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
521	2024-10-01	BIDL: a brain-inspired deep learning framework for spatiotemporal processing 2023, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2023.1213720 PMID:37564366	研究论文	本文介绍了一种名为BIDL的脑启发深度学习框架，用于时空处理	提出了一个通用的学习框架，能够处理多种时空模态数据，如视频片段和3D成像数据	NA	提供一个统一的时空处理设计流程，并研究通过脑启发神经动力学进行轻量级时空处理的能力	视频信息处理、DVS信息处理、3D医学影像分类和自然语言处理	机器学习	NA	深度尖峰神经网络（DSNN）	深度神经网络	视频、3D成像、自然语言	涉及多种类型的数据，具体样本数量未提及
522	2024-10-01	Enhancing diabetic retinopathy classification using deep learning 2023 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076231203676 PMID:37766903	研究论文	本文利用深度学习模型对糖尿病视网膜病变进行分类	提出了使用CLAHE和ESRGAN技术进行图像增强的卷积神经网络模型，实验结果显示分类准确率高达97.83%	未提及具体限制	提高糖尿病视网膜病变的分类准确率	糖尿病视网膜病变及其不同严重程度	计算机视觉	糖尿病	深度学习	卷积神经网络	图像	使用APTOS 2019 Blindness Detection数据集中的视网膜扫描图像
523	2024-10-01	Using graph-based model to identify cell specific synthetic lethal effects 2023, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2023.10.011 PMID:37920819	研究论文	本文提出了一种基于图模型的方法，用于识别特定细胞类型的合成致死效应	通过结合细胞特异性多组学数据和自注意力模块，将基因关系表示为图，实现了细胞特异性合成致死对的预测	依赖于高质量的多组学数据，且需要大量计算资源	开发一种计算方法，用于预测特定细胞类型的合成致死对，以促进癌症精准治疗	特定细胞类型的合成致死对	机器学习	NA	深度学习	图模型	多组学数据	细胞系特异性数据
524	2024-09-30	Cascaded convolutional networks for unsupervised brain tissue segmentation and bias field estimation 2023-Aug, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2676893 PMID:38250086	研究论文	本文提出了一种基于级联卷积网络的无监督脑组织分割和偏置场估计方法	本文的创新点在于开发了一种无监督深度学习模型，通过级联卷积网络同时进行脑组织分割和偏置场估计，利用大量未标记的脑成像数据	本文的局限性在于仅在HCP-Aging和HCP-Development数据集上进行了评估，可能需要进一步验证其在其他数据集上的性能	本文的研究目的是利用无监督学习方法提高脑组织分割和偏置场估计的性能	本文的研究对象是脑组织分割和偏置场估计	计算机视觉	NA	深度学习	级联卷积网络	图像	在HCP-Aging和HCP-Development数据集上进行了评估
525	2024-09-30	Searching for protein variants with desired properties using deep generative models 2023-Jul-21, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-023-05415-9 PMID:37480001	研究论文	本文提出了一种时间变分自编码器（T-VAE）模型，用于改进对较长蛋白质序列的表示学习能力，并生成与原始序列相似的变体	本文创新性地提出了时间变分自编码器（T-VAE）模型，通过扩展网络结构中神经元的感受野，提高了对较长序列的编码表示能力	NA	改进现有深度学习模型在捕捉较长蛋白质序列中氨基酸位点关系方面的能力，并利用潜在空间中的位置关系直接搜索性能更好的变体	蛋白质序列及其变体	机器学习	NA	深度学习	变分自编码器（VAE）	序列	NA
526	2024-09-30	Leveraging natural language processing to augment structured social determinants of health data in the electronic health record 2023-07-19, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocad073 PMID:37130345	研究论文	本文开发了一种自然语言处理信息提取模型，用于从电子健康记录中的临床笔记中捕获详细的社交决定因素健康信息，并评估了将其与现有结构化数据结合后的信息增益	本文提出了一种新的深度学习实体和关系提取架构，用于从临床笔记中提取详细的社交决定因素健康信息	NA	开发和评估一种自然语言处理模型，用于从电子健康记录中的临床笔记中提取详细的社交决定因素健康信息，并评估其与现有结构化数据的结合效果	社交决定因素健康信息	自然语言处理	NA	深度学习	实体和关系提取架构	文本	225,089名患者和430,406份包含社会历史部分的临床笔记
527	2024-09-30	Distinct brain morphometry patterns revealed by deep learning improve prediction of aphasia severity 2023-Jul-03, Research square DOI:10.21203/rs.3.rs-3126126/v1 PMID:37461696	研究论文	本文探讨了深度学习结合卷积神经网络（CNN）在全脑形态测量和病变解剖学数据上预测慢性中风患者失语症严重程度的能力	本文首次展示了CNN在识别个体化三维萎缩模式方面的优势，显著提高了失语症严重程度的预测准确性	本文仅限于慢性中风患者的研究，未来研究需扩展到其他类型中风患者	研究深度学习技术在预测失语症严重程度方面的应用	慢性中风患者的失语症严重程度	计算机视觉	中风	卷积神经网络（CNN）	卷积神经网络（CNN）	图像	231名慢性中风患者
528	2024-09-30	PPAD: a deep learning architecture to predict progression of Alzheimer's disease 2023-06-30, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btad249 PMID:37387135	研究论文	本文提出了一种基于深度学习的架构，用于预测阿尔茨海默病的进展	本文提出了两种基于RNN的深度学习架构，即PPAD和PPAD-Autoencoder，用于早期预测从轻度认知障碍到阿尔茨海默病的转换，并解决了电子健康记录数据中时间间隔不规则的问题	NA	开发早期预测轻度认知障碍患者转换为阿尔茨海默病的方法	轻度认知障碍患者和阿尔茨海默病	机器学习	阿尔茨海默病	RNN	RNN	电子健康记录	使用了阿尔茨海默病神经影像学倡议和国家阿尔茨海默病协调中心的数据集
529	2024-09-30	Breast Cancer Classification through Meta-Learning Ensemble Technique Using Convolution Neural Networks 2023-Jun-30, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13132242 PMID:37443636	研究论文	本研究旨在通过元学习集成技术和卷积神经网络开发高效准确的乳腺癌分类模型	采用元学习集成技术、迁移学习和数据增强等先进技术，结合多个卷积神经网络，提高乳腺癌图像分类的准确性	NA	开发一种能够准确分类乳腺癌超声图像中良性或恶性病变的模型	乳腺癌超声图像数据集中的病变分类	计算机视觉	乳腺癌	元学习集成技术、迁移学习、数据增强	卷积神经网络（CNN）	图像	乳腺癌超声图像数据集（BUSI）
530	2024-09-30	Fusion of visible and thermal images improves automated detection and classification of animals for drone surveys 2023-06-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-37295-7 PMID:37369669	研究论文	本文研究了通过无人机获取的可见光和热成像图像的融合方法，以提高动物检测和分类的自动化程度	本文首次比较了八种图像融合方法，并结合两种监督深度学习模型，评估了其在检测和分类白尾鹿、家牛和家马中的应用效果	图像融合对家牛和家马的改进有限，可能是因为这些物种的体型、形状和颜色使其在背景中较为显眼	研究如何通过图像融合技术提高无人机在动物监测中的自动化检测和分类能力	白尾鹿、家牛和家马	计算机视觉	NA	图像融合	深度学习模型	图像	涉及白尾鹿、家牛和家马的图像数据
531	2024-09-30	Recent Advances in Deep Learning and Medical Imaging for Head and Neck Cancer Treatment: MRI, CT, and PET Scans 2023-Jun-21, Cancers IF:4.5Q1 DOI:10.3390/cancers15133267 PMID:37444376	综述	本文综述了深度学习技术在头颈癌影像分析中的应用，重点介绍了肿瘤检测、分割、分类和响应预测	本文讨论了卷积自编码器、生成对抗网络（GANs）和变压器模型等先进深度学习技术，并探讨了深度学习与传统影像技术在癌症管理中的互补作用	本文指出了标准化、算法可解释性和临床验证等挑战，以及模型在不同影像模态和肿瘤类型中的泛化能力和人类专业知识在AI时代的作用等关键差距和争议	本文旨在鼓励深度学习在头颈癌管理中的应用，以最终提高患者护理和治疗效果	头颈癌的影像分析	计算机视觉	头颈癌	深度学习	卷积自编码器、生成对抗网络（GANs）、变压器模型	影像	NA
532	2024-09-30	Improve the performance of CT-based pneumonia classification via source data reweighting 2023-06-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-35938-3 PMID:37296239	研究论文	本文提出了一种基于源数据重加权的方法，通过优化CT图像数据来提高肺炎分类的性能	本文创新性地提出了一种三层优化方法，利用源域的CT数据来缓解目标域中标注CT扫描数据的缺乏问题，并通过自动识别和降低低质量源数据的权重来提高模型性能	本文未详细讨论该方法在不同数据集上的泛化能力	旨在通过优化CT图像数据来提高肺炎分类的准确性和效率	研究对象为基于CT图像的肺炎分类	计算机视觉	肺炎	NA	NA	图像	目标数据集包含2218个CT扫描，源数据集包含349个CT图像
533	2024-09-30	Recent Advances in Melanoma Diagnosis and Prognosis Using Machine Learning Methods 2023-06, Current oncology reports IF:4.7Q1 DOI:10.1007/s11912-023-01407-3 PMID:37000340	综述	总结了人工智能和机器学习在黑色素瘤诊断和管理中的当前作用和状态	深度学习算法能够从临床、皮肤镜和全切片病理图像中识别黑色素瘤，准确性不断提高	需要更高质量的输入数据以进一步提高模型的能力	总结人工智能和机器学习在黑色素瘤诊断和管理中的应用	黑色素瘤的诊断和管理	机器学习	皮肤癌	深度学习	深度学习算法	图像	NA
534	2024-09-30	A systematic review of biologically-informed deep learning models for cancer: fundamental trends for encoding and interpreting oncology data 2023-May-15, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-023-05262-8 PMID:37189058	综述	本文系统回顾了生物学启发的深度学习模型在癌症研究中的应用，重点关注多组学分析和模型的可解释性	提出了生物中心可解释性的概念，并讨论了其在深度学习模型中的应用	文章主要集中在现有模型的回顾和分析，未提出具体的创新模型或方法	探讨深度学习模型在癌症生物学中的应用，特别是如何整合先验生物学知识和提高模型的可解释性	深度学习模型在癌症研究中的应用，特别是多组学分析和模型的可解释性	机器学习	癌症	深度学习	NA	多组学数据	42项研究
535	2024-09-30	When Machine Learning and Deep Learning Come to the Big Data in Food Chemistry 2023-May-09, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.2c07722 PMID:37179635	综述	本文综述了食品化学领域中大数据与人工智能方法的应用	探讨了机器学习和深度学习在食品数据库分析中的应用	NA	展示食品数据库与人工智能结合在食品科学和化学中的潜力	食品成分、风味和化学化合物数据库	机器学习	NA	机器学习、深度学习	NA	数据库	NA
536	2024-09-30	A Deep Learning-Driven Self-Conscious Distributed Cyber-Physical System for Renewable Energy Communities 2023-May-07, Sensors (Basel, Switzerland) DOI:10.3390/s23094549 PMID:37177753	研究论文	研究了基于深度学习的自感知分布式信息物理系统，用于可再生能源社区的能源管理	提出了能量感知的边缘到云架构模型和技术，创新了机器学习算法用于动态重新分配和重新配置能源资源	NA	开发能量感知的架构模型和边缘/云计算技术，设计下一代AI驱动的自感知物联网扩展DCPS	可再生能源社区的能量感知DCPS	机器学习	NA	深度学习	NA	NA	NA
537	2024-09-30	Identification of medicinal plant-based phytochemicals as a potential inhibitor for SARS-CoV-2 main protease (Mpro) using molecular docking and deep learning methods 2023-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2023.106785 PMID:36931201	研究论文	本文利用分子对接和深度学习方法，筛选出基于韩国药用植物的植物化学物质作为SARS-CoV-2主蛋白酶（Mpro）的潜在抑制剂	开发了一个包含2431种植物化学物质的库，并通过分子对接和深度学习方法重新筛选，使用RNN计算系统开发了抑制预测模型	NA	寻找SARS-CoV-2主蛋白酶的潜在抑制剂，以开发治疗COVID-19的有效药物	SARS-CoV-2主蛋白酶（Mpro）及其潜在抑制剂	机器学习	COVID-19	分子对接、分子动力学模拟	RNN	化合物	2431种植物化学物质
538	2024-09-30	A Large-scale Synthetic Pathological Dataset for Deep Learning-enabled Segmentation of Breast Cancer 2023-04-21, Scientific data IF:5.8Q1 DOI:10.1038/s41597-023-02125-y PMID:37085533	研究论文	本文介绍了一个大规模的合成病理图像数据集SNOW，用于乳腺癌细胞核的语义分割	提出了一个大规模的合成病理图像数据集SNOW，通过标准化的工作流程生成和注释，适用于监督和半监督训练场景	NA	开发一个大规模的合成病理图像数据集，以支持计算机视觉模型在病理学中的应用	乳腺癌细胞核的语义分割	数字病理学	乳腺癌	NA	NA	图像	20,000张图像，1,448,522个注释的细胞核
539	2024-09-30	Research on Performance Degradation Estimation of Key Components of High-Speed Train Bogie Based on Multi-Task Learning 2023-Apr-20, Entropy (Basel, Switzerland) DOI:10.3390/e25040696 PMID:37190484	研究论文	本文提出了一种基于多任务学习的模型，用于估计高速列车转向架关键部件的性能退化状态	本文创新性地采用了多任务和多尺度卷积神经网络，结合软参数共享方法，实现了对高速列车转向架多个关键部件性能退化状态的联合估计	本文未详细讨论模型的泛化能力和在不同列车类型上的适用性	提高高速列车转向架关键部件性能退化估计的准确性和效率	高速列车转向架的关键部件	机器学习	NA	多任务学习	卷积神经网络	振动信号	NA
540	2024-09-30	Deep Learning Approaches for Data Augmentation in Medical Imaging: A Review 2023-Apr-13, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging9040081 PMID:37103232	综述	本文综述了使用深度生成模型进行医学影像数据增强的三种主要方法	本文介绍了使用深度生成模型生成更真实和多样化数据的方法，以解决医学影像数据增强中的局限性	本文讨论了每种模型的优缺点，并指出了未来研究的方向	本文旨在全面综述深度生成模型在医学影像数据增强中的应用，并强调这些模型在提高深度学习算法性能方面的潜力	本文研究了变分自编码器、生成对抗网络和扩散模型在医学影像数据增强中的应用	计算机视觉	NA	深度学习	变分自编码器、生成对抗网络、扩散模型	图像	NA