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
1601	2024-08-09	LeafAI: query generator for clinical cohort discovery rivaling a human programmer 2023-11-17, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocad149 PMID:37550244	研究论文	本文介绍了一种名为LeafAI的系统，该系统能够生成数据模型无关的查询，并提供复杂的临床试验资格标准的逻辑推理能力	LeafAI引入了一种新的方法，使用UMLS概念对数据库模式元素进行标记，以实现数据模型无关的查询创建	NA	开发一种能够生成数据模型无关查询并提供复杂临床试验资格标准逻辑推理能力的系统	临床数据库中的患者识别和临床试验资格标准的查询生成	自然语言处理	NA	混合深度学习和基于规则的模块	NA	文本	8个临床试验中的27,225名合格患者
1602	2024-08-09	Automated Segmentation of Optical Coherence Tomography Images of the Human Tympanic Membrane Using Deep Learning 2023-Sep, Algorithms IF:1.8Q2 DOI:10.3390/a16090445 PMID:39104565	研究论文	本文利用深度学习算法自动分割人耳鼓膜的光学相干断层扫描（OCT）图像	开发了一种基于卷积神经网络的深度学习算法，能够准确识别并分割耳鼓膜，提高图像可视化效果	未提及具体限制	改进数据分析和图像处理，使OCT医学影像成为耳鼻喉科领域便捷且可行的诊断工具	人耳鼓膜的OCT图像	计算机视觉	NA	光学相干断层扫描（OCT）	卷积神经网络（CNN）	图像	3D体积的人耳鼓膜图像
1603	2024-08-08	SaLT&PepPr is an interface-predicting language model for designing peptide-guided protein degraders 2023-10-24, Communications biology IF:5.2Q1 DOI:10.1038/s42003-023-05464-z PMID:37875551	研究论文	本文介绍了一种名为SaLT&PepPr的结构无关语言转换器和肽优先级排序管道，用于从蛋白质序列中预测相互作用界面，进而生成肽结合基序	该模型仅使用氨基酸序列作为输入，与基于结构同源性的方法竞争，但性能低于输入结构和序列特征的深度学习模型	模型在性能上低于那些同时输入结构和序列特征的深度学习模型	旨在预测蛋白质-蛋白质相互作用（PPIs）的位点，这对于计算和实验应用都很有用	蛋白质-蛋白质相互作用位点的预测以及肽结合基序的生成	机器学习	NA	蛋白质语言模型（pLM）	语言转换器（Transformer）	序列	使用来自PDB的数据进行模型训练和验证
1604	2024-08-08	Scaffolding cooperation in human groups with deep reinforcement learning 2023-Oct, Nature human behaviour IF:21.4Q1 DOI:10.1038/s41562-023-01686-7 PMID:37679439	研究论文	本文利用深度强化学习和模拟方法训练一个'社会规划者'，通过推荐来创建或打破群体成员之间的联系，以促进人类群体在合作游戏中的合作行为	本文采用深度强化学习技术，训练出一个能够促进群体合作的社会规划者，与以往将背叛者与合作者分离的策略不同，该规划者采取和解的方式鼓励背叛者表现出亲社会行为	NA	探索促进群体合作的有效方法	人类群体在合作游戏中的合作行为	机器学习	NA	深度强化学习	NA	NA	208名参与者分为13个群体
1605	2024-08-07	Automatic renal carcinoma biopsy guidance using forward-viewing endoscopic optical coherence tomography and deep learning 2023-Nov-23, Research square DOI:10.21203/rs.3.rs-3592809/v1 PMID:38045314	研究论文	本研究利用前视光学相干断层扫描（OCT）探头和卷积神经网络（CNN）进行自动肾癌活检指导	结合OCT和CNN技术，显著提高了肾癌活检的指导精度	在区分正常组织方面表现不佳	旨在提高肾癌活检的采样准确性	人类肾脏和肾癌样本	计算机视觉	肾癌	光学相干断层扫描（OCT）	卷积神经网络（CNN）	图像	五个人类肾脏和肾癌样本
1606	2024-08-07	A novel approach for sports injury risk prediction: based on time-series image encoding and deep learning 2023, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2023.1174525 PMID:38192743	研究论文	本研究利用时间序列图像编码和深度学习算法构建了一个运动损伤风险预测模型	采用时间序列图像编码和深度卷积自编码器（DCAE）进行特征提取，提高了模型的泛化能力和实用性	未提及具体限制	开发一种有效的运动损伤风险预测工具，以支持未来的运动损伤预防实践	运动损伤风险预测	机器学习	NA	时间序列图像编码，深度卷积自编码器（DCAE）	深度神经网络（DNN）	图像	未提及具体样本数量
1607	2024-08-06	Effect of image resolution on automated classification of chest X-rays 2023-Jul, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.4.044503 PMID:37547812	研究论文	本研究探讨了图像分辨率对胸部X光图像分类性能的影响	提出了多尺度特征的提取方法，而不仅仅是关注最高的图像分辨率	未提及具体的限制因素	研究影像分辨率对胸部X光图像分类性能的影响	使用MIMIC-CXR-JPG数据集的胸部X光图像进行分析	计算机视觉	NA	深度学习	DenseNet121，EfficientNet-B4	图像	377,110张高分辨率胸部X光图像
1608	2024-08-05	Generative Adversarial Network (GAN) for Simulating Electroencephalography 2023-09, Brain topography IF:2.3Q3 DOI:10.1007/s10548-023-00986-5 PMID:37410276	研究论文	本研究探讨了生成对抗网络在模拟脑电图方面的应用	本研究首次利用生成对抗网络生成多通道脑电图数据，能够重建脑电图信号的时空特性	数据生成依赖于网络训练的质量，可能对某些特征的再现存在限制	研究生成对抗网络在脑电图模拟中的有效性	生成高质量的合成脑电图数据以供神经成像分析使用	机器学习	NA	生成对抗网络	GAN	脑电图数据	NA
1609	2024-08-04	Using Ensemble OCT-Derived Features beyond Intensity Features for Enhanced Stargardt Atrophy Prediction with Deep Learning 2023-Jul-02, Applied sciences (Basel, Switzerland) DOI:10.3390/app13148555 PMID:39086558	研究论文	本文提出了一种使用高级OCT衍生特征来增强对Stargardt萎缩预测的方法	本研究的创新点在于使用了多个OCT衍生特征，而不仅仅依赖常用的平均强度特征	未提及特定限制	研究预测Stargardt疾病进展的有效方法	Stargardt疾病患者的视网膜层变化	数字病理学	Stargardt病	SD-OCT	集成深度学习神经网络	图像	涉及多个视网膜层的图像数据
1610	2024-08-04	Two complementary AI approaches for predicting UMLS semantic group assignment: heuristic reasoning and deep learning 2023-11-17, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocad152 PMID:37528056	研究论文	该研究使用启发式和深度学习方法预测UMLS语义组分配	提出了结合启发式和深度学习的混合方法以提高UMLS语义组预测的准确性	研究未提及可能的适用性限制	研究的目的是提高新UMLS原子的语义组分配准确率	新UMLS Metathesaurus原子	自然语言处理	NA	深度学习	全连接多层神经网络	文本	1,563,692个新未见原子
1611	2024-08-04	Assisted annotation in Deep LOGISMOS: Simultaneous multi-compartment 3D MRI segmentation of calf muscles 2023-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.16284 PMID:36750977	研究论文	本文提出了一种结合深度学习和图优化的辅助注释新方法，用于3D下肢肌肉分割。	创新点在于在辅助注释的范式下结合了深度学习和图优化，以降低标注成本并提高分割精度。	样本数量虽然庞大，但仍然可能影响结果的普适性。	研究旨在提高3D MR图像中小腿肌肉分割的自动化程度和准确性。	研究对象为93名参与者的350张下肢T1加权MR图像。	数字病理	肌肉疾病	深度学习	卷积神经网络	图像	93名参与者的350张MR图像
1612	2024-08-04	Deep Learning-Generated Synthetic MR Imaging STIR Spine Images Are Superior in Image Quality and Diagnostically Equivalent to Conventional STIR: A Multicenter, Multireader Trial 2023-08, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A7920 PMID:37414452	研究论文	本研究评估了合成STIR脊柱MR影像与获取的STIR影像的性能	使用深度学习生成的合成STIR影像在图像质量上显著优于传统STIR影像	文中未详细讨论合成影像在所有潜在病理情况下的适用性	探讨合成STIR脊柱MR影像的诊断等效性与图像质量	328个临床病例中的110个脊柱MR影像，涉及93名患者	医学成像	NA	深度学习图像重建	NA	影像	110个脊柱MR影像研究，93名患者
1613	2024-08-04	Artificial Intelligence Model Trained with Sparse Data to Detect Facial and Cranial Bone Fractures from Head CT 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00829-6 PMID:37095310	研究论文	提出一种深度学习系统，自动检测颅骨和面部骨折。	本研究首次结合YOLOv4和改进的ResUNet实现完整的骨折检测和分割。	缺乏对面部骨折的自动检测研究和相应的验证数据。	研究旨在开发一个能够自动检测头部CT图像中颅骨和面部骨折的深度学习系统。	主要研究对象为接受头部创伤的患者的头部CT影像。	计算机视觉	NA	深度学习	YOLOv4，ResUNet++	图像	共分析1,447个头部CT研究（共16,985张图像），测试192个头部CT研究（共5,890张图像）
1614	2024-08-04	Application of Deep Learning-Based Denoising Technique for Radiation Dose Reduction in Dynamic Abdominal CT: Comparison with Standard-Dose CT Using Hybrid Iterative Reconstruction Method 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00808-x PMID:36944812	研究论文	本文评估基于深度学习的去噪算法在降低腹部CT辐射剂量中的应用效果	首次将深度学习去噪算法与减少30%的辐射剂量相结合进行比较	仅限于腹部CT影像的评估，结果可能不适用于其他类型的CT	评估深度学习去噪算法在腹部CT中的图像质量与辐射剂量减少的关系	50名接受标准剂量腹部CT的患者和50名接受降低剂量腹部CT的患者	数字病理学	NA	深度学习去噪（DLD）	NA	图像	100例患者（50例标准剂量，50例减少剂量）
1615	2024-08-04	Genetic Susceptibility to Atrial Fibrillation Identified via Deep Learning of 12-Lead Electrocardiograms 2023-08, Circulation. Genomic and precision medicine DOI:10.1161/CIRCGEN.122.003808 PMID:37278238	研究论文	本文探讨了利用12导联心电图的人工智能模型预测房颤的遗传易感性	首次结合深度学习和基因组范围关联研究，揭示特定基因与房颤风险之间的关系	研究样本主要来自英国生物库，结果可能不适用于其他人群	研究心电图基础上的人工智能算法预测新发房颤的遗传基础	分析39,986名无房颤的UK Biobank参与者的心电图和遗传数据	数字病理学	房颤	人工智能算法 (AI), 心电图 (ECG)	深度学习模型	心电图数据	39,986名UK Biobank参与者
1616	2024-08-04	Machine learning driven index of tumor multinucleation correlates with survival and suppressed anti-tumor immunity in head and neck squamous cell carcinoma patients 2023-Aug, Oral oncology IF:4.0Q2 DOI:10.1016/j.oraloncology.2023.106459 PMID:37307602	研究论文	本研究通过机器学习方法识别肿瘤细胞多核化的生物特征，并与头颈鳞状细胞癌患者的生存率相关联	首次使用深度学习模型开发的多核化指数（MuNI）与头颈鳞状细胞癌患者的生存率和肿瘤免疫微环境之间的相关性	研究未深入探讨多核化与肿瘤免疫之间的机制	旨在明确头颈鳞状细胞癌患者肿瘤生物学特征与生存之间的关系	头颈鳞状细胞癌患者的肿瘤细胞	机器学习	头颈癌	深度学习	NA	图像	训练集来自机构的OPSCC队列，验证集为TCGA的头颈鳞状细胞癌患者数据
1617	2024-08-04	Deep imputation of missing values in time series health data: A review with benchmarking 2023-08, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2023.104440 PMID:37429511	综述	该文章评估了多变量时间序列数据中缺失值的深度插补方法	通过六个数据中心实验对深度插补方法进行了基准测试，展示了不同方法在时间序列健康数据集上的性能差异	缺失值评估受限于少数数据集、较低缺失率和完全随机缺失值类型	研究缺失值插补方法对数据质量和数据驱动预测模型的影响	五个时间序列健康数据集的缺失值插补	机器学习	NA	深度学习	NA	时间序列	五个健康数据集
1618	2024-08-04	Automatic Spine Segmentation and Parameter Measurement for Radiological Analysis of Whole-Spine Lateral Radiographs Using Deep Learning and Computer Vision 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00830-z PMID:37131065	研究论文	本文提出了一种结合深度学习和计算机视觉的全脊柱侧位X光片自动测量脊柱参数的流水线	该研究通过结合Mask R-CNN模型与计算机视觉算法，提出了一种自动测量脊柱参数的方法，克服了手动测量的局限性	虽然该方法显示出高精度，但可能在某些情况下仍受限于影像质量与个体差异	旨在提高脊柱侧位X光片的诊断与治疗计划的效率和准确性	使用1807张侧位X光片进行模型训练与验证	计算机视觉	脊柱疾病	深度学习	Mask R-CNN	图像	共使用1807张侧位X光片，训练集1607张，验证集200张
1619	2024-08-04	Deep-Stacked Convolutional Neural Networks for Brain Abnormality Classification Based on MRI Images 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00828-7 PMID:37145248	研究论文	本文介绍了一种基于深层堆叠卷积神经网络（Deep-Stacked CNN）用于脑部异常分类的自动诊断系统	提出了一种深层异构模型，通过堆叠泛化利用不同CNN分类器的优势，提升多类脑病分类的鲁棒性	在缺乏足够标注数据时，仍需面对医疗图像CNN分类器面临的标签不足和类别不平衡等挑战	提高脑部异常的自动诊断准确性	不同预训练CNN的组合以用于多类脑病的自动分类	计算机视觉	NA	卷积神经网络（CNN）	深层堆叠卷积神经网络（Deep-Stacked CNN）	MRI图像	NA
1620	2024-08-04	Multi-Modal Brain Tumor Data Completion Based on Reconstruction Consistency Loss 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00697-6 PMID:36856903	研究论文	提出了一种基于重建一致性损失的多模态脑肿瘤数据补全方法	引入了一种新型生成对抗网络框架RAGAN，并采用循环监督学习生成缺失的多模态脑MRI数据	虽未显著优于其他算法，但DICE值仅比现有最先进算法高出2%	解决多模态脑MRI数据中的缺失问题，以便提高脑肿瘤的分割和诊断效果	缺失的T1、T1ce和FLAIR模态数据	医学图像处理	脑肿瘤	生成对抗网络（GAN）	随机生成对抗网络（RAGAN）	图像	生成10,686条每个缺失模态的MRI数据