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
1401	2024-08-26	A contrastive learning approach for ICU false arrhythmia alarm reduction 2022-03-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-07761-9 PMID:35304473	研究论文	本文提出了一种使用卷积神经网络（CNN）和对比学习来自动学习生理波形特征表示的深度学习框架，以区分真假心律失常警报，从而减少重症监护室（ICU）中的误报警率	本文创新性地结合了对比学习和规则基础嵌入方法，通过同时最小化二元交叉熵分类损失和提出的相似性损失，提高了深度学习模型的性能	NA	旨在减少重症监护室中心律失常的误报警率，提高医疗护理质量	重症监护室中的心律失常警报	机器学习	NA	对比学习	CNN	生理波形	使用2015年PhysioNet计算心脏病学挑战赛的数据集进行评估
1402	2024-08-26	Using deep learning to predict human decisions and using cognitive models to explain deep learning models 2022-03-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-08863-0 PMID:35304572	研究论文	本文探讨了使用深度神经网络（DNNs）模型预测人类决策，并利用认知模型解释DNNs模型的方法	提出了一种结合DNNs模型和认知模型的方法，以提高预测人类行为的准确性并解释DNNs的操作过程	DNNs模型的不透明性限制了其作为科学工具的解释能力	探索DNNs模型在预测人类决策中的应用，并利用认知模型解释其操作	人类决策行为及DNNs模型的操作机制	机器学习	NA	深度神经网络（DNNs）	DNN	NA	NA
1403	2024-08-26	Automated Feature Extraction on AsMap for Emotion Classification Using EEG 2022-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s22062346 PMID:35336517	研究论文	本文提出了一种结合手动和自动特征提取方法的混合模型，用于使用脑电图（EEG）进行情感分类	通过捕获不同脑区域的非对称性并使用AsMap进行自动特征提取，提高了分类准确性	NA	提高情感识别中脑电图信号处理的性能	脑电图信号的特征提取和情感分类	机器学习	NA	脑电图（EEG）	卷积神经网络（CNN）	图像	使用了SJTU情感EEG数据集和DEAP数据集
1404	2024-08-26	A Comprehensive Survey on the Detection, Classification, and Challenges of Neurological Disorders 2022-Mar-18, Biology DOI:10.3390/biology11030469 PMID:35336842	综述	本文综述了神经退行性疾病的检测、分类及其挑战，涵盖了预处理、特征提取技术以及机器学习和深度学习方法的性能评估	本文总结了神经退行性疾病检测领域的相关工作，并提出了未来研究的方向和挑战	该领域针对疾病和检测标准的工作相对较少	综述神经退行性疾病的检测和分类方法及其面临的挑战	神经退行性疾病及其检测和分类方法	计算机视觉	神经退行性疾病	磁共振成像(MRI)、脑磁图(MEG)、正电子发射断层扫描(PET)	机器学习(ML)、深度学习(DL)	图像、信号、语音	NA
1405	2024-08-26	Solving Inverse Electrocardiographic Mapping Using Machine Learning and Deep Learning Frameworks 2022-Mar-17, Sensors (Basel, Switzerland) DOI:10.3390/s22062331 PMID:35336502	研究论文	本研究利用机器学习和深度学习框架改进心电图成像（ECGi）的逆问题求解方法	本研究展示了神经网络可以用于解决ECGi的逆问题，且在小数据集上具有与当前标准方法相兼容的准确性	NA	改进心电图成像的逆问题求解方法	猪的心脏和体表记录的心电图	机器学习	NA	NA	全连接神经网络（FCN）、长短期记忆网络（LSTM）、卷积神经网络（CNN）	心电图数据	多只猪
1406	2024-08-26	Spectral imaging with deep learning 2022-Mar-16, Light, science & applications DOI:10.1038/s41377-022-00743-6 PMID:35296633	综述	本文综述了基于深度学习的计算光谱成像方法，并根据编码所用的光特性将其分为振幅编码、相位编码和波长编码方法	深度学习技术在计算光谱成像中的应用显著提高了重建速度和质量，并有望大幅减少系统体积	NA	探讨深度学习在计算光谱成像中的应用及其对系统体积和计算时间的影响	计算光谱成像方法及其在不同光特性编码下的应用	计算机视觉	NA	深度学习	NA	光谱数据	NA
1407	2024-08-26	Deep learning approach for chemistry and processing history prediction from materials microstructure 2022-Mar-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-08484-7 PMID:35296736	研究论文	本研究提出了一种基于深度学习的方法，用于从材料的微观结构预测化学成分和加工历史	通过深度学习框架，仅通过阅读一种元素的形态分布来预测化学成分和加工历史	准确预测加工温度需要从微观结构的形态中提取更复杂的特征	开发一种有效的方法来预测材料的化学成分和加工历史	Fe-Cr-Co合金的化学成分和加工温度	机器学习	NA	深度学习	卷积神经网络	图像和连续数据	使用了由相场方法创建的Fe-Cr-Co合金的自旋odal分解模拟数据集
1408	2024-08-26	A Powerful Paradigm for Cardiovascular Risk Stratification Using Multiclass, Multi-Label, and Ensemble-Based Machine Learning Paradigms: A Narrative Review 2022-Mar-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12030722 PMID:35328275	综述	本文综述了使用多类、多标签和集成机器学习范式进行心血管疾病风险分层的最新方法	探讨了深度学习技术在心血管疾病风险分层中的初步应用，并强调了移动和云基础AI技术的未来潜力	深度学习技术在心血管疾病风险分层中的应用仍处于早期发展阶段	评估和比较多类、多标签和集成机器学习方法在心血管疾病风险评估中的应用	心血管疾病风险评估的方法和技术	机器学习	心血管疾病	机器学习	多类、多标签和集成方法	图像、实验室数据和药物使用	265项心血管疾病相关研究
1409	2024-08-26	Interpretable EEG seizure prediction using a multiobjective evolutionary algorithm 2022-03-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-08322-w PMID:35292691	研究论文	本文提出了一种基于多目标进化算法的可解释脑电图癫痫预测模型，旨在识别最佳特征集并自动搜索前驱期，同时考虑患者舒适度	该模型提供了患者特定的可解释见解，有助于更好地理解癫痫发作过程并解释算法的决策	与基于标准机器学习流程的控制方法相比，该方法在验证患者比例上略逊一筹	设计一种可解释的癫痫预测模型，以解决药物难治性癫痫患者癫痫发作的不可预测性	研究对象包括93名患有多种类型局灶性和广泛性癫痫的患者	机器学习	癫痫	多目标进化算法	NA	脑电图数据	238次癫痫发作和3687小时的连续数据
1410	2024-08-26	Cell segmentation for immunofluorescence multiplexed images using two-stage domain adaptation and weakly labeled data for pre-training 2022-03-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-08355-1 PMID:35292693	研究论文	本文提出了一种使用两阶段域适应和弱标记数据预训练的深度学习管道，用于免疫荧光多重图像的细胞分割	使用弱标记数据进行预训练，并在小样本训练时仍能保持高性能	未提及	提高免疫荧光多重图像细胞分割的准确性，以辅助免疫治疗中的患者分层	免疫荧光多重图像中的细胞分割	计算机视觉	卵巢癌	两阶段域适应	Mask R-CNN	图像	三个不同数据集，包括卵巢癌和鼠胰腺组织数据集
1411	2024-08-26	AtomNet PoseRanker: Enriching Ligand Pose Quality for Dynamic Proteins in Virtual High-Throughput Screens 2022-03-14, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.1c01250 PMID:35235748	研究论文	本文介绍了AtomNet PoseRanker（ANPR），一种图卷积网络，用于从蛋白质构象和配体姿态的采样集合中识别和重新排序类似晶体的配体姿态。	与传统的虚拟高通量筛选方法不同，ANPR采用深度学习方法，能够内化对应于不同受体构象的有效配体结合模式，从而在单个构象上推断和考虑受体灵活性。	NA	提高虚拟高通量筛选中的配体姿态质量，从而提高计算药物发现的命中率。	蛋白质构象和配体姿态的采样集合	机器学习	NA	图卷积网络	图卷积网络	蛋白质构象和配体姿态数据	PDBbind v2019数据集中的配体和受体
1412	2024-08-26	Discovery of Novel Trace Amine-Associated Receptor 5 (TAAR5) Antagonists Using a Deep Convolutional Neural Network 2022-Mar-14, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms23063127 PMID:35328548	研究论文	本研究利用深度卷积神经网络AtomNet模型发现新型TAAR5拮抗剂，并通过体外BRET实验验证其活性	首次使用深度学习神经网络进行结构基于的药物发现，以识别TAAR5配体	NA	探索TAAR5拮抗剂作为治疗焦虑和抑郁的新疗法	TAAR5受体及其拮抗剂	机器学习	NA	深度卷积神经网络	CNN	结构数据	两个TAAR5拮抗剂化合物
1413	2024-08-26	Ensemble Deep-Learning-Enabled Clinical Decision Support System for Breast Cancer Diagnosis and Classification on Ultrasound Images 2022-Mar-14, Biology DOI:10.3390/biology11030439 PMID:35336813	研究论文	本文开发了一种基于集成深度学习的临床决策支持系统，用于乳腺癌的超声图像诊断和分类	提出了一种新的集成深度学习技术EDLCDS-BCDC，结合了Wiener滤波、对比度增强、混沌海马群算法和Kapur熵进行图像分割，以及VGG-16、VGG-19和SqueezeNet进行特征提取，最后使用猫群优化和多层感知器模型进行分类	NA	旨在提高乳腺癌超声图像诊断和分类的准确性	乳腺癌的超声图像	计算机视觉	乳腺癌	深度学习	VGG-16, VGG-19, SqueezeNet, 多层感知器	图像	使用基准数据库进行广泛模拟
1414	2024-08-26	Artificial Intelligence-Enabled Electrocardiography Predicts Left Ventricular Dysfunction and Future Cardiovascular Outcomes: A Retrospective Analysis 2022-Mar-13, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm12030455 PMID:35330455	研究论文	本研究开发了一种深度学习模型（DLM），通过心电图（ECG）估计射血分数（EF），并探讨了ECG-EF与基于超声心动图的EF（ECHO-EF）之间的关系及其对未来心血管不良事件的贡献。	首次广泛研究了基于深度学习模型的心电图预测射血分数在临床上的影响，并展示了其对未来心血管不良事件的独立预测能力。	需要进一步的大规模研究来验证DLM-based ECG-EF的效用。	开发和验证一种通过心电图预测射血分数的深度学习模型，并探讨其在心血管疾病预测和管理中的应用。	心电图和超声心动图数据，以及它们与心血管不良事件之间的关系。	机器学习	心血管疾病	深度学习模型	DLM（基于ECG12Net）	心电图和超声心动图数据	训练集：57,206个心电图和对应的超声心动图；验证集：10,762个心电图；测试集：20,629个心电图
1415	2024-08-26	No-Reference Video Quality Assessment Using Multi-Pooled, Saliency Weighted Deep Features and Decision Fusion 2022-Mar-12, Sensors (Basel, Switzerland) DOI:10.3390/s22062209 PMID:35336380	研究论文	本文提出了一种基于深度学习的无参考视频质量评估（NR-VQA）方法，使用多池化、显著性加权的深度特征和决策融合技术	该方法通过并行预训练的卷积神经网络（CNN）提取时间池化和显著性加权的视频级深度特征，并通过决策融合提高视频质量评估的准确性	NA	研究无参考视频质量评估的新方法	数字视频的感知质量	计算机视觉	NA	深度学习	CNN	视频	两个大型基准视频质量评估数据库
1416	2024-08-26	Modeling the Dynamics of Protein-Protein Interfaces, How and Why? 2022-Mar-11, Molecules (Basel, Switzerland) DOI:10.3390/molecules27061841 PMID:35335203	综述	本文综述了通过增强采样、多尺度建模和实验数据集成等计算策略，动态研究蛋白质-蛋白质界面的最新进展	强调了在原子尺度建模和评估蛋白质相互作用时，必须考虑界面动态信息的重要性	NA	探讨蛋白质-蛋白质界面动态如何报告蛋白质复合体在不同类型复合物中的功能	蛋白质-蛋白质界面的动态特性及其在细胞过程中的作用	结构生物学	NA	增强采样、多尺度建模	NA	实验数据	NA
1417	2024-08-26	Deep learning-based identification of genetic variants: application to Alzheimer's disease classification 2022-03-10, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbac022 PMID:35183061	研究论文	本文提出了一种基于深度学习的三步法（SWAT-CNN）用于识别与阿尔茨海默病相关的遗传变异，并开发疾病分类模型	提出了一种新颖的深度学习方法SWAT-CNN，用于在全基因组关联研究中识别与表型相关的单核苷酸多态性（SNPs）	NA	开发一种新的深度学习方法，用于识别与阿尔茨海默病相关的遗传变异并进行疾病分类	阿尔茨海默病相关的遗传变异和疾病分类模型	机器学习	阿尔茨海默病	深度学习	CNN	基因组数据	981个样本，包括650名认知正常的老年人和331名阿尔茨海默病患者
1418	2024-08-26	CRISP: a deep learning architecture for GC × GC-TOFMS contour ROI identification, simulation and analysis in imaging metabolomics 2022-03-10, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbab550 PMID:35022651	研究论文	本文介绍了一种名为CRISP的开源深度学习软件，用于二维气相色谱-飞行时间质谱（GC×GC-TOFMS）轮廓感兴趣区域（ROI）的识别、模拟和非靶向代谢组学分析	CRISP集成了多种可定制的深度神经网络架构，包括新颖的聚合特征代表轮廓（AFRC）构建和堆叠ROI，增强了不同测试组之间轮廓图像的对比特征	NA	开发一种深度学习方法，用于快速分析GC×GC-TOFMS非靶向代谢物轮廓图像	GC×GC-TOFMS轮廓图像，来自晚期糖尿病肾病患者和健康对照组的数据	机器学习	糖尿病肾病	GC×GC-TOFMS	深度神经网络	图像	晚期糖尿病肾病患者和健康对照组的数据集
1419	2024-08-26	Multimodal deep learning for biomedical data fusion: a review 2022-03-10, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbab569 PMID:35089332	综述	本文综述了用于生物医学数据融合的多模态深度学习方法，并提出了一种详细的分类法	提出了多模态深度学习策略的子类别，并指出了逐步融合和迁移学习的潜在研究方向	文中未明确提及具体限制	旨在回顾当前最先进的多模态深度学习数据融合方法，并为生物医学应用提供更明智的融合策略选择	生物医学数据及其复杂关系	机器学习	NA	深度学习	多模态深度学习	多模态数据	文中未提及具体样本数量
1420	2024-08-26	Deep Learning and Domain-Specific Knowledge to Segment the Liver from Synthetic Dual Energy CT Iodine Scans 2022-Mar-10, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12030672 PMID:35328225	研究论文	本文利用深度学习将单能量CT扫描映射到合成双能量CT碘密度扫描，并展示了其在肝脏分割中的应用价值	使用2D pix2pix网络将单能量CT扫描转换为合成双能量CT扫描，提高了肝脏分割的准确性并减少了所需数据量	低DSC分数主要出现在扫描边缘或由于非肝脏组织或地面真实注释中的畸变	探索深度学习在医学影像处理中的应用，特别是肝脏分割	单能量CT扫描和合成双能量CT扫描的映射及肝脏分割	计算机视觉	NA	深度学习	pix2pix网络	CT扫描图像	100个腹部双能量CT扫描用于训练，140个公开单能量CT扫描用于转换，131个扫描用于训练肝脏分割框架，9个低剂量单能量CT扫描用于测试系统泛化