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	2024-12-11	Magnetic resonance imaging contrast enhancement synthesis using cascade networks with local supervision 2022-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.15578 PMID:35229344	研究论文	本文提出了一种使用级联网络和局部监督生成合成对比增强磁共振图像的方法	创新点在于通过级联深度学习工作流程，结合轮廓信息生成合成对比增强磁共振图像，从而减少对钆基对比剂的需求	研究仅限于脑部肿瘤区域，未涵盖其他类型的病变或全身应用	研究目的是从无对比增强的磁共振图像中生成合成对比增强图像，以减少对钆基对比剂的使用	研究对象为脑部肿瘤区域的磁共振图像	计算机视觉	脑肿瘤	深度学习	级联网络	图像	369名患者的磁共振图像，其中200名用于五折交叉验证，169名用于独立测试
2	2024-11-19	NuCLS: A scalable crowdsourcing approach and dataset for nucleus classification and segmentation in breast cancer 2022-05-17, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giac037 PMID:35579553	研究论文	本文介绍了一种可扩展的众包方法和数据集，用于乳腺癌中的细胞核分类和分割	提出了一个协作框架，利用医学生和病理学家的众包力量生成高质量的细胞核标签，并创建了NuCLS数据集	NA	开发一种高效的方法来生成用于计算病理学应用的细胞核标签	乳腺癌中的细胞核	数字病理学	乳腺癌	深度学习	NA	图像	超过220,000个细胞核注释
3	2024-10-02	Towards a safe and efficient clinical implementation of machine learning in radiation oncology by exploring model interpretability, explainability and data-model dependency 2022-05-27, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac678a PMID:35421855	研究论文	本文探讨了在放射肿瘤学中安全高效地实施机器学习的关键问题，特别是模型可解释性、可解释性和数据-模型依赖性	本文定义并详细阐述了可解释性、可解释性和数据-模型依赖性的核心概念，并提供了实际应用示例	本文主要集中在理论和概念层面的探讨，缺乏具体的实验验证和数据支持	研究如何在放射肿瘤学中安全高效地实施机器学习，并解决模型可解释性和数据-模型依赖性问题	放射肿瘤学中的机器学习模型及其在临床工作流程中的应用	机器学习	NA	NA	卷积神经网络	图像	NA
4	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
5	2024-09-29	Deep learning tools for advancing drug discovery and development 2022-May, 3 Biotech IF:2.6Q3 DOI:10.1007/s13205-022-03165-8 PMID:35433167	综述	本文综述了深度学习工具在药物发现和开发中的应用	介绍了深度学习在药物发现过程中的多种应用，包括药物靶点识别、药物-靶点相互作用、蛋白质结构预测等	讨论了当前深度学习工具在药物发现和开发中面临的挑战和前景	探讨深度学习技术如何加速药物发现和开发过程	药物发现和开发过程中的各个环节	机器学习	NA	深度学习	NA	多组学数据	NA
6	2024-09-28	Histopathologic Oral Cancer Prediction Using Oral Squamous Cell Carcinoma Biopsy Empowered with Transfer Learning 2022-May-18, Sensors (Basel, Switzerland) DOI:10.3390/s22103833 PMID:35632242	研究论文	本文提出了一种利用迁移学习模型和AlexNet卷积神经网络从口腔鳞状细胞癌（OSCC）活检图像中提取特征，以预测口腔癌的方法	本文的创新点在于使用迁移学习模型和AlexNet卷积神经网络来提高口腔癌检测的准确性	本文的局限性在于仅使用了AlexNet模型，未探讨其他深度学习模型的效果	本文的研究目的是提高口腔癌检测的准确性	本文的研究对象是口腔鳞状细胞癌（OSCC）活检图像	计算机视觉	口腔癌	迁移学习	卷积神经网络（CNN）	图像	未明确提及具体样本数量
7	2024-09-28	Electromagnetic wave-based extreme deep learning with nonlinear time-Floquet entanglement 2022-May-12, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-30297-5 PMID:35552403	研究论文	本文探讨了基于电磁波的极端深度学习方法，通过非线性时间-Floquet纠缠实现高效的模拟信号处理	本文引入了时间-Floquet物理来诱导信号输入在不同频率间的强非线性纠缠，从而实现了一种高效且灵活的波平台用于模拟极端深度学习	NA	解决传统电磁材料非线性弱的问题，实现复杂神经形态计算任务	电磁波在人工工程介质中的传播及其在模拟信号处理中的应用	机器学习	NA	NA	极端学习机和储层计算	模拟信号	NA
8	2024-09-28	Omicron BA.2 (B.1.1.529.2): High Potential for Becoming the Next Dominant Variant 2022-May-05, The journal of physical chemistry letters IF:4.8Q1 DOI:10.1021/acs.jpclett.2c00469 PMID:35467344	研究论文	本文研究了Omicron变种的三个亚型BA.1、BA.2和BA.3，特别是BA.2的再感染能力及其成为下一个主导变种的潜力	构建了一种基于代数拓扑的深度学习模型，系统评估了BA.2和BA.3的传染性、疫苗突破能力和抗体抵抗能力	目前没有关于BA.2和BA.3的实验数据	评估BA.2和BA.3是否会成为新的主导变种	Omicron变种的亚型BA.1、BA.2和BA.3	机器学习	NA	深度学习	代数拓扑模型	NA	NA
9	2024-09-25	Self-Supervised Learning Methods for Label-Efficient Dental Caries Classification 2022-May-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12051237 PMID:35626392	研究论文	本文提出了一种利用自监督学习方法进行高效标签的牙釉质龋齿分类的研究	本文首次将自监督学习方法应用于牙釉质龋齿分类，显著提高了标签效率和分类性能	研究仅限于牙釉质龋齿分类，未涉及其他口腔疾病	探索自监督学习在医疗图像分析中的应用，特别是在标签获取成本高昂的情况下	牙釉质龋齿分类	计算机视觉	口腔疾病	自监督学习	神经网络	图像	38,000张未标记的咬翼片放射图像和343张标记的咬翼片放射图像
10	2024-09-23	MusMorph, a database of standardized mouse morphology data for morphometric meta-analyses 2022-05-25, Scientific data IF:5.8Q1 DOI:10.1038/s41597-022-01338-x PMID:35614082	研究论文	本文介绍了MusMorph数据库，该数据库包含标准化的小鼠形态数据，用于形态学元分析	创建了MusMorph数据库，通过图像配准、深度学习和形态测量技术相结合的图谱基础表型分析流程，实现了小鼠形态数据的标准化	NA	旨在为形态变异的元分析提供标准化的小鼠形态数据	小鼠的颅面复合体和大脑的形态变异	NA	NA	图像配准、深度学习、形态测量	NA	图像	10,056只小鼠样本，涵盖多个基因型和发育阶段
11	2024-09-23	CancerVar: An artificial intelligence-empowered platform for clinical interpretation of somatic mutations in cancer 2022-05-06, Science advances IF:11.7Q1 DOI:10.1126/sciadv.abj1624 PMID:35544644	研究论文	开发了一个名为CancerVar的人工智能平台，用于根据AMP/ASCO/CAP 2017指南自动化和标准化解释1300万个体细胞突变，并引入深度学习框架预测这些突变的致癌性	CancerVar整合了临床指南和深度学习框架，自动化和标准化解释体细胞突变，减少了人工工作，提高了变异分类的一致性	NA	开发一个自动化和标准化的平台，用于临床解释癌症中的体细胞突变	1300万个体细胞突变及其致癌性预测	机器学习	癌症	深度学习	深度学习框架	突变数据	1300万个体细胞突变
12	2024-09-23	Chromatin interaction-aware gene regulatory modeling with graph attention networks 2022-05, Genome research IF:6.2Q1 DOI:10.1101/gr.275870.121 PMID:35396274	研究论文	本文介绍了一种新的深度学习方法GraphReg，利用染色质三维相互作用来预测基因表达	GraphReg通过使用图注意力网络，能够更准确地建模基因调控并预测基因表达水平，优于现有的深度学习方法	NA	解决调控基因组学中长期未解决的问题，即远端增强子与基因的关联及其对目标基因表达的影响	基因表达预测和功能增强子的识别	机器学习	NA	染色质构象捕获技术	图注意力网络	基因组数据	NA
13	2024-09-23	Machine Learning to Predict Risk of Relapse Using Cytologic Image Markers in Patients With Acute Myeloid Leukemia Posthematopoietic Cell Transplantation 2022-05, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.21.00156 PMID:35522898	研究论文	本文研究了使用细胞学图像标记预测急性髓系白血病患者造血细胞移植后复发风险的方法	本文首次探索了从髓母细胞染色质模式中提取的形态和纹理特征是否有助于预测复发和预测无复发生存期	本文的局限性在于样本量较小，且仅限于急性髓系白血病和骨髓增生异常综合征患者	研究目的是探索计算机提取的髓母细胞染色质模式的形态和纹理特征是否能帮助预测造血细胞移植后的复发和无复发生存期	研究对象为急性髓系白血病和骨髓增生异常综合征患者	机器学习	急性髓系白血病	深度学习	CNN	图像	92名患者，分为训练集52名和验证集40名
14	2024-09-23	Annotating functional effects of non-coding variants in neuropsychiatric cell types by deep transfer learning 2022-05, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1010011 PMID:35576194	研究论文	本文开发了一种基于深度迁移学习的模型MetaChrom，用于注释神经精神细胞类型中非编码变异的功能效应	MetaChrom模型通过迁移学习利用公共表观基因组数据集的信息，提高了对神经发育相关细胞/组织类型中染色质可及性变异的预测准确性	NA	开发一种新的计算方法，用于优先考虑和解释与神经精神性状相关的非编码变异的分子机制	神经精神性状相关的非编码变异及其功能效应	机器学习	神经精神疾病	深度学习	卷积神经网络（ResNet）	DNA序列	大量神经发育相关的细胞/组织类型
15	2024-09-23	Framework for denoising Monte Carlo photon transport simulations using deep learning 2022-05, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.27.8.083019 PMID:35614533	研究论文	本文提出了一种利用深度学习技术去噪蒙特卡罗光子传输模拟的框架	开发了一种结合DnCNN和UNet的级联网络，并扩展了多种图像去噪神经网络架构，用于处理三维蒙特卡罗数据	NA	开发一种有效的图像去噪技术，以显著提高低光子蒙特卡罗模拟结果的质量，从而加速蒙特卡罗方法	蒙特卡罗光子传输模拟中的噪声问题	计算机视觉	NA	深度学习	级联网络（DnCNN和UNet的结合）	三维蒙特卡罗数据	NA
16	2024-09-15	Polarization multiplexed diffractive computing: all-optical implementation of a group of linear transformations through a polarization-encoded diffractive network 2022-May-26, Light, science & applications DOI:10.1038/s41377-022-00849-x PMID:35614046	研究论文	本文介绍了一种极化复用衍射处理器，通过单一衍射网络实现多个任意选择的线性变换的全光学实现	本文的创新点在于引入极化复用技术，通过单一衍射网络实现多个线性变换的全光学实现	本文的局限性在于需要大量的训练样本和复杂的深度学习优化过程	研究目的是开发一种全光学实现多个线性变换的方法	研究对象是极化复用衍射网络及其在光学计算中的应用	机器学习	NA	衍射光学网络	深度学习	光学数据	数千个输入/输出场对应于每个复值线性变换的样本
17	2024-09-11	FastSurferVINN: Building resolution-independence into deep learning segmentation methods-A solution for HighRes brain MRI 2022-05-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2022.118933 PMID:35122967	研究论文	本文介绍了一种名为FastSurferVINN的神经网络模型，用于在高分辨率脑部MRI图像上进行分辨率无关的分割任务	首次提出了一种支持0.7-1.0毫米全脑分割的分辨率无关神经网络（VINN），并显著优于现有方法	NA	开发一种能够在不同分辨率下进行脑部MRI图像分割的深度学习方法	高分辨率脑部MRI图像的分割	计算机视觉	NA	深度学习	神经网络（VINN）	图像	NA
18	2024-09-11	INASNET: Automatic identification of coronavirus disease (COVID-19) based on chest X-ray using deep neural network 2022-May, ISA transactions IF:6.3Q1 DOI:10.1016/j.isatra.2022.02.033 PMID:35300854	研究论文	本文提出了一种基于深度神经网络的系统，用于通过胸部X光片自动识别COVID-19感染	本文提出了一种名为INASNET的新模型，结合了InceptionNet和神经网络架构搜索，以实现更高的预测速度和准确性	NA	开发一种经济实惠且高效的COVID-19检测方法，帮助医生和医疗工作者快速识别感染者	COVID-19感染的胸部X光片图像	计算机视觉	COVID-19	深度学习	卷积神经网络	图像	NA
19	2024-09-10	Forecasting COVID-19 new cases using deep learning methods 2022-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.105342 PMID:35247764	研究论文	本文使用三种深度学习模型（CNN、LSTM和CNN-LSTM）预测巴西、印度和俄罗斯的COVID-19新增病例，并与现有模型进行性能比较	本文开发的LSTM模型在预测准确性上有所提高，相比现有模型表现更好	模型仅应用于巴西、印度和俄罗斯的数据，但可扩展到其他国家的数据集	预测COVID-19新增病例，支持全球抗击疫情	巴西、印度和俄罗斯的COVID-19新增病例	机器学习	传染病	深度学习	CNN、LSTM、CNN-LSTM	时间序列数据	巴西、印度和俄罗斯的数据
20	2024-09-10	MultiR-Net: A Novel Joint Learning Network for COVID-19 segmentation and classification 2022-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.105340 PMID:35305504	研究论文	本文提出了一种名为MultiR-Net的3D深度学习模型，用于COVID-19的分类和病变分割，以实现实时且可解释的胸部CT诊断	本文创新性地提出了MultiR-Net模型，结合了病变分割和疾病分类两个任务，并通过反向注意力机制和迭代训练策略增强了两个子网之间的特征融合	本文未详细讨论模型的计算资源需求和训练时间，且未提及模型在不同数据集上的泛化能力	开发一种能够同时进行COVID-19分类和病变分割的深度学习模型，以提高胸部CT诊断的准确性和效率	COVID-19、社区获得性肺炎（CAP）和健康人群的胸部CT扫描图像	计算机视觉	COVID-19	深度学习	3D深度学习模型	CT扫描图像	275个3D CT扫描图像，用于COVID-19、CAP和健康人群的分类以及肺炎患者的病变分割