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
901	2024-09-20	Deep learning model accurately classifies metastatic tumors from primary tumors based on mutational signatures 2023-05-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-35842-w PMID:37253775	研究论文	本文开发了一种基于突变特征的深度神经网络模型MetaWise，用于准确分类转移性肿瘤和原发性肿瘤	首次利用突变特征作为输入特征，通过深度学习模型准确分类转移性肿瘤和原发性肿瘤，并优于传统的机器学习模型和深度学习模型DiaDeL	NA	开发一种能够准确分类转移性肿瘤和原发性肿瘤的深度学习模型，以帮助癌症治疗	转移性肿瘤和原发性肿瘤的分类	机器学习	NA	全外显子测序（WES）	深度神经网络（DNN）	突变特征	来自TCGA和其他转移性队列的全外显子测序数据
902	2024-09-20	Skin Cancer Detection Using Deep Learning-A Review 2023-May-30, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13111911 PMID:37296763	综述	本文综述了使用深度学习方法进行皮肤癌分类的最新研究	本文综述了最新的深度学习方法在皮肤癌分类中的应用	NA	探讨深度学习在皮肤癌早期和准确诊断中的应用	皮肤癌分类	计算机视觉	皮肤癌	深度学习	NA	图像	NA
903	2024-09-20	Deep learning generates synthetic cancer histology for explainability and education 2023-May-29, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-023-00399-4 PMID:37248379	研究论文	本文提出了一种利用条件生成对抗网络（cGAN）生成合成癌症组织学图像以提高深度神经网络（DNN）模型可解释性的方法	利用cGAN生成高质量的合成组织学图像，用于解释DNN模型在分子亚型肿瘤分类中的决策过程，并展示了这些合成图像在病理学教育中的应用	NA	提高深度神经网络在肿瘤分子分类中的可解释性，并探索其在病理学教育中的应用	深度神经网络模型和条件生成对抗网络生成的合成组织学图像	计算机视觉	NA	条件生成对抗网络（cGAN）	深度神经网络（DNN）	图像	NA
904	2024-09-20	Marbling-Net: A Novel Intelligent Framework for Pork Marbling Segmentation Using Images from Smartphones 2023-May-28, Sensors (Basel, Switzerland) DOI:10.3390/s23115135 PMID:37299862	研究论文	提出了一种基于深度学习的管道，使用浅层上下文编码网络（Marbling-Net）和基于补丁的训练策略以及图像上采样，从智能手机采集的猪肉背最长肌（LD）图像中准确分割脂肪纹理区域	提出了Marbling-Net，一种新的智能框架，用于从智能手机图像中分割猪肉脂肪纹理，并采用了基于补丁的训练策略和图像上采样技术	NA	开发一种准确分割猪肉脂肪纹理区域的方法，以量化这些特征，从而改善猪肉质量	猪肉背最长肌（LD）图像中的脂肪纹理区域	计算机视觉	NA	深度学习	浅层上下文编码网络（Marbling-Net）	图像	173张猪肉背最长肌（LD）图像
905	2024-09-20	A comprehensive review of analyzing the chest X-ray images to detect COVID-19 infections using deep learning techniques 2023-May-27, Soft computing IF:3.1Q2 DOI:10.1007/s00500-023-08561-7 PMID:37362273	综述	本文综述了使用深度学习技术分析胸部X光图像以检测COVID-19感染的研究	本文综述了使用卷积神经网络（CNN）和其他深度学习方法在胸部X光图像上诊断COVID-19的研究，并提供了未来研究方向	本文主要综述了现有研究，未提出新的技术或模型	提高COVID-19的快速准确诊断	胸部X光图像和COVID-19感染	计算机视觉	呼吸系统疾病	深度学习	CNN	图像	NA
906	2024-09-20	Retrosynthesis prediction using an end-to-end graph generative architecture for molecular graph editing 2023-May-25, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-38851-5 PMID:37230985	研究论文	本文提出了一种端到端的图生成架构Graph2Edits，用于分子图编辑的逆合成预测	Graph2Edits模型通过图神经网络以自回归方式预测产物图的编辑，并将半模板方法的两个阶段过程整合为一个学习过程，提高了复杂反应的适用性和预测的可解释性	NA	改进逆合成预测的准确性和实用性	有机合成中的逆合成规划	机器学习	NA	图神经网络	Graph2Edits	分子图	在标准基准数据集USPTO-50k上进行评估，模型达到了55.1%的top-1准确率
907	2024-09-20	Unsupervised Deep Learning Can Identify Protein Functional Groups from Unaligned Sequences 2023-May-22, Genome biology and evolution IF:3.2Q2 DOI:10.1093/gbe/evad084 PMID:37217837	研究论文	本文介绍了一种名为DeepSeqProt的无监督深度学习程序，用于从非对齐序列中识别蛋白质功能组	DeepSeqProt能够从非对齐、未注释的序列中学习显著的生物学特征，并能比其他聚类方法更有效地捕捉完整的蛋白质家族和统计上显著的共享本体	NA	解释从序列数据中推断蛋白质功能的生物信息学基本目标	蛋白质序列数据	机器学习	NA	无监督深度学习	NA	序列	NA
908	2024-09-20	Using EfficientNet-B7 (CNN), Variational Auto Encoder (VAE) and Siamese Twins' Networks to Evaluate Human Exercises as Super Objects in a TSSCI Images 2023-May-22, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm13050874 PMID:37241044	研究论文	本文介绍了一种将人体运动定义为静态超对象的新方法，通过单个二维图像表示运动，适用于远程医疗应用	提出了一种将人体运动定义为静态超对象的新方法，使用EfficientNet-B7、变分自编码器和孪生网络来评估和生成类似运动	未提及具体局限性	开发一种新的方法来评估和生成人体运动，适用于远程医疗应用	人体运动，特别是健身和物理治疗中的运动	计算机视觉	NA	EfficientNet-B7, 变分自编码器, 孪生网络	CNN, VAE, 孪生网络	图像	未提及具体样本数量
909	2024-09-20	Augmented Reality Surgical Navigation System Integrated with Deep Learning 2023-May-20, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10050617 PMID:37237687	研究论文	本文提出了一种基于图像定位的增强现实手术导航系统，结合深度学习技术，提供直观的外科手术指导	该系统通过增强现实技术提供直观的手术指导，并结合深度学习U-Net分割网络实现自动识别脑积水位置，显著提高了识别准确性、敏感性和特异性	临床试验仅限于EVD手术，未来需在更多手术类型中验证其有效性	开发一种低成本、高稳定性、高精度的增强现实手术导航系统，提供直观的外科手术指导	增强现实手术导航系统及其在EVD手术中的应用	计算机视觉	NA	增强现实技术	U-Net	图像	临床试验涉及EVD手术
910	2024-09-20	Histopathological Gastric Cancer Detection on GasHisSDB Dataset Using Deep Ensemble Learning 2023-May-18, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13101793 PMID:37238277	研究论文	本文提出了一种基于深度集成学习的胃癌病理图像检测方法，并在公开的胃癌数据集上进行了验证	本文的创新点在于使用集成模型结合多个深度学习模型的决策，以提高分类性能	本文的局限性在于仅在特定数据集上进行了验证，尚未在其他数据集上进行广泛测试	本文的研究目的是开发一种计算机辅助诊断工具，以帮助病理学家进行胃癌的早期检测	本文的研究对象是胃癌的病理图像	数字病理学	胃癌	深度学习	集成模型	图像	本文使用了公开的胃癌数据集，包含不同子数据库的图像
911	2024-09-20	Person Recognition Based on Deep Gait: A Survey 2023-May-18, Sensors (Basel, Switzerland) DOI:10.3390/s23104875 PMID:37430786	综述	本文综述了基于深度步态识别的研究进展、挑战和局限性	本文通过分类法组织了深度学习方法在步态识别领域的研究现状，并指出了当前方法的基本局限性	本文主要关注深度学习方法在步态识别中的局限性，如环境因素、复杂性和人体表现的可变性	综述基于深度学习的步态识别领域的进展，分析现有技术的性能，并提出未来研究方向	步态识别技术及其在深度学习方法中的应用	计算机视觉	NA	深度学习	NA	步态数据集	NA
912	2024-09-20	Detection of Monkeypox Disease from Human Skin Images with a Hybrid Deep Learning Model 2023-May-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13101772 PMID:37238256	研究论文	本文开发了一种混合深度学习模型，用于从人类皮肤图像中检测猴痘疾病	本文提出了一种独特的混合深度学习模型，结合了两种表现最佳的深度学习模型和长短期记忆（LSTM）模型，以提高分类结果	NA	开发一种能够从皮肤图像中检测猴痘疾病的混合人工智能系统	猴痘疾病的皮肤图像	计算机视觉	猴痘	深度学习	混合模型（CSPDarkNet, InceptionV4, MnasNet, MobileNetV3, RepVGG, SE-ResNet, Xception, LSTM）	图像	包含水痘、麻疹、猴痘和正常类别的多类结构数据集，数据分布不平衡，经过数据增强和预处理后使用
913	2024-09-20	Predicting structures of large protein assemblies using combinatorial assembly algorithm and AlphaFold2 2023-May-16, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.16.541003 PMID:37293053	研究论文	本文介绍了一种名为CombFold的组合和层次化装配算法，用于预测大型蛋白质复合物的结构，利用AlphaFold2预测的亚基间相互作用	CombFold算法能够准确预测大型蛋白质复合物的结构，相比现有方法提高了20%的结构覆盖率	NA	开发一种新的算法来提高大型蛋白质复合物结构的预测准确性	大型蛋白质复合物的结构	计算机视觉	NA	AlphaFold2	NA	蛋白质结构数据	60个大型不对称复合物数据集中的72%的复合物
914	2024-09-20	Detection of Gallbladder Disease Types Using Deep Learning: An Informative Medical Method 2023-May-15, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13101744 PMID:37238227	研究论文	本文利用深度学习技术，通过超声图像检测胆囊疾病的类型	本文成功应用深度神经网络模型，能够同时检测九种胆囊疾病	NA	开发一种能够早期诊断胆囊疾病的工具	胆囊疾病的类型	计算机视觉	胆囊疾病	深度学习	深度神经网络	图像	10,692张胆囊超声图像，来自1782名患者
915	2024-09-20	Detection of Paroxysmal Atrial Fibrillation from Dynamic ECG Recordings Based on a Deep Learning Model 2023-May-12, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm13050820 PMID:37240990	研究论文	本文提出了一种基于深度学习模型的动态心电图记录中阵发性心房颤动的检测方法	该方法不仅区分了心房颤动与正常心律，还能检测其发作和终止，并引入了残差块和Transformer编码器	未区分心房颤动与心房扑动，且在噪声环境下进行了压力测试，但未详细说明其在极端噪声条件下的表现	开发一种能够准确检测心房颤动及其发作和终止的深度学习模型	心房颤动的检测及其发作和终止的识别	机器学习	心血管疾病	深度学习	Transformer	心电图	训练数据来自CPSC2021挑战赛，测试数据包括四个公共数据集
916	2024-09-20	Deep versus Handcrafted Tensor Radiomics Features: Prediction of Survival in Head and Neck Cancer Using Machine Learning and Fusion Techniques 2023-May-11, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13101696 PMID:37238180	研究论文	本文比较了深度学习和手工特征在头颈癌生存预测中的表现	本文引入了张量放射组学范式，通过生成和探索不同版本的特征来提供额外价值	本文未详细讨论模型的可解释性和泛化能力	比较深度特征和手工特征在头颈癌生存预测中的表现	头颈癌患者的生存预测	机器学习	头颈癌	深度学习算法	卷积神经网络 (CNN)	图像	408名头颈癌患者
917	2024-09-20	The Effect of Coupled Electroencephalography Signals in Electrooculography Signals on Sleep Staging Based on Deep Learning Methods 2023-May-10, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10050573 PMID:37237643	研究论文	研究了耦合脑电图信号对基于眼电图信号的自动睡眠分期的影响	首次探讨了耦合脑电图信号在眼电图信号中对自动睡眠分期的影响，并证明了适当耦合的脑电图信号可以提高睡眠分期的准确性	仅使用了三个数据集进行验证，未来需要更多数据集来进一步验证结果	探讨耦合脑电图信号在眼电图信号中对自动睡眠分期的影响	耦合脑电图信号在眼电图信号中的影响	机器学习	NA	盲源分离算法	卷积神经网络和循环神经网络	信号	使用了两个公开数据集和一个临床数据集
918	2024-09-20	An Ensembled Framework for Human Breast Cancer Survivability Prediction Using Deep Learning 2023-May-10, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13101688 PMID:37238173	研究论文	本文提出了一种用于预测乳腺癌生存率的集成模型，利用多模态数据和多个神经网络的输出进行预测	本文的创新点在于提出了一个集成模型，结合了卷积神经网络、深度神经网络和长短期记忆网络，以处理多维数据并提高预测准确性	NA	研究目的是设计一个高效且快速的计算模型，用于乳腺癌的预后预测	研究对象是乳腺癌患者的生存率预测	机器学习	乳腺癌	NA	CNN, DNN, LSTM	多模态数据	NA
919	2024-09-20	Segmentation of Anatomical Structures of the Left Heart from Echocardiographic Images Using Deep Learning 2023-May-09, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13101683 PMID:37238168	研究论文	本文介绍了一种基于深度学习的工具，用于从超声心动图图像中自动分割左心房和左心室的心脏解剖结构	本文提出了一种结合YOLOv7算法和U-Net的卷积神经网络模型，用于自动分割超声心动图中的左心房和左心室结构	NA	支持临床实践，提高心脏功能评估的效率	左心房和左心室的心脏解剖结构	计算机视觉	NA	深度学习	卷积神经网络	图像	450名患者的超声心动图图像，包含心尖两腔和四腔视图在收缩末期和舒张末期的图像
920	2024-09-20	Empowering Hand Rehabilitation with AI-Powered Gesture Recognition: A Study of an sEMG-Based System 2023-May-06, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10050557 PMID:37237627	研究论文	本文介绍了一种基于sEMG信号和深度学习算法的智能手部康复手套，旨在帮助中风患者进行有效的手部康复训练	该手套集成了四个sEMG传感器和深度学习算法，能够通过非受影响手部的手势识别来驱动受影响手部的运动，从而实现镜像疗法和任务导向疗法	NA	开发一种智能手部康复设备，帮助中风患者恢复手部功能	中风患者的手部康复	机器学习	中风	sEMG信号	1D-CNN算法和InceptionTime算法	sEMG信号	NA