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
21	2024-11-06	REDDA: Integrating multiple biological relations to heterogeneous graph neural network for drug-disease association prediction 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106127 PMID:36182762	研究论文	提出了一种名为REDDA的异构图神经网络，用于预测药物-疾病关联	通过整合多种生物关系，利用异构图神经网络增强药物-疾病关联预测的准确性	NA	加速药物开发并降低实验成本，通过计算方法发现现有药物的新适应症	药物-疾病关联	机器学习	NA	异构图神经网络	图卷积网络	图数据	NA
22	2024-11-06	Improving the level of autism discrimination with augmented data by GraphRNN 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106141 PMID:36191394	研究论文	本文通过GraphRNN学习真实脑网络的边缘分布，生成对判别模型有激励作用的合成数据，以提高自闭症识别水平	利用GraphRNN生成合成数据，显著提高了分类器的分类能力	未提及	提高自闭症识别研究的准确性	自闭症脑成像数据	机器学习	自闭症	GraphRNN	GraphRNN	脑网络数据	使用Autism Brain Imaging Data Exchange (ABIDE) 数据集，样本量较小且异质性高
23	2024-11-06	Transformer-based factorized encoder for classification of pneumoconiosis on 3D CT images 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106137 PMID:36191395	研究论文	提出了一种基于Transformer的分解编码器用于3D CT图像上的尘肺病分类	首次将基于Transformer的分解编码器应用于3D CT图像上的尘肺病分类，并通过两个Transformer编码器分别处理切片内和切片间的特征交互	缺乏CT图像上尘肺病病变的分级标准，依赖于基于CR的分级系统进行标记	开发一种新的深度学习模型用于3D CT图像上的尘肺病分类	3D CT图像上的尘肺病病变	计算机视觉	尘肺病	Transformer	Transformer-based factorized encoder	3D CT图像	使用LIDC-IDRI数据集进行预训练，并在自己的3D CT数据集上进行实验
24	2024-11-06	Reducing uncertainty in cancer risk estimation for patients with indeterminate pulmonary nodules using an integrated deep learning model 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106113 PMID:36198225	研究论文	本文提出了一种集成深度学习模型，通过整合CT图像和临床数据来减少肺结节患者肺癌风险评估的不确定性	本文的创新点在于使用深度学习框架整合多模态数据（CT图像和临床数据），并能够在数据不完整的情况下进行学习和预测	本文的局限性在于使用了回顾性研究设计，且模型在外部验证中的表现可能受到数据集差异的影响	本文的研究目的是通过整合CT图像和临床数据，减少肺结节患者肺癌风险评估的不确定性，避免过度和不足治疗	本文的研究对象是具有不确定肺结节的患者	计算机视觉	肺癌	深度学习	深度学习模型	图像和临床数据	1284名患者用于模型开发，三个外部站点分别提供了155、136和96名患者的数据用于外部验证
25	2024-11-06	Knowledge distillation driven instance segmentation for grading prostate cancer 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106124 PMID:36208597	研究论文	本文提出了一种基于知识蒸馏的实例分割方案，用于前列腺癌的分级	该方案允许传统的语义分割模型通过增量少样本训练进行实例感知分割，提取前列腺组织并计算Gleason评分	NA	解决在临床环境中获取高质量标注数据困难的问题，提高前列腺癌筛查性能	前列腺癌组织及其分级	数字病理学	前列腺癌	知识蒸馏	实例分割模型	图像	约10,516和11,000张全切片图像
26	2024-11-06	CT image super-resolution reconstruction based on global hybrid attention 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106112 PMID:36209555	研究论文	提出了一种基于混合注意力机制和全局特征融合的CT图像超分辨率重建网络	采用了堆叠的Swin Transformer块作为主干提取初始特征，并提出了多分支层次自注意力模块和多维局部拓扑特征增强模块来优化特征提取和增强感兴趣区域特征	未提及具体限制	提高CT图像的分辨率和清晰度，减少模糊边缘和纹理不清对诊断的影响	CT图像的超分辨率重建	计算机视觉	NA	深度学习	混合注意力机制	图像	未提及具体样本数量
27	2024-11-06	GCN-GENE: A novel method for prediction of coronary heart disease-related genes 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.105918 PMID:36215847	研究论文	提出了一种基于生物网络的深度学习方法GCN-GENE，用于识别与冠状动脉疾病相关的基因	GCN-GENE方法在AUC和AUPR指标上表现优于其他方法，具有更高的准确性	NA	大规模识别与冠状动脉疾病相关的基因，以便进行针对性的生物实验验证	冠状动脉疾病相关的基因	机器学习	心血管疾病	深度学习	GCN	基因表达数据	不同组织中的基因表达水平
28	2024-11-06	Two-step machine learning to diagnose and predict involvement of lungs in COVID-19 and pneumonia using CT radiomics 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106165 PMID:36215849	研究论文	开发了一个两步机器学习模型，用于诊断和预测COVID-19和非COVID-19肺炎患者的肺部CT影像特征	提出了一个两步机器学习模型，结合CT影像特征，能够准确分类COVID-19和肺炎患者，并预测肺部受累的严重程度	NA	开发一个基于机器学习的模型，用于诊断和预测COVID-19和肺炎患者的肺部受累情况	COVID-19和非COVID-19肺炎患者的肺部CT影像	机器学习	肺部疾病	CT影像分析	随机森林	影像	300例CT扫描（包括100例COVID-19、100例肺炎和100例健康受试者）
29	2024-11-06	SIL-Net: A Semi-Isotropic L-shaped network for dermoscopic image segmentation 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106146 PMID:36228460	研究论文	本文提出了一种名为SIL-Net的半各向同性L形网络，用于皮肤镜图像分割	引入了一种新的半各向同性L形网络（SIL-Net），并设计了Patch Embedding弱相关模块（PEWC）、零参数残差空间镜像信息路径（RSMI）和基于深度可分离转置卷积的上采样模块（DSTC）	NA	探索一种既保留各向同性架构优势又适用于临床皮肤镜诊断的高效架构	皮肤镜图像的分割	计算机视觉	皮肤癌	卷积神经网络（CNN）	半各向同性L形网络（SIL-Net）	图像	涉及ISIC-2017、ISIC-2018、PH2、CVC-ClinicDB和Kvasir-SEG五个数据集
30	2024-11-06	MTRRE-Net: A deep learning model for detection of breast cancer from histopathological images 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106155 PMID:36240595	研究论文	提出了一种名为MTRRE-Net的深度学习模型，用于从组织病理学图像中检测乳腺癌	引入了多尺度双残差循环网络（MTRRE-Net），结合双残差块和循环网络来解决梯度消失问题	NA	开发一种新的深度学习模型，用于提高乳腺癌组织病理学图像分类的准确性	乳腺癌组织病理学图像	计算机视觉	乳腺癌	深度学习	CNN	图像	使用了公开的标准数据集BreaKHis，包含不同放大级别的图像
31	2024-11-06	FBCU-Net: A fine-grained context modeling network using boundary semantic features for medical image segmentation 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106161 PMID:36240598	研究论文	本文提出了一种基于边界语义特征的细粒度上下文建模网络FBCU-Net，用于医学图像分割	使用边界区域的语义特征来减少无关特征对边界像素的影响，并提出了边界增强策略	NA	提高医学图像分割中组织边界分割的准确性	医学图像中的边界像素和区域	计算机视觉	NA	深度学习	FBCU-Net	图像	五个数据集：TUI（甲状腺肿瘤）、ISIC-2018（皮肤镜）、2018 Data Science Bowl（细胞核）、Glas（结肠癌）和BUSI（乳腺癌）
32	2024-11-06	Self-supervised multi-modal fusion network for multi-modal thyroid ultrasound image diagnosis 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106164 PMID:36240597	研究论文	本文提出了一种基于自监督学习的多模态融合网络，用于甲状腺超声图像的自动诊断	本文创新性地结合了灰度超声图像、剪切波弹性成像和彩色多普勒超声三种模态，并通过多模态多头注意力分支和多模态特征引导模块来提高诊断准确性	本文的验证仅基于自收集的数据集，可能需要进一步在更大规模和多样化的数据集上验证其有效性	开发一种自动化的多模态甲状腺超声图像诊断方法，以辅助临床诊断	甲状腺疾病的诊断，特别是良性与恶性甲状腺结节的区分	计算机视觉	甲状腺癌	深度学习	ResNet18	图像	自收集的数据集
33	2024-11-06	Automatic classification of thyroid nodules in ultrasound images using a multi-task attention network guided by clinical knowledge 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106172 PMID:36242812	研究论文	本文设计了一种多任务分支注意力网络，用于自动分类甲状腺结节的超声图像，并结合临床知识进行风险分层和良恶性判断	本文的创新点在于设计了一种多任务分支注意力网络，结合ACR TI-RADS词典对甲状腺结节进行分类，并提供临床解释，增强了临床医生对模型的信任	NA	开发一种自动化的方法，结合ACR TI-RADS词典对甲状腺结节进行风险分层和良恶性判断，提高诊断效率和准确性	甲状腺结节的超声图像	计算机视觉	甲状腺癌	NA	多任务分支注意力网络	图像	NA
34	2024-11-06	A general deep learning framework for neuron instance segmentation based on Efficient UNet and morphological post-processing 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106180 PMID:36244305	研究论文	本文提出了一种基于Efficient UNet和形态学后处理的通用深度学习框架，用于神经元实例分割	本文创新性地使用点标注和二值分割合成像素级标注，并提出了一种基于终极腐蚀和动态重建的后处理策略	需要大量无偏数据集和标注进行训练，且依赖于专业知识	开发一种用于分析神经元的稳健高效框架，适用于临床前生物学研究和神经退行性疾病	NeuN染色的神经元细胞	计算机视觉	神经退行性疾病	深度学习	Efficient UNet	图像	大量NeuN染色的组织学图像
35	2024-11-06	Deep convolutional neural networks with ensemble learning and transfer learning for automated detection of gastrointestinal diseases 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106054 PMID:36244302	研究论文	本文提出了一种基于深度卷积神经网络和集成学习及迁移学习的自动化检测胃肠道疾病的方法	利用迁移学习对三个骨干网络进行修改和微调，并结合集成学习训练集成分类器，以提高胃肠道疾病的检测准确性	NA	开发一种有效的自动化检测胃肠道疾病的方法	胃肠道疾病	计算机视觉	胃肠道疾病	深度学习	卷积神经网络	图像	NA
36	2024-11-06	A general sample-weighted framework for epileptic seizure prediction 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106169 PMID:36252368	研究论文	本文提出了一种通用的样本加权框架，用于癫痫发作预测	该框架考虑了不同EEG样本对癫痫发作预测的不同影响，并通过遗传算法优化样本权重，显著提高了预测性能	NA	提高癫痫发作预测的准确性	癫痫患者的EEG数据	机器学习	癫痫	遗传算法	Transformer	EEG数据	12名儿科患者
37	2024-11-06	S2C-DeLeNet: A parameter transfer based segmentation-classification integration for detecting skin cancer lesions from dermoscopic images 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106148 PMID:36252363	研究论文	提出了一种基于参数迁移的分割-分类集成网络S2C-DeLeNet，用于从皮肤镜图像中检测皮肤癌病变	该网络通过分割子网络对病变区域进行分割，并利用迁移的参数进行分类，具有较高的准确性和泛化能力	NA	开发一种高效的深度学习方法，用于自动检测皮肤癌病变	皮肤镜图像中的皮肤癌病变	计算机视觉	皮肤癌	深度学习	卷积神经网络	图像	使用了公开可用的数据集进行训练和验证
38	2024-11-06	GSAML-DTA: An interpretable drug-target binding affinity prediction model based on graph neural networks with self-attention mechanism and mutual information 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106145 PMID:37859276	研究论文	本文提出了一种基于图神经网络和自注意力机制的可解释药物-靶点结合亲和力预测模型GSAML-DTA	GSAML-DTA结合了自注意力机制和图神经网络，并引入互信息来过滤冗余信息，保留相关信息，从而提高了预测性能	NA	开发一种可解释的深度学习框架，用于预测药物-靶点结合亲和力	药物和靶点蛋白的结合亲和力	机器学习	NA	图神经网络（GNNs）	自注意力机制	结构信息	两个基准数据集
39	2024-11-06	Concatenated Xception-ResNet50 - A novel hybrid approach for accurate skin cancer prediction 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106170 PMID:37859280	研究论文	本文提出了一种结合Xception和ResNet50的混合深度学习模型，用于皮肤癌的准确预测	本文的创新点在于将Xception和ResNet50两种强大的网络结构结合起来，形成了一种新的混合模型，显著提高了皮肤癌的预测准确率	本文的局限性在于仅使用了HAM10000数据集进行评估，可能存在数据集偏差问题	本文的研究目的是开发一种高精度的深度学习模型，用于早期诊断和分级皮肤癌	本文的研究对象是皮肤癌及其不同类型的肿瘤，包括基底细胞癌、黑色素瘤、黑素细胞痣、皮肤纤维瘤、光化性角化病、上皮内癌、血管性和非癌性良性角化病样病变	计算机视觉	皮肤癌	深度学习	混合模型（Xception-ResNet50）	图像	10,500张皮肤图像
40	2024-11-06	Cx22: A new publicly available dataset for deep learning-based segmentation of cervical cytology images 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106194 PMID:37859287	研究论文	本文介绍了一个名为Cx22的新公开数据集，用于基于深度学习的宫颈细胞学图像分割	开发了一个新的公开数据集Cx22，包含14,946个细胞实例的完全注释标签，基于先前由我们研究所发布的开源图像	数据集可能受到假阴性对象问题的影响，影响基线方法的性能	提供一个高质量的数据集，以促进基于深度学习的宫颈细胞学图像分割方法的研究	宫颈细胞学图像的分割	计算机视觉	宫颈癌	深度学习	NA	图像	1320张图像，包含14,946个细胞实例