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
41	2024-09-17	Pure Isotropic Proton NMR Spectra in Solids using Deep Learning 2023-Feb-13, Angewandte Chemie (International ed. in English) DOI:10.1002/anie.202216607 PMID:36562545	研究论文	本文介绍了一种利用深度学习方法从二维魔角旋转谱中提取纯各向同性质子核磁共振谱的技术	提出了一种新的深度学习方法，能够从魔角旋转谱中提取高分辨率的纯各向同性质子核磁共振谱	该方法仅在8种有机固体上进行了验证	提高固体状态下质子核磁共振谱的分辨率	有机固体的质子核磁共振谱	机器学习	NA	核磁共振谱	深度学习模型	谱数据	8种有机固体
42	2024-09-17	MOFormer: Self-Supervised Transformer Model for Metal-Organic Framework Property Prediction 2023-Feb-08, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.2c11420 PMID:36706365	研究论文	提出了一种基于Transformer模型的自监督学习方法MOFormer，用于金属有机框架（MOFs）的性质预测	MOFormer采用文本字符串表示MOF（MOFid）作为输入，避免了获取MOF的3D结构，加速了筛选过程，并通过自监督学习框架预训练模型，提高了预测准确性	NA	开发一种高效的深度学习方法，用于金属有机框架的性质预测	金属有机框架（MOFs）及其性质预测	机器学习	NA	Transformer模型	Transformer	文本	超过40万公开的MOF数据
43	2024-09-17	Comparison of deep learning-based denoising methods in cardiac SPECT 2023-Feb-08, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-023-00531-0 PMID:36752847	研究论文	本文比较了几种基于深度学习的去噪方法在心脏SPECT图像中的应用效果	本文首次系统比较了多种深度学习去噪模型在心脏SPECT图像中的去噪效果和缺陷检测性能	cGAN在去噪效果最佳的同时，缺陷检测性能最差	研究不同深度学习去噪模型在心脏SPECT图像中的去噪效果和缺陷检测性能差异	心脏SPECT图像的去噪效果和缺陷检测性能	计算机视觉	心血管疾病	深度学习	CNN, RES, UNET, cGAN	图像	使用全时间、半时间、三八分之一时间和四分之一时间采集的MPS研究数据进行训练和测试
44	2024-09-17	Multi-scale, domain knowledge-guided attention + random forest: a two-stage deep learning-based multi-scale guided attention models to diagnose idiopathic pulmonary fibrosis from computed tomography images 2023-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.16053 PMID:36254789	研究论文	本文提出了一种基于深度学习的多尺度引导注意力模型，结合随机森林分类器，用于从CT图像中诊断特发性肺纤维化	本文的创新点在于提出了一个两阶段模型，第一阶段使用多尺度、领域知识引导的注意力模型，第二阶段使用随机森林分类器，以提高模型的准确性和可解释性	本文的局限性在于仅使用了349名IPF患者和529名非IPF的ILD患者的CT扫描数据，样本量相对较小	本文的研究目的是开发一种基于深度学习的自动化系统，用于从CT扫描图像中诊断特发性肺纤维化	本文的研究对象是特发性肺纤维化患者和间质性肺疾病患者	计算机视觉	肺病	深度学习	多尺度引导注意力模型 + 随机森林	图像	349名IPF患者和529名非IPF的ILD患者
45	2024-09-17	BrainGB: A Benchmark for Brain Network Analysis With Graph Neural Networks 2023-02, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2022.3218745 PMID:36318557	研究论文	本文介绍了BrainGB，一个用于脑网络分析的图神经网络基准	首次系统研究如何设计有效的图神经网络用于脑网络分析，并提供了一个标准化流程和模块化实现	NA	填补图神经网络在脑网络分析中缺乏系统研究的空白	脑网络分析中的图神经网络设计	计算机视觉	NA	图神经网络 (GNN)	图神经网络 (GNN)	脑网络数据	跨群体和模态的数据集
46	2024-09-16	Sample Size Analysis for Machine Learning Clinical Validation Studies 2023-Feb-23, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines11030685 PMID:36979665	研究论文	本文介绍了一种用于机器学习临床验证研究的样本量分析方法	提出了一个开源工具SSAML，用于确定机器学习模型临床验证研究的样本量估计	NA	开发一种标准工具，用于确定机器学习模型临床验证研究的样本量估计	机器学习模型的临床验证研究	机器学习	NA	NA	NA	NA	在三个已发表的模型中进行了测试，包括脑龄预测死亡率、COVID住院风险预测和癫痫风险预测
47	2024-09-16	Deep learning enabled multi-organ segmentation of mouse embryos 2023-02-15, Biology open IF:1.8Q3 DOI:10.1242/bio.059698 PMID:36802342	研究论文	本文介绍了一种基于深度学习的开源工具MEMOS，用于小鼠胚胎的多器官分割	开发了一种名为MEMOS的工具，能够在单个应用程序中估计50个解剖结构的分割，并支持手动审查、编辑和分析	NA	开发一种易于使用的工具，减少小鼠胚胎图像分割所需的计算资源和人力	小鼠胚胎的多器官分割	计算机视觉	NA	深度学习	NA	3D图像	涉及Cbx4敲除小鼠品系
48	2024-09-15	Deep Learning Algorithms with LIME and Similarity Distance Analysis on COVID-19 Chest X-ray Dataset 2023-02-28, International journal of environmental research and public health DOI:10.3390/ijerph20054330 PMID:36901338	研究论文	本研究利用深度学习算法结合LIME和相似性距离分析，对COVID-19胸部X光数据集进行分析	本研究创新性地使用LIME解释模型，并通过U-Net分割技术去除非肺部区域，以提高分类器的准确性，同时引入相似性分析来识别异常值并提供客观的置信度参考	本研究未详细讨论低准确性子空间的改进方法	研究如何通过深度学习算法提高COVID-19胸部X光图像的分类准确性	COVID-19患者的胸部X光图像	计算机视觉	COVID-19	深度学习算法	U-Net	图像	未明确提及具体样本数量
49	2024-09-15	NOVEL APPROACH EXPLAINS SPATIO-SPECTRAL INTERACTIONS IN RAW ELECTROENCEPHALOGRAM DEEP LEARNING CLASSIFIERS 2023-Feb-27, bioRxiv : the preprint server for biology DOI:10.1101/2023.02.26.530118 PMID:36909628	研究论文	本文提出了一种新的方法，用于解释静息态脑电图（rs-EEG）深度学习分类器中的空间-频谱相互作用	首次结合梯度和基于扰动的方法，揭示了rs-EEG深度学习分类器中的空间-频谱相互作用	NA	研究深度学习方法在静息态脑电图分类中的可解释性	静息态脑电图数据和深度学习分类器	机器学习	NA	深度学习	深度学习分类器	脑电图数据	NA
50	2024-09-15	A Comparative Study of Automated Deep Learning Segmentation Models for Prostate MRI 2023-Feb-25, Cancers IF:4.5Q1 DOI:10.3390/cancers15051467 PMID:36900261	研究论文	本文比较了用于前列腺MRI自动深度学习分割模型的性能	提出了使用对象检测器作为预处理步骤来辅助分割过程的新方法	模型在交叉验证中的表现较差，尽管在外部测试集上泛化能力更好	改进和开发新的临床辅助系统以帮助及时检测和治疗前列腺癌	前列腺腺体和区域的分割模型	计算机视觉	前列腺癌	深度学习	nnU-Net	MRI图像	两个公共数据集，一个用于交叉验证，另一个用于外部测试
51	2024-09-15	Application of simultaneous uncertainty quantification for image segmentation with probabilistic deep learning: Performance benchmarking of oropharyngeal cancer target delineation as a use-case 2023-Feb-24, medRxiv : the preprint server for health sciences DOI:10.1101/2023.02.20.23286188 PMID:36865296	研究论文	本文研究了使用概率深度学习模型进行图像分割的不确定性量化，并以口咽癌目标勾画为用例进行了性能基准测试	本文首次系统地研究并比较了多种不确定性自动估计方法在口咽癌目标勾画中的应用	本文仅使用了公开的2021 HECKTOR Challenge训练数据集进行模型开发和验证，未来需要更多数据集进行进一步验证	提高临床医生对口咽癌放射治疗计划中自动分割结果的信任度，促进不确定性量化在临床中的广泛应用	口咽癌患者的PET/CT扫描图像及其对应的主要原发肿瘤体积（GTVp）分割	计算机视觉	口咽癌	概率深度学习	MC Dropout Ensemble, Deep Ensemble	图像	开发集包含224例口咽癌患者的PET/CT扫描图像，验证集包含67例口咽癌患者的PET/CT扫描图像
52	2024-09-15	Hepatocellular Carcinoma Recognition from Ultrasound Images Using Combinations of Conventional and Deep Learning Techniques 2023-Feb-24, Sensors (Basel, Switzerland) DOI:10.3390/s23052520 PMID:36904722	研究论文	本文研究了从超声图像中识别肝细胞癌的方法，结合了传统和深度学习技术	本文创新性地将传统方法与卷积神经网络技术结合，在分类器层面进行组合，显著提高了识别准确率	NA	开发一种非侵入性、基于医学图像的肝细胞癌自动诊断方法	肝细胞癌的超声图像	计算机视觉	肝癌	卷积神经网络、堆叠去噪自编码器、广义共生矩阵	卷积神经网络	图像	两个数据集，使用不同的超声设备采集
53	2024-09-15	Attention Deep Feature Extraction from Brain MRIs in Explainable Mode: DGXAINet 2023-Feb-23, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13050859 PMID:36900004	研究论文	本文提出了一种基于可解释人工智能（XAI）的深度学习模型DGXAINet，用于从脑部MRI图像中提取特征并诊断脑肿瘤	本文创新性地结合了DenseNet201和GradCAM进行特征提取和可视化，并使用INCA特征选择器和支持向量机（SVM）进行分类，显著提高了脑肿瘤检测的准确性	NA	旨在利用可解释人工智能方法更快更准确地诊断脑肿瘤	脑部MRI图像中的脑肿瘤	计算机视觉	脑肿瘤	深度学习	DenseNet201	图像	两个数据集：四类kaggle脑肿瘤数据集（Dataset I）和三类figshare脑肿瘤数据集（Dataset II）
54	2024-09-15	Towards Automation in IVF: Pre-Clinical Validation of a Deep Learning-Based Embryo Grading System during PGT-A Cycles 2023-Feb-23, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm12051806 PMID:36902592	研究论文	本文介绍了基于深度学习的胚胎分级系统iDAScore v1.0在PGT-A周期中的预临床验证	提出了基于3D卷积神经网络的深度学习模型iDAScore v1.0，用于自动化胚胎分级，减少人工干预	AUC值较低，临床价值需通过随机对照试验进一步评估	验证基于深度学习的胚胎分级系统在PGT-A周期中的有效性	3604个囊胚和808个整倍体移植	机器学习	NA	深度学习	3D卷积神经网络	视频	3604个囊胚，808个整倍体移植，1232个周期
55	2024-09-15	ConMLP: MLP-Based Self-Supervised Contrastive Learning for Skeleton Data Analysis and Action Recognition 2023-Feb-22, Sensors (Basel, Switzerland) DOI:10.3390/s23052452 PMID:36904656	研究论文	提出了一种基于多层感知机（MLP）的自监督对比学习框架ConMLP，用于骨骼数据分析和动作识别	ConMLP框架不需要大量的计算资源，能够有效减少计算资源的消耗，并且对未标记的训练数据友好	NA	解决传统深度学习方法在动作识别中的复杂性、对标签的依赖性以及不利于实时应用的问题	骨骼数据和动作识别	计算机视觉	NA	自监督对比学习	多层感知机（MLP）	骨骼序列	NTU RGB+D数据集
56	2024-09-15	Application of Artificial Intelligence Techniques for Monkeypox: A Systematic Review 2023-Feb-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13050824 PMID:36899968	综述	本文系统回顾了近期利用人工智能技术进行猴痘相关研究的文献	本文首次系统性地总结了人工智能在猴痘诊断、流行病学建模、药物和疫苗发现以及媒体风险管理中的应用	本文仅限于对现有研究的回顾，未进行新的实验或模型开发	总结和评估人工智能技术在猴痘相关研究中的应用	猴痘病毒及其在人类中的传播和症状	机器学习	传染病	人工智能	NA	NA	34项研究
57	2024-09-15	Deep Learning Dynamic Allostery of G-Protein-Coupled Receptors 2023-Feb-20, Research square DOI:10.21203/rs.3.rs-2543463/v1 PMID:36865316	研究论文	本文利用高斯加速分子动力学（GaMD）、深度学习（DL）和自由能轮廓工作流程（GLOW）系统地映射了G蛋白偶联受体（GPCRs）在结合变构调节剂后的自由能景观动态变化	首次通过深度学习和自由能计算揭示了GPCRs在结合变构调节剂后的构象空间显著减少，并发现了变构调节剂对GPCRs信号传导的特定构象限制	研究主要基于计算模型和模拟数据，缺乏实验验证	揭示G蛋白偶联受体（GPCRs）的动态变构调节机制，为设计选择性变构药物提供理论支持	G蛋白偶联受体（GPCRs）及其变构调节剂	机器学习	NA	高斯加速分子动力学（GaMD）	深度学习（DL）	结构数据	18个高分辨率实验结构，44个GPCR系统，总模拟时间66微秒
58	2024-09-15	CAPLA: improved prediction of protein-ligand binding affinity by a deep learning approach based on a cross-attention mechanism 2023-02-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btad049 PMID:36688724	研究论文	本文提出了一种基于交叉注意力机制的深度学习方法CAPLA，用于改进蛋白质-配体结合亲和力的预测	CAPLA通过交叉注意力机制捕捉蛋白质结合口袋和配体之间的相互作用，从而提高了结合亲和力的预测准确性	NA	提高蛋白质-配体结合亲和力的预测准确性	蛋白质结合口袋和配体的序列信息	机器学习	NA	深度学习	交叉注意力机制	序列	NA
59	2024-09-15	Non-invasive classification of IDH mutation status of gliomas from multi-modal MRI using a 3D convolutional neural network 2023-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2651391 PMID:39257452	研究论文	本文提出了一种基于深度学习的方法，利用3D卷积神经网络从多模态MRI图像中非侵入性地分类胶质瘤的IDH突变状态	本文创新性地提出了一个基于3D Mask R-CNN的方法，能够同时检测、分割胶质瘤并分类其IDH状态，无需单独的肿瘤分割步骤	本文的模型在公开数据集上进行了训练和测试，但未提及在实际临床环境中的应用效果	开发一种非侵入性的方法，通过多模态MRI图像预先确定胶质瘤的IDH状态，以辅助治疗计划和提高患者生存率	胶质瘤的IDH突变状态	计算机视觉	脑肿瘤	3D卷积神经网络	3D Mask R-CNN	MRI图像	训练集包含223个病例，测试集包含来自TCGA的62个病例和来自WUSM的261个病例
60	2024-09-15	Deep learning-based end-to-end scan-type classification, pre-processing, and segmentation of clinical neuro-oncology studies 2023-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2647656 PMID:39263425	研究论文	本文提出了一种基于深度学习的端到端框架，用于分类、预处理和分割临床神经肿瘤学研究中的MRI数据	该框架能够自动化处理多模态的原始神经肿瘤学MRI数据，并生成定量的肿瘤测量结果，采用专家参与的循环方法，允许放射科医生手动修正分割结果	该研究仅在回顾性胶质瘤数据集上进行了验证，未来需要在更多类型的肿瘤数据上进行测试	开发一种自动化工具，用于处理和分析神经肿瘤学中的MRI数据，以提高临床和研究工作流程的效率	神经肿瘤学中的MRI数据，包括扫描类型分类、数据预处理和肿瘤组织亚型的分割	计算机视觉	脑肿瘤	卷积神经网络	CNN	图像	155例经病理学证实的胶质瘤患者的术前MRI扫描