战	总结近期小动物神经成像技术的发展，以提高其临床转化能力	小动物脑成像技术及其临床转化	计算机视觉	NA	混合成像、深度学习、转录组学	深度学习	图像	NA
258	2024-09-30	Deep Generative Learning-Based 1-SVM Detectors for Unsupervised COVID-19 Infection Detection Using Blood Tests 2022, IEEE transactions on instrumentation and measurement IF:5.6Q1 DOI:10.1109/TIM.2021.3130675 PMID:35582656	研究论文	本文介绍了一种基于深度生成学习的无监督COVID-19感染检测方法，使用血液检测样本	本文结合了变分自编码器（VAE）的特征提取能力和一类支持向量机（1SVM）的检测敏感性，提出了一种新的深度混合模型	本文的研究主要基于两个医院的血液检测样本，样本量有限，可能影响模型的泛化能力	开发一种快速、低成本且易于访问的无监督COVID-19感染检测方法	COVID-19感染检测	机器学习	COVID-19	变分自编码器（VAE），一类支持向量机（1SVM）	深度混合模型	血液检测数据	两个医院的常规血液检测样本
259	2024-09-30	Neural Network Training With Asymmetric Crosspoint Elements 2022, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2022.891624 PMID:35615470	研究论文	本文探讨了使用不对称交叉点元件进行神经网络训练的问题，并提出了一种新的全并行训练算法	提出了一种新的全并行训练算法，利用设备不对称性作为有用特征，通过调整网络参数来最小化系统的总能量（哈密顿量）	NA	解决实际电阻器件不对称电导调制对传统算法训练网络分类性能的负面影响	不对称交叉点元件和深度神经网络训练	机器学习	NA	NA	深度神经网络	NA	NA
260	2024-09-30	Detection of Small-Sized Insects in Sticky Trapping Images Using Spectral Residual Model and Machine Learning 2022, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2022.915543 PMID:35837447	研究论文	本文提出了一种基于光谱残差模型和机器学习的自动化方法，用于在温室条件下检测粘性陷阱图像中的小型昆虫	该方法无需高性能硬件支持，相比基于深度学习的方法更具实用性	NA	开发一种基于视觉的识别系统，以快速收集温室农业中小型害虫数量的信息，并可靠地估计总体种群密度	温室中的粉虱和蓟马	计算机视觉	NA	光谱残差模型	支持向量机	图像	NA