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
1381	2024-08-27	Robot Learning From Randomized Simulations: A Review 2022, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2022.799893 PMID:35494543	综述	本文综述了机器人从随机化模拟中学习的方法，特别是关注于一种名为“域随机化”的技术	介绍了通过域随机化技术来克服模拟与现实之间的差异，即“现实差距”	所有模拟器都是基于模型构建的，因此不可避免地存在不完美之处	探讨如何修改模拟器以促进机器人控制策略的学习，并克服模拟与现实之间的不匹配	机器人学习方法及其在模拟到现实环境中的应用	机器人学	NA	域随机化	深度学习	模拟数据	NA
1382	2024-08-27	Social media text analytics of Malayalam-English code-mixed using deep learning 2022, Journal of big data IF:8.6Q1 DOI:10.1186/s40537-022-00594-3 PMID:35495077	研究论文	本文研究了马拉雅拉姆语-英语混合文本的社交媒体文本分析，重点是识别攻击性语言和情感分析	提出了一个框架，结合了嵌入方法（Word2Vec和FastText）和深度学习算法（单/双向模型、混合模型和转换器方法），并进行了超参数优化	未明确提及	旨在提高马拉雅拉姆语-英语混合文本在社交媒体中的处理能力	马拉雅拉姆语-英语混合数据集	自然语言处理	NA	深度学习	单/双向模型、混合模型、转换器	文本	FIRE 2020数据集和EACL 2021数据集
1383	2024-08-27	Research on Intelligent Target Tracking Algorithm Based on MDNet under Artificial Intelligence 2022, Computational intelligence and neuroscience DOI:10.1155/2022/1550543 PMID:35498174	研究论文	本文介绍了一种基于MDNet的目标跟踪方法，通过引入两种注意力机制来提取和整合更好的特征，并使用案例分区减少跟踪模块的投入和最小化网络大小，以防止结果恶化	引入了两种注意力机制来提取和整合更好的特征，并使用案例分区技术来优化网络结构	未提及具体的局限性	研究基于MDNet的智能目标跟踪算法	目标跟踪技术	计算机视觉	NA	深度学习	MDNet	图像	未提及具体样本数量
1384	2024-08-26	Semantic segmentation of multispectral photoacoustic images using deep learning 2022-Jun, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2022.100341 PMID:35371919	研究论文	本文提出了一种基于深度学习的语义分割方法，用于多光谱光声图像的分析	利用手动标注的光声和超声图像数据训练深度学习分割算法，实现自动组织分割	NA	促进光声成像技术的临床转化	多光谱光声图像	计算机视觉	NA	深度学习	NA	图像	16名健康志愿者
1385	2024-08-26	A practical evaluation of machine learning for classification of ultrasound images of ovarian development in channel catfish (Ictalurus punctatus) 2022-Apr-15, Aquaculture (Amsterdam, Netherlands) DOI:10.1016/j.aquaculture.2022.738039 PMID:35296028	研究论文	本研究评估了多种机器学习方法在分类超声图像中的卵巢发育情况的应用，特别是在鲶鱼养殖中的应用	首次系统评估了多种机器学习方法在鲶鱼卵巢发育超声图像分类中的应用	深度学习方法在某些分类问题上的表现不如传统机器学习方法	评估机器学习方法在鲶鱼卵巢发育超声图像分类中的可行性	鲶鱼卵巢发育的超声图像	机器学习	NA	深度学习方法，传统机器学习方法	CNN	图像	931张超声图像
1386	2024-08-26	Identification of antibiotic resistance and virulence-encoding factors in Klebsiella pneumoniae by Raman spectroscopy and deep learning 2022-04, Microbial biotechnology IF:4.8Q1 DOI:10.1111/1751-7915.13960 PMID:34843635	研究论文	本研究利用拉曼光谱和深度学习技术，开发了一种卷积神经网络（CNN）模型，用于快速识别肺炎克雷伯菌中的抗生素抗性和毒力编码因子	本研究首次将拉曼光谱与深度学习结合，用于快速识别肺炎克雷伯菌的抗生素抗性和毒力编码因子，相比传统的支持向量机（SVM）和逻辑回归（LR）模型，提供了更高的准确性	NA	开发一种快速识别肺炎克雷伯菌抗生素抗性和毒力编码因子的方法，以制定合理的治疗计划	肺炎克雷伯菌的抗生素抗性和毒力编码因子	机器学习	NA	拉曼光谱	CNN	光谱数据	71株肺炎克雷伯菌
1387	2024-08-26	Deep learning versus iterative image reconstruction algorithm for head CT in trauma 2022-Apr, Emergency radiology IF:1.7Q3 DOI:10.1007/s10140-021-02012-2 PMID:34984574	研究论文	比较深度学习图像重建算法（DLIR）与自适应统计迭代重建算法（ASiR-V）在非对比创伤头部CT中的图像质量	DLIR算法在图像噪声、信噪比和对比噪声比方面表现出显著优势，尤其是DLIR-M和DLIR-H	阅读者之间的评分一致性在不同经验水平的阅读者之间表现不一，从较差到良好不等	评估和比较DLIR与ASiR-V在创伤头部CT图像重建中的效果	94名连续创伤患者的头部CT扫描图像	计算机视觉	NA	深度学习图像重建算法（DLIR），自适应统计迭代重建算法（ASiR-V）	CNN	图像	94名创伤患者
1388	2024-08-26	Novel-view X-ray projection synthesis through geometry-integrated deep learning 2022-04, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2022.102372 PMID:35131701	研究论文	本文提出了一种基于深度学习的几何集成投影合成框架（DL-GIPS），用于从特定视角的X射线投影图像生成新视角的X射线投影图像	本文提出的DL-GIPS模型能够从源视角投影中提取几何和纹理特征，并通过几何变换适应视角变化，最终合成目标视角的X射线投影	NA	研究如何通过深度学习技术从特定视角的X射线投影图像生成新视角的X射线投影图像，以减少实际投影测量的需求	X射线投影图像	计算机视觉	NA	深度学习	DL-GIPS	图像	使用肺部成像案例进行验证
1389	2024-08-26	Brain Tumor Imaging: Applications of Artificial Intelligence 2022-Apr, Seminars in ultrasound, CT, and MR DOI:10.1053/j.sult.2022.02.005 PMID:35339256	综述	本文综述了人工智能在脑肿瘤影像学中的应用，特别是机器学习和深度学习在神经肿瘤学中的潜在用途	人工智能在脑肿瘤影像学中的应用，包括分子分类、鉴别和治疗反应评估	需要更多多中心规模的研究和标准化的图像处理流程，才能在常规临床决策中引入人工智能	探讨人工智能在神经肿瘤学中的应用，特别是脑肿瘤的分子分类、鉴别和治疗反应评估	脑肿瘤的影像学特征和人工智能模型的应用	计算机视觉	脑肿瘤	机器学习, 深度学习	NA	影像	NA
1390	2024-08-26	AF2Complex predicts direct physical interactions in multimeric proteins with deep learning 2022-04-01, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-29394-2 PMID:35365655	research paper	本文展示了利用AlphaFold2的神经网络模型预测多聚体蛋白质复合物结构的方法，无需重新训练	AF2Complex方法不依赖于配对的多序列比对，且在预测蛋白质-蛋白质相互作用的准确性上优于一些复杂的对接策略和AF-Multimer方法	NA	开发一种新的方法来预测多聚体蛋白质复合物的结构，并评估其在实际生物系统中的应用	多聚体蛋白质复合物的结构及其相互作用	machine learning	NA	deep learning	neural network	protein sequences	包括一些具有挑战性的基准集和E. coli的整个蛋白质组，以及细胞色素c生物合成系统I中的八个成员
1391	2024-08-26	Deep-learning based identification, tracking, pose estimation, and behavior classification of interacting primates and mice in complex environments 2022-Apr, Nature machine intelligence IF:18.8Q1 DOI:10.1038/s42256-022-00477-5 PMID:35465076	研究论文	本文提出了一种基于深度学习的架构，用于在复杂环境中识别、跟踪、姿态估计和分类交互的灵长类动物和小鼠的行为	该架构能够直接从原始视频帧中分析个体和社交动物行为，无需后续人工干预，并嵌入了一个名为SIPEC的流程，该流程在分割、识别、姿态估计和复杂行为分类方面超越了现有技术	NA	研究脑功能、药物干预效果和遗传改变对行为的影响	交互的灵长类动物和小鼠的行为	计算机视觉	NA	深度学习	深度学习架构	视频	多个自由移动的个体小鼠以及社交互动的非人类灵长类动物
1392	2024-08-26	PIGNet: a physics-informed deep learning model toward generalized drug-target interaction predictions 2022-Mar-30, Chemical science IF:7.6Q1 DOI:10.1039/d1sc06946b PMID:35432900	研究论文	本文提出了一种基于物理信息深度学习的药物-靶点相互作用预测模型PIGNet	通过物理信息方程参数化的神经网络预测原子间的相互作用，并提供蛋白质-配体复合物的总结合亲和力，增强了模型的泛化能力	NA	提高药物-靶点相互作用模型的泛化能力	药物-靶点相互作用	机器学习	NA	深度神经网络(DNN)	物理信息深度学习模型	蛋白质-配体复合物数据	NA
1393	2024-08-26	Model agnostic generation of counterfactual explanations for molecules 2022-Mar-30, Chemical science IF:7.6Q1 DOI:10.1039/d1sc05259d PMID:35432902	研究论文	本文提出了一种通用的模型不可知方法，用于生成分子预测的反事实解释	该方法不限于特定的模型架构，也不需要强化学习作为单独的过程，能够解释任何黑盒模型的预测	NA	解决深度学习在化学领域缺乏可解释性的问题	神经网络模型在化学预测中的应用	机器学习	NA	NA	随机森林模型、序列模型、图神经网络	NA	NA
1394	2024-08-26	Real-time reconstruction of high energy, ultrafast laser pulses using deep learning 2022-03-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-09041-y PMID:35351923	研究论文	本文报道了一种基于深度学习自相位调制引起的非线性光谱变化的超短激光脉冲相位重建方法	该方法能够对具有随机初始相位和光谱的模拟脉冲进行相位重建，且适用于中等光谱分辨率和噪声环境	NA	开发一种适用于高能量、大口径光束系统的实时相位重建技术	超短激光脉冲的相位重建	机器学习	NA	深度学习	神经网络	光谱数据	脉冲持续时间在8.5至65飞秒之间的模拟脉冲
1395	2024-08-26	Neural relational inference to learn long-range allosteric interactions in proteins from molecular dynamics simulations 2022-03-29, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-29331-3 PMID:35351887	研究论文	本文利用基于图神经网络的神经关系推理模型，从分子动力学模拟轨迹中学习蛋白质中的长程变构相互作用	本文首次应用神经关系推理模型来探测蛋白质变构过程，并能更早地发现与变构相关的相互作用，更准确地预测突变后的相对自由能变化	NA	研究蛋白质中的长程变构相互作用	Pin1、SOD1和MEK1系统中的蛋白质	机器学习	NA	分子动力学模拟	图神经网络	分子动力学轨迹	Pin1、SOD1和MEK1系统
1396	2024-08-26	Unified Deep Learning Model for Multitask Reaction Predictions with Explanation 2022-03-28, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.1c01467 PMID:35266390	研究论文	本文开发了一种统一的深度学习模型T5Chem，用于多种化学反应预测任务，基于自然语言处理中的T5框架	首次将T5框架应用于化学反应预测任务，并引入了新的统一多任务反应预测数据集USPTO_500_MT	NA	开发一种能够处理多种化学反应预测任务的统一深度学习模型	化学反应预测任务，包括反应类型分类、正向反应预测、单步逆合成、反应产率预测和试剂建议	机器学习	NA	NA	T5	文本	使用了四个不同的开源数据集，包括USPTO_TPL、USPTO_MIT、USPTO_50k和高效C-N耦合反应数据集
1397	2024-08-26	A comparative study of semantic segmentation of omnidirectional images from a motorcycle perspective 2022-03-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-08466-9 PMID:35322055	研究论文	本文对从摩托车视角获取的全方位城市驾驶图像的语义分割进行了深入的比较研究	首次针对摩托车视角的全方位图像进行语义分割研究，并比较了不同深度学习方法在不同表示方式下的表现	研究主要集中在模型在全方位图像上的表现，未涉及实际应用中的实时性能和计算效率	探讨不同深度学习方法在全方位图像语义分割中的应用效果	摩托车视角的全方位城市驾驶图像	计算机视觉	NA	深度学习	CNN	图像	使用了真实视角图像、合成视角、鱼眼和等距柱状图像，以及模拟鱼眼图像和真实鱼眼图像的测试集
1398	2024-08-26	Mitigating spread of contamination in meat supply chain management using deep learning 2022-03-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-08993-5 PMID:35322116	研究论文	本文利用深度学习技术在肉类供应链管理中减少污染的传播	采用深度卷积神经网络（DCNN）和粒子群优化（PSO）算法训练了一个分类模型，实现了100%的准确率，能够区分新鲜肉类和变质肉类	NA	自动化肉类供应链管理过程，防止肉类变质，提高肉类货架期，促进可持续消费	肉类供应链中的新鲜和变质肉类	机器学习	NA	深度学习	深度卷积神经网络（DCNN）	图像	NA
1399	2024-08-26	SEED: Symptom Extraction from English Social Media Posts using Deep Learning and Transfer Learning 2022-Mar-21, medRxiv : the preprint server for health sciences DOI:10.1101/2021.02.09.21251454 PMID:33594374	研究论文	本文介绍了一种名为SEED的自然语言处理方法，用于从社交媒体数据中检测症状和疾病提及，并将其标准化为UMLS术语	使用多语料库训练和深度学习模型，SEED工具在DailyStrength和平衡的Twitter数据集上分别达到了0.86和0.72的F1分数，显著优于先前的方法	需要持续对新获取的数据进行训练，以适应社交媒体词汇的不断变化	开发一种能够从社交媒体帖子中提取症状信息的方法，以支持疾病监测	社交媒体数据中的症状和疾病提及	自然语言处理	NA	深度学习和迁移学习	深度学习模型	文本	DailyStrength和平衡的Twitter数据集
1400	2024-08-26	Deep-learning based image reconstruction for MRI-guided near-infrared spectral tomography 2022-Mar-20, Optica IF:8.4Q1 DOI:10.1364/optica.446576 PMID:35340570	研究论文	本文提出并验证了一种基于深度学习的MRI引导近红外光谱断层成像（NIRST）重建算法，用于乳腺癌特征描述。	该方法利用神经网络同时处理扩散光学信号和MRI图像，通过端到端训练恢复氧合血红蛋白、脱氧血红蛋白和水的浓度，提高了重建图像的质量。	该研究仅基于模拟数据集和真实患者图像数据进行验证，尚未在更广泛的临床环境中进行测试。	旨在改进MRI引导NIRST的图像重建过程，使其更快速且更准确。	研究对象包括扩散光学信号、MRI图像以及乳腺癌患者的肿瘤特征。	计算机视觉	乳腺癌	深度学习	神经网络	图像	20,000组计算机生成的模拟幻影数据