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
261	2024-09-15	Deep learning of protein sequence design of protein-protein interactions 2023-01-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btac733 PMID:36377772	研究论文	本文开发了一种基于注意力机制的深度学习模型，用于设计蛋白质-蛋白质相互作用的氨基酸序列	该模型受图像-标题匹配算法的启发，能够重新设计天然蛋白质界面或设计蛋白质相互作用片段，并且在不需要精确骨架位置的情况下进行蛋白质-蛋白质相互作用的新设计	NA	开发数据驱动的模型来描述蛋白质序列-结构关系，并解决蛋白质-蛋白质相互作用序列设计的挑战性问题	蛋白质-蛋白质相互作用的氨基酸序列设计	机器学习	NA	深度学习	注意力机制模型	蛋白质序列	NA
262	2024-09-15	DeepCellEss: cell line-specific essential protein prediction with attention-based interpretable deep learning 2023-01-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btac779 PMID:36458923	研究论文	提出了一种基于注意力机制的可解释深度学习框架DeepCellEss，用于预测特定细胞系的必需蛋白质	DeepCellEss考虑了蛋白质必需性受细胞环境影响的特性，并引入了多头部自注意力机制以提高模型的可解释性	NA	开发一种能够预测特定细胞系必需蛋白质的计算方法	特定细胞系的必需蛋白质	机器学习	NA	卷积神经网络和双向长短期记忆网络	深度学习模型	蛋白质序列	323个细胞系的大规模基准数据集
263	2024-09-15	ManyFold: an efficient and flexible library for training and validating protein folding models 2023-01-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btac773 PMID:36495196	研究论文	ManyFold 是一个用于蛋白质结构预测的灵活库，支持多种输入和模型的训练与验证	ManyFold 支持多种输入（MSA 和 pLM 嵌入），允许对现有模型（如 AlphaFold 和 OpenFold）进行推理，并支持从零开始训练新模型	NA	开发一个高效且灵活的库，用于训练和验证蛋白质折叠模型	蛋白质结构预测模型	机器学习	NA	深度学习	pLMFold	序列数据	NA
264	2024-09-15	Stacked ensemble learning based on deep convolutional neural networks for pediatric pneumonia diagnosis using chest X-ray images 2023, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-022-08099-z PMID:36532883	研究论文	本文提出了一种基于深度卷积神经网络的堆叠集成学习模型，用于通过胸部X光图像诊断儿童肺炎	本文的创新点在于使用堆叠集成学习方法，结合深度学习特征提取和降维技术，提高了儿童肺炎诊断的准确性和效率	本文未提及模型的泛化能力和在不同数据集上的表现	开发一种快速且准确的计算机辅助检测模型，用于儿童肺炎的诊断	儿童肺炎的胸部X光图像	计算机视觉	儿童疾病	深度学习	CNN	图像	使用了公开的儿童肺炎数据集
265	2024-09-15	NanoSNP: a progressive and haplotype-aware SNP caller on low-coverage nanopore sequencing data 2023-01-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btac824 PMID:36548365	研究论文	本文介绍了一种基于深度学习的SNP检测方法NanoSNP，用于在低覆盖率的纳米孔测序数据中识别SNP位点	NanoSNP设计了一个多步骤、多尺度和单倍型感知的SNP检测流程，结合了长程单倍型特征和短程堆叠特征，使用Bi-LSTM网络进行预测	NanoSNP在覆盖率超过16×时性能与Clair3相当，但在更高覆盖率下可能不如Clair3	开发一种能够在低覆盖率纳米孔测序数据中有效检测SNP的方法	低覆盖率纳米孔测序数据中的SNP位点	生物信息学	NA	纳米孔测序	Bi-LSTM	测序数据	六个人类基因组（HG002-HG007）
266	2024-09-15	COVID-19 Lung CT image segmentation using localization and enhancement methods with U-Net 2023, Procedia computer science DOI:10.1016/j.procs.2023.01.144 PMID:36743788	研究论文	本文提出了一种基于直方图非参数区域定位和增强方法的COVID-19肺部CT图像分割系统	本文创新性地将直方图非参数区域定位和增强方法应用于COVID-19肺部CT图像的预处理，显著提高了U-Net模型的分割能力	NA	研究目的是提高COVID-19肺部CT图像的分割精度，以便更准确地诊断疾病和评估患者病情	COVID-19肺部CT图像	计算机视觉	COVID-19	直方图非参数区域定位和增强方法	U-Net	图像	NA
267	2024-09-15	SCS-Net: An efficient and practical approach towards Face Mask Detection 2023, Procedia computer science DOI:10.1016/j.procs.2023.01.165 PMID:36743793	研究论文	提出了一种轻量级的深度学习模型SCS-Net，用于解决口罩佩戴检测中的实际部署问题和错误佩戴口罩的识别问题	设计了一种新颖的深度学习架构，参数仅为0.12M，比现有模型减少了496倍；首次提出了包含大量错误佩戴口罩图像的数据集	未详细说明模型的泛化能力和在不同环境下的表现	开发一种高效且实用的深度学习模型，用于在实际环境中检测口罩佩戴情况	口罩佩戴检测和错误佩戴口罩的识别	计算机视觉	NA	深度学习	SCS-Net	图像	25296张合成设计的错误佩戴口罩图像
268	2024-09-15	Not getting in too deep: A practical deep learning approach to routine crystallisation image classification 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0282562 PMID:36893084	研究论文	本文比较了四种广泛使用的卷积深度学习网络架构在常规结晶图像分类中的应用	通过组合不同分类器的优势，实现了与大型联盟倡议相当的分类准确性	使用了相对较小的训练集（约1.6万张图像）	探索在常规结晶实验中使用深度学习进行图像分类的可行性	蛋白质结晶实验中的图像分类	计算机视觉	NA	卷积神经网络	CNN	图像	约1.6万张图像
269	2024-09-15	A deep graph convolutional neural network architecture for graph classification 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0279604 PMID:36897837	研究论文	提出了一种新的深度图卷积神经网络架构用于图分类任务	提出了非局部消息传递框架和新的空间图卷积层，解决了现有图卷积网络深度受限的问题	NA	解决现有图卷积网络深度受限的问题，提升图分类任务的性能	图卷积网络的深度和性能	机器学习	NA	图卷积网络	深度图卷积神经网络II (DGCNNII)	图数据	基准图分类数据集
270	2024-09-15	Deep learning-based EEG emotion recognition: Current trends and future perspectives 2023, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2023.1126994 PMID:36923142	综述	本文综述了基于深度学习的脑电图（EEG）情感识别的最新进展和未来展望	探讨了深度学习技术在EEG情感识别中的应用，包括深度信念网络、卷积神经网络和循环神经网络	未提及具体实验数据和模型性能评估	提供EEG情感识别领域的最新综述，特别是深度学习技术的应用	脑电图（EEG）情感识别	机器学习	NA	深度学习	深度信念网络、卷积神经网络、循环神经网络	脑电图（EEG）	NA
271	2024-09-15	Sleep staging in the ICU with heart rate variability and breathing signals. An exploratory cross-sectional study using deep neural networks 2023, Frontiers in network physiology DOI:10.3389/fnetp.2023.1120390 PMID:36926545	研究论文	研究使用深度神经网络基于心率变异性和呼吸信号在重症监护病房（ICU）中进行睡眠分期	探索了使用心率变异性和呼吸信号结合人工智能方法在ICU中估计传统睡眠指标的可行性	研究样本量有限，且仅限于手术和内科ICU的患者	评估在ICU中使用心率变异性和呼吸信号进行睡眠分期的可行性	重症监护病房中的成年患者和睡眠实验室中的患者	机器学习	NA	深度学习	深度神经网络	心率变异性和呼吸信号	102名ICU患者和220名睡眠实验室患者
272	2024-09-15	A deep learning-based framework for retinal fundus image enhancement 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0282416 PMID:36928209	研究论文	本文提出了一种基于深度学习的视网膜眼底图像增强框架，旨在提高低质量眼底图像的质量并去除复杂图像降解	本文提出了一种新的基于深度学习的模型，能够自动增强低质量视网膜眼底图像，并设计了定制的卷积神经网络架构来处理不同类型的图像降解	本文未详细讨论模型的泛化能力以及在不同数据集上的表现差异	创建一个自动化的视网膜黄斑图像增强框架，以提高低质量眼底图像的质量并去除复杂图像降解	低质量的视网膜眼底图像及其复杂降解	计算机视觉	NA	深度学习	卷积神经网络 (CNN)	图像	1068对高质量和低质量的视网膜眼底图像
273	2024-09-15	Modelling blood flow in patients with heart valve disease using deep learning: A computationally efficient method to expand diagnostic capabilities in clinical routine 2023, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2023.1136935 PMID:36937926	研究论文	本文提出了一种基于深度学习的方法，用于计算主动脉和主动脉瓣狭窄患者中的压力和壁面剪切应力，以替代传统的计算流体动力学方法	使用深度学习算法替代传统的计算流体动力学方法，显著提高了计算效率和临床实用性	NA	开发一种计算效率高的方法，用于在临床实践中扩展基于血流建模的诊断和治疗支持能力	主动脉和主动脉瓣狭窄患者的血流动力学参数	机器学习	心血管疾病	深度学习	人工神经网络	图像	103个主动脉和主动脉瓣的表面模型，267个患者特定的稳态CFD模拟，23个测试案例
274	2024-09-15	Retinal fluid is associated with cytokines of aqueous humor in age-related macular degeneration using automatic 3-dimensional quantification 2023, Frontiers in cell and developmental biology IF:4.6Q1 DOI:10.3389/fcell.2023.1157497 PMID:36968207	研究论文	研究通过自动三维量化技术探讨年龄相关性黄斑变性中视网膜液与房水中细胞因子的关联	使用深度学习Deeplabv3+自动量化OCT图像中的视网膜液体积，并分析其与房水中细胞因子浓度的相关性	样本量较小，仅涉及20名nAMD患者的三次临床访问数据	探讨房水中细胞因子在年龄相关性黄斑变性发病机制中的生物学作用	年龄相关性黄斑变性患者的视网膜液和房水细胞因子	数字病理学	年龄相关性黄斑变性	光相干断层扫描（OCT）、深度学习Deeplabv3+、Luminex技术	Deeplabv3+	图像	20名nAMD患者的三次临床访问数据
275	2024-09-15	Application of artificial intelligence in diagnosis and treatment of colorectal cancer: A novel Prospect 2023, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2023.1128084 PMID:36968824	综述	本文综述了人工智能在结直肠癌诊断和治疗中的最新进展	探讨了人工智能在结直肠癌早期筛查、生物标志物筛选、病理图像分析、辅助诊断系统、机器人手术和基因测序中的应用	NA	探讨人工智能在结直肠癌诊断和治疗中的应用前景	结直肠癌及其相关诊断和治疗技术	机器学习	结直肠癌	NA	卷积神经网络	图像	NA
276	2024-09-15	End to End Multitask Joint Learning Model for Osteoporosis Classification in CT Images 2023, Computational intelligence and neuroscience DOI:10.1155/2023/3018320 PMID:36970245	研究论文	本文提出了一种端到端的多任务联合学习模型，用于CT图像中的骨质疏松分类	本文创新性地提出了一个结合定位、分割和分类的联合学习框架，以提高骨质疏松诊断的准确性，并引入了边界热图回归分支和门控卷积模块来优化特征提取	本文未提及具体的局限性	开发一种高效且经济的骨质疏松诊断方法	骨质疏松的分类和诊断	计算机视觉	骨质疏松	深度学习	联合学习模型	CT图像	自建数据集，测试数据集包含正常、骨质减少和骨质疏松三种标签类别，总体准确率为93.3%
277	2024-09-14	ChromDL: A Next-Generation Regulatory DNA Classifier 2023-Jan-29, bioRxiv : the preprint server for biology DOI:10.1101/2023.01.27.525971 PMID:36789431	研究论文	本文介绍了一种名为ChromDL的神经网络架构，结合了双向门控循环单元（BiGRU）、卷积神经网络（CNN）和双向长短期记忆单元（BiLSTM），用于预测非编码DNA的调控功能	ChromDL在转录因子结合位点（TFBS）、组蛋白修饰（HM）和DNase-I超敏感位点（DHS）检测方面显著优于其前身，并能更准确地检测弱转录因子（TF）结合	NA	开发一种新的神经网络架构，用于预测非编码DNA的调控功能	非编码DNA的调控功能	机器学习	NA	深度学习	混合神经网络（BiGRU、CNN、BiLSTM）	DNA序列	数千种深度学习架构的性能比较
278	2024-09-14	Myocardial Segmentation of Tagged Magnetic Resonance Images with Transfer Learning Using Generative Cine-To-Tagged Dataset Transformation 2023-Jan-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10020166 PMID:36829660	研究论文	本文开发并比较了两种用于标记磁共振图像心肌分割的深度学习模型，并展示了预训练模型在性能和收敛速度上的优势	提出了两种将心脏图像转换为标记图像的方法，并利用生成对抗网络进行风格迁移，从而利用大规模公开注释数据集	初始心肌参考点的选择仍需领域专家手动输入	提高心肌分割模型的性能，减少测量心肌应变所需的时间	标记磁共振图像中的心肌	计算机视觉	心血管疾病	深度学习	生成对抗网络 (GAN)	图像	NA
279	2024-09-14	Design and Prediction of Aptamers Assisted by In Silico Methods 2023-Jan-26, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines11020356 PMID:36830893	综述	本文介绍了通过计算机方法辅助设计与预测适配体的过程	本文探讨了通过构象结构预测、分子对接和分子动力学模拟等计算机方法来估计适配体与目标分子的结合，并介绍了机器学习和深度学习技术在预测目标与配体结合中的应用	NA	探讨通过计算机方法辅助适配体的设计与预测，以减少筛选和优化适配体的繁琐工作	适配体与目标分子的结合	生物信息学	NA	分子对接、分子动力学模拟	机器学习、深度学习	NA	NA
280	2024-09-14	Correlative Fluorescence and Raman Microscopy to Define Mitotic Stages at the Single-Cell Level: Opportunities and Limitations in the AI Era 2023-Jan-26, Biosensors DOI:10.3390/bios13020187 PMID:36831953	综述	本文综述了在人工智能时代，结合荧光显微镜和拉曼显微光谱技术在单细胞水平上定义有丝分裂阶段的机会和局限性	提出了基于神经网络的新方法，并讨论了人工智能，特别是深度学习，在分析拉曼光谱数据以分类有丝分裂细胞阶段方面的机会和局限性	亚细胞光谱图复杂且难以解释	探讨荧光显微镜和拉曼显微光谱技术结合在单细胞水平上定义有丝分裂阶段的应用及其在人工智能时代的潜力	单细胞水平上的有丝分裂阶段	生物学	NA	荧光显微镜和拉曼显微光谱技术	神经网络	光谱图	NA