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
421	2024-12-06	Two-Stage Self-Supervised Cycle-Consistency Transformer Network for Reducing Slice Gap in MR Images 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3271815 PMID:37126622	研究论文	本文提出了一种两阶段自监督循环一致性Transformer网络（TSCTNet），用于减少MR图像中的切片间隙	设计了一种新颖的自监督学习策略，结合了Transformer和CNN结构，以探索局部和全局切片表示	需要进一步验证在更多数据集上的泛化能力	减少MR图像中的切片间隙，重建高分辨率图像	MR图像	计算机视觉	NA	深度学习	Transformer	图像	两个公开的MR图像数据集
422	2024-12-06	BCR-Net: A deep learning framework to predict breast cancer recurrence from histopathology images 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0283562 PMID:37014891	研究论文	开发了一种深度学习框架BCR-Net，用于从组织病理学图像预测乳腺癌复发风险	提出了BCR-Net框架，通过多实例学习模型自动加权特征，预测乳腺癌复发风险，优于现有的WSI分类模型	未提及	开发一种AI模型，替代昂贵且耗时的基因检测，预测乳腺癌复发风险	乳腺癌患者的组织病理学图像	机器学习	乳腺癌	深度学习	BCR-Net	图像	99名匿名患者的H&E和Ki67乳腺癌切除全切片图像
423	2024-12-02	Coarse-Graining with Equivariant Neural Networks: A Path Toward Accurate and Data-Efficient Models 2023-Dec-14, The journal of physical chemistry. B DOI:10.1021/acs.jpcb.3c05928 PMID:38033234	研究论文	本文探讨了使用等变神经网络进行粗粒化分子建模和模拟，以提高模型的准确性和数据效率	本文提出通过引入等变卷积操作来减少神经网络在预测分子能量和力时对大量数据的需求	尽管等变卷积操作提高了数据效率，但模型仍然比成对力场慢	研究如何通过等变神经网络提高粗粒化分子模型的准确性和数据效率	粗粒化水分子模型	机器学习	NA	等变卷积操作	神经网络	分子动力学数据	单帧参考数据
424	2024-11-27	Denoising magnetic resonance spectroscopy (MRS) data using stacked autoencoder for improving signal-to-noise ratio and speed of MRS 2023-Dec, Medical physics IF:3.2Q1 DOI:10.1002/mp.16831 PMID:37947479	研究论文	本文提出了一种使用堆叠自编码器（SAE）对磁共振波谱（MRS）数据进行去噪的方法，以提高信号噪声比（SNR）和MRS的采集速度	本文的创新点在于使用深度学习方法对MRS数据进行去噪，而不需要增加信号平均次数（NSA），从而缩短采集时间并提高SNR	本文的局限性在于仅在脑波谱模型和人体受试者数据上进行了验证，尚未在更广泛的临床环境中进行测试	本文的研究目的是通过深度学习方法提高MRS数据的SNR和采集速度，从而增强MRS的诊断价值和临床应用	本文的研究对象是磁共振波谱（MRS）数据，特别是低NSA数据	机器学习	NA	堆叠自编码器（SAE）	堆叠自编码器（SAE）	磁共振波谱（MRS）数据	研究使用了脑波谱模型和人体受试者的数据，包括脑肿瘤患者的数据
425	2024-11-27	Generative Adversarial Network-Enhanced Ultra-Low-Dose [18F]-PI-2620 τ PET/MRI in Aging and Neurodegenerative Populations 2023-09, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A7961 PMID:37591771	研究论文	研究使用生成对抗网络增强超低剂量[18F]-PI-2620 τ PET/MRI图像，以提高其在衰老和神经退行性疾病人群中的诊断质量	首次应用生成对抗网络增强超低剂量τ PET/MRI图像，以减少噪声并提高图像质量	研究样本量较小，且主要集中在健康衰老和神经退行性疾病患者，未来需扩大样本范围	探索深度学习技术在增强超低剂量τ PET/MRI图像中的应用，以提高诊断质量	健康衰老参与者和神经退行性疾病患者	计算机视觉	神经退行性疾病	生成对抗网络	生成对抗网络	图像	44名健康衰老参与者和神经退行性疾病患者
426	2024-11-27	Quantifying Inflammatory Response and Drug-Aided Resolution in an Atopic Dermatitis Model with Deep Learning 2023-08, The Journal of investigative dermatology IF:5.7Q1 DOI:10.1016/j.jid.2023.01.026 PMID:36804151	研究论文	本文使用深度学习方法对特应性皮炎模型中的炎症反应和药物辅助缓解进行定量分析	本文提出了一种基于深度学习的非侵入性图像分析方法，用于定量评估特应性皮炎模型中的炎症反应和药物辅助缓解	本文仅在特应性皮炎小鼠模型中进行了验证，尚未应用于临床研究	开发一种非侵入性的方法来定量评估皮肤炎症反应和药物辅助缓解	特应性皮炎小鼠模型	计算机视觉	特应性皮炎	深度学习	深度学习模型	图像	特应性皮炎小鼠模型
427	2024-11-25	Use of deep learning to segment bolus during videofluoroscopic swallow studies 2023-11-23, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ad0bb3 PMID:37948874	研究论文	本文评估了一种用于视频荧光吞咽研究中分割钡餐的深度学习网络	利用人工智能进行解剖分割，以显著改善视频荧光吞咽研究的分析	钡餐在口腔中的表现因牙齿和不重要残留物的误分类而持续降低性能	评估钡餐分割网络的效能并识别影响网络性能的关键因素	80名独特患者的薄或液体钡餐的第一次吞咽	计算机视觉	NA	深度学习	U-Net	图像	80名患者的数据，分为75/25的训练和验证集，并进行4折交叉验证
428	2024-11-23	Inferring pointwise diffusion properties of single trajectories with deep learning 2023-11-21, Biophysical journal IF:3.2Q2 DOI:10.1016/j.bpj.2023.10.015 PMID:37853693	研究论文	本文提出了一种基于深度学习的机器学习方法，用于在实验时间分辨率下表征具有时间依赖性的扩散过程	该方法能够在单轨迹级别预测扩散系数或异常扩散指数等感兴趣的属性，无需对系统进行任何先验知识或假设	NA	旨在准确确定生物场景中粒子的扩散特性，揭示其背后的机制	单分子扩散的膜蛋白DC-SIGN和整合素α5β1	机器学习	NA	深度学习	NA	轨迹数据	两个膜蛋白的单分子扩散实验
429	2024-11-23	Integration of clinical features and deep learning on pathology for the prediction of breast cancer recurrence assays and risk of recurrence 2023-Apr-14, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-023-00530-5 PMID:37059742	研究论文	本文介绍了一种结合临床特征和深度学习模型，利用数字病理学数据预测乳腺癌复发检测结果和复发风险的方法	该方法在预测乳腺癌复发检测结果和复发风险方面优于传统的临床诺模图，并且在独立验证队列中表现更好	该方法的适用性可能受限于低资源设置下的测试可用性	开发一种能够准确预测乳腺癌复发检测结果和复发风险的新方法，以指导化疗的使用	激素受体阳性、HER2阴性的乳腺癌患者	数字病理学	乳腺癌	深度学习	深度学习模型	图像和临床风险因素	外部验证队列中的患者
430	2024-11-21	EFFNet: A skin cancer classification model based on feature fusion and random forests 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293266 PMID:37871038	研究论文	提出了一种基于特征融合和随机森林的皮肤癌分类模型EFFNet	引入改进的分层双线性池化来捕捉不同卷积层之间的特征交互，增强了特征的表达能力	未提及	克服深度学习在皮肤癌分类中数据不平衡、特征冗余和特征交互被忽略的问题	皮肤癌分类	计算机视觉	皮肤癌	随机森林	EfficientNetV2	图像	使用了HAM10000数据集，通过图像增强技术使每类训练集图像平衡
431	2024-11-20	Deep learning-based pathology signature could reveal lymph node status and act as a novel prognostic marker across multiple cancer types 2023-07, British journal of cancer IF:6.4Q1 DOI:10.1038/s41416-023-02262-6 PMID:37137998	研究论文	本文提出了一种基于深度学习的泛癌淋巴结转移预测模型，并验证了其在多种癌症类型中的泛化性能和作为独立预后因素的潜力	首次提出了一种基于自监督癌症不变特征的注意力机制弱监督神经网络，用于泛癌淋巴结转移状态的预测，并展示了其在多种癌症类型中的良好泛化性能	NA	开发一种能够预测多种癌症类型淋巴结转移状态的自动化模型，并验证其作为独立预后因素的潜力	11种癌症类型的4400张全切片图像	数字病理学	NA	深度学习	注意力机制弱监督神经网络	图像	4400张全切片图像
432	2024-11-19	Cell type-specific interpretation of noncoding variants using deep learning-based methods 2023-03-20, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad015 PMID:36971292	研究论文	本文提出了一种新的神经网络架构DeepCT，用于解释非编码变异，并展示了其在细胞类型特异性预测中的应用	提出了DeepCT架构，能够学习表观遗传特征的复杂相互关系，并从任何可用输入中推断未测量的数据	现有的表观遗传特征数据非常稀疏，限制了依赖特定表观遗传输入的方法	解决非编码基因组变异的解释问题，并实现细胞类型特异性的预测	非编码变异及其在不同细胞类型中的影响	机器学习	NA	深度学习	神经网络	表观遗传特征	NA
433	2024-11-17	PyComplexHeatmap: a Python package to visualize multimodal genomics data 2023-Aug, iMeta IF:23.7Q1 DOI:10.1002/imt2.115 PMID:38454967	研究论文	介绍了一个名为PyComplexHeatmap的Python库，用于多模态基因组数据的复杂热图可视化	PyComplexHeatmap是基于matplotlib构建的，提供了一个模块化的接口，能够与Pandas、NumPy等Python数据科学工具以及Scanpy等基因组工具无缝集成	NA	开发一个能够满足多模态矩阵数据精细渲染需求的Python库	多模态基因组数据及其元数据	生物信息学	NA	NA	NA	矩阵数据	NA
434	2024-11-15	Delineating yeast cleavage and polyadenylation signals using deep learning 2023-Oct-13, bioRxiv : the preprint server for biology DOI:10.1101/2023.10.10.561764 PMID:37873420	研究论文	本文利用深度学习模型解析酵母中3'-端切割和多聚腺苷酸化信号的形成机制	开发了深度学习模型来解析酵母中多聚腺苷酸化信号的形成机制，并量化其在介导多聚腺苷酸化位点形成、切割异质性和强度中的位置重要性	NA	探讨酵母中多聚腺苷酸化信号的形成机制	酵母中的多聚腺苷酸化信号	机器学习	NA	深度学习	深度学习模型	序列数据	NA
435	2024-11-15	Small molecule-mediated targeting of microRNAs for drug discovery: Experiments, computational techniques, and disease implications 2023-Sep-05, European journal of medicinal chemistry IF:6.0Q1 DOI:10.1016/j.ejmech.2023.115500 PMID:37262996	综述	本文综述了小分子介导的微小RNA（miRNA）靶向药物发现中的生物学和计算应用	本文整合了实验室数据和计算策略，以促进更精确和理性的先导化合物设计和发现	目前缺乏涵盖计算和实验药物发现过程的综合性综述	综述miRNA靶向药物发现中的生物学和计算应用及其在疾病中的意义和临床重要性	miRNA靶向的小分子抑制剂及其在疾病治疗中的潜力	药物发现	NA	深度学习	NA	分子序列	NA
436	2024-11-14	Acceleration of high-quality Raman imaging via a locality enhanced transformer network 2023-Dec-04, The Analyst DOI:10.1039/d3an01543b PMID:37971331	研究论文	本文提出了一种局部增强的Transformer网络（LETNet）用于拉曼图像超分辨率处理，以加速高质量拉曼成像	本文创新性地将Transformer架构中的自注意力机制替换为卷积，并采用深度卷积优化模型，显著提高了计算效率	NA	本文旨在通过深度学习方法加速高质量拉曼成像，以促进其在实时诊断和治疗中的应用	本文研究对象包括乳腺癌细胞和脑肿瘤组织的拉曼图像	计算机视觉	乳腺癌、脑肿瘤	拉曼成像	Transformer网络	图像	乳腺癌细胞和脑肿瘤组织的拉曼图像
437	2024-11-14	A deep learning model using hyperspectral image for EUS-FNA cytology diagnosis in pancreatic ductal adenocarcinoma 2023-08, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.6335 PMID:37455599	研究论文	本文开发了一种基于高光谱图像的深度学习模型，用于内镜超声引导下细针穿刺细胞学诊断胰腺导管腺癌	首次将高光谱成像技术与卷积神经网络结合，用于胰腺导管腺癌的细胞学诊断	需要进一步验证模型在更大样本量和不同临床环境中的泛化能力	开发一种辅助细胞病理学家诊断胰腺导管腺癌的深度学习模型	胰腺导管腺癌和良性胰腺组织的细胞学样本	计算机视觉	胰腺癌	高光谱成像	卷积神经网络	图像	共62个样本，包括33个良性胰腺组织和39个胰腺导管腺癌
438	2024-11-14	Thyroid Cytopathology Cancer Diagnosis from Smartphone Images Using Machine Learning 2023-06, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2023.100129 PMID:36931041	研究论文	研究使用智能手机图像进行甲状腺细胞病理学癌症诊断的深度学习模型性能	通过颜色增强训练减少了模型对手机和扫描仪图像颜色差异的敏感性，提高了智能手机图像的诊断性能	研究仅限于甲状腺细胞病理学，且样本量较小	评估深度学习模型在智能手机图像上进行甲状腺细胞病理学癌症诊断的性能	甲状腺细针穿刺活检图像	机器学习	甲状腺癌	深度学习	NA	图像	训练集包含964张高分辨率扫描图像，测试集包含100张幻灯片，每张幻灯片20个感兴趣区域
439	2024-11-14	Growing ecosystem of deep learning methods for modeling protein-protein interactions 2023-Jan-21, Protein engineering, design & selection : PEDS DOI:10.1093/protein/gzad023 PMID:38102755	综述	本文综述了用于建模蛋白质相互作用的深度学习方法生态系统的发展	深度学习通过利用实验数据和蛋白质相互作用的基本生物物理知识，成为解决蛋白质相互作用多样性问题的有前途的方法	本文讨论了现有方法的局限性和未来研究方向	综述和讨论用于建模蛋白质相互作用的深度学习方法及其应用	蛋白质相互作用及其建模方法	机器学习	NA	深度学习	NA	NA	NA
440	2024-11-13	Bringing Artificial Intelligence to the operating room: edge computing for real-time surgical phase recognition 2023-11, Surgical endoscopy DOI:10.1007/s00464-023-10322-4 PMID:37580578	研究论文	本文介绍了一种基于边缘计算的实时手术阶段识别系统，用于优化手术流程和视频评估	首次将边缘计算应用于手术阶段识别，实现了实时算法应用	实时预测的准确率在59.8%到78.2%之间，平均准确率为68.7%	开发一种实时手术阶段识别系统，以优化手术流程和视频评估	机器人腹股沟疝修复手术的阶段识别	计算机视觉	NA	深度学习	ResNet-50	视频	211个机器人腹股沟疝修复手术视频，用于训练和验证模型；10个机器人腹股沟疝修复手术视频，用于实时测试