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
1	2024-12-12	Geometric Deep Learning for Unsupervised Registration of Diffusion Magnetic Resonance Images 2023-Jun, Information processing in medical imaging : proceedings of the ... conference DOI:10.1007/978-3-031-34048-2_43 PMID:38205236	研究论文	本文提出了首个端到端的基于几何深度学习的非刚性配准模型，用于扩散磁共振图像（dMRI）中的纤维方向分布场（fODF）	首次提出了一种基于几何深度学习的非刚性配准模型，能够对扩散MRI中的fODF进行无监督配准，并引入了新的可微分层用于局部雅可比估计和重定向	NA	开发一种快速且准确的非刚性配准算法，用于扩散磁共振图像	扩散磁共振图像中的纤维方向分布场（fODF）	计算机视觉	NA	扩散磁共振成像（dMRI）	几何深度学习模型	图像	NA
2	2024-12-11	Discovering small-molecule senolytics with deep neural networks 2023-Jun, Nature aging IF:17.0Q1 DOI:10.1038/s43587-023-00415-z PMID:37142829	研究论文	本文利用图神经网络筛选并预测了大量分子的衰老活性，发现了几种具有选择性靶向衰老细胞的药物	利用深度学习技术筛选出具有衰老活性的化合物，并发现了几种具有更好药物化学性质和选择性的新型衰老药物	实验仅在动物模型中验证了其中一种化合物的有效性，仍需进一步临床验证	发现具有衰老活性的新型小分子药物	衰老细胞及其相关疾病	机器学习	NA	图神经网络，分子对接模拟，时间分辨荧光能量转移实验	图神经网络	分子结构数据	2,352种化合物用于筛选，800,000多种分子用于预测，以及老年小鼠模型
3	2024-12-11	Label- and slide-free tissue histology using 3D epi-mode quantitative phase imaging and virtual H&E staining 2023-Jun-01, ArXiv PMID:37396611	研究论文	本文提出了一种结合3D定量相位成像技术和无监督生成对抗网络的方法，将未染色厚组织的相位图像转换为虚拟H&E染色图像	首次将3D定量相位成像技术与无监督生成对抗网络结合，实现了无需染色和载玻片的组织病理学分析	需要进一步验证该方法在不同类型组织和疾病中的适用性	开发一种无需染色和载玻片的组织病理学分析方法，以提高诊断效率和降低成本	小鼠肝脏、大鼠胶质肉瘤和人类胶质瘤的新鲜组织样本	数字病理学	NA	3D定量相位成像技术（qOBM）	生成对抗网络（GAN）	图像	小鼠肝脏、大鼠胶质肉瘤和人类胶质瘤的新鲜组织样本
4	2024-12-08	Deep-learning-assisted reconfigurable metasurface antenna for real-time holographic beam steering 2023-Jun, Nanophotonics (Berlin, Germany) DOI:10.1515/nanoph-2022-0789 PMID:39633750	研究论文	本文提出了一种基于深度学习的可重构超表面天线，能够实现实时全息波束转向	采用深度学习算法结合自动编码器和电磁散射方程，取代传统的迭代方法，实现了实时确定超原子状态	NA	开发一种能够实时控制超表面天线以实现全息波束转向的方法	可重构超表面天线及其在全息波束转向中的应用	计算机视觉	NA	深度学习	自动编码器	电磁散射数据	NA
5	2024-12-08	A deep neural network for general scattering matrix 2023-Jun, Nanophotonics (Berlin, Germany) DOI:10.1515/nanoph-2022-0770 PMID:39633768	研究论文	本文开发了一种深度神经网络（DNN），能够快速计算非对称散射体的散射矩阵	提出的DNN计算速度比有限元求解器快数千倍，并且自动满足能量守恒、时间反转和互易性等基本物理原理	NA	提出一种利用深度学习解决散射问题的高效方法	非对称散射体的散射矩阵	机器学习	NA	深度神经网络（DNN）	深度神经网络（DNN）	散射矩阵	NA
6	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
7	2024-10-30	Employing Deep Learning Model to Evaluate Speech Information in Acoustic Simulations of Auditory Implants 2023-Jun-29, Research square DOI:10.21203/rs.3.rs-3085032/v1 PMID:37461629	研究论文	本文提出了一种利用深度学习模型评估听觉植入设备声学模拟中语音信息的新方法	本文创新性地使用深度学习语音识别模型替代实际人类参与者进行听觉植入设备的声学模拟，显著提高了模拟效率并降低了成本	本文未详细讨论深度学习模型在极端条件下的表现，以及模型与真实人类感知之间的细微差异	旨在开发一种高效且准确的听觉植入设备声学模拟评估方法	听觉植入设备的声学模拟及其对语音感知的影响	机器学习	NA	深度学习	深度学习模型	语音	NA
8	2024-10-20	MCP-Net: Introducing Patlak Loss Optimization to Whole-body Dynamic PET Inter-frame Motion Correction 2023-Jun-27, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3290003 PMID:37368811	研究论文	提出了一种集成Patlak损失优化的神经网络框架MCP-Net，用于全身动态PET图像的帧间运动校正	直接减少Patlak拟合误差，并结合了功能信息，提高了模型的性能和泛化能力	NA	改进全身动态PET图像的帧间运动校正，提高参数成像的准确性	全身动态PET图像的帧间运动校正	计算机视觉	NA	动态正电子发射断层扫描（PET）	神经网络	图像	NA
9	2024-10-15	A bibliometric analysis of worldwide cancer research using machine learning methods 2023-Jun, Cancer innovation DOI:10.1002/cai2.68 PMID:38089405	研究论文	本文通过文献计量分析方法，研究了2011年至2021年间使用机器学习方法进行癌症研究的全球趋势和热点	本文首次对全球范围内使用机器学习方法进行癌症研究的文献进行了全面的文献计量分析，揭示了该领域的研究热点和发展趋势	本文仅基于PubMed数据库中的6206篇文献进行分析，可能未能涵盖所有相关研究	分析全球范围内使用机器学习方法进行癌症研究的最新研究现状、主要研究主题、主题演变、研究合作和潜在研究方向	2011年至2021年间PubMed数据库中收集的6206篇关于使用机器学习方法进行癌症研究的文献	机器学习	癌症	文献计量分析	Latent Dirichlet Allocation	文本	6206篇文献
10	2024-10-08	DrugEx: Deep Learning Models and Tools for Exploration of Drug-Like Chemical Space 2023-06-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00434 PMID:37272707	研究论文	介绍了一个名为DrugEx的开源软件包，用于多目标强化学习，以探索药物样化学空间	整合并重新设计了先前DrugEx论文中的脚本，包括多种生成器架构、多种评分工具和多目标优化方法，提供了一个灵活的应用编程接口和图形用户界面GenUI	NA	开发一个用户友好且易于定制的药物设计工具	药物样化学空间中的新分子发现	机器学习	NA	多目标强化学习	多种生成器架构	NA	NA
11	2024-10-02	Real-time face mask position recognition system based on MobileNet model 2023-Jun, Smart health (Amsterdam, Netherlands) DOI:10.1016/j.smhl.2023.100382 PMID:36743719	研究论文	本文开发并评估了一个基于MobileNet模型的实时口罩佩戴位置识别系统	提出了通过微调预训练的MobileNet模型来实现高精度的口罩佩戴位置识别，并开发了一个实时系统	未提及	开发一个能够自动识别口罩佩戴位置的系统，以确保人们在公共场所正确佩戴口罩	口罩佩戴位置的识别	计算机视觉	NA	深度学习	MobileNet	图像	391名不同年龄和性别的个体
12	2024-10-01	Deep learning for deterioration prediction of COVID-19 patients based on time-series of three vital signs 2023-06-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-37013-3 PMID:37339986	研究论文	研究开发并比较了两种预测COVID-19患者恶化的模型，基于时间序列的三种生命体征数据	提出了基于最少数据（如生命体征）的恶化预测模型，适用于远程医疗解决方案	研究仅限于特定数据集和特定时间段内的恶化预测	开发和评估基于最少数据的COVID-19患者恶化预测模型	COVID-19患者的生命体征数据和基本患者信息	机器学习	COVID-19	NA	LSTM和TCN	时间序列数据	37,006名COVID-19患者
13	2024-10-01	Developing an Artificial Intelligence-Based Representation of a Virtual Patient Model for Real-Time Diagnosis of Acute Respiratory Distress Syndrome 2023-Jun-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13122098 PMID:37370993	研究论文	本文开发了一种基于深度学习的虚拟患者模型，用于实时诊断急性呼吸窘迫综合征	利用深度学习技术开发了一个轻量级的虚拟患者模型，与原始模拟器相比具有相当的准确性	NA	开发一种基于人工智能的虚拟患者模型，用于实时诊断急性呼吸窘迫综合征	急性呼吸窘迫综合征的诊断和治疗	机器学习	急性呼吸窘迫综合征	深度学习	深度学习模型	虚拟患者数据	NA
14	2024-10-01	Ensemble Deep Learning Derived from Transfer Learning for Classification of COVID-19 Patients on Hybrid Deep-Learning-Based Lung Segmentation: A Data Augmentation and Balancing Framework 2023-Jun-02, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13111954 PMID:37296806	研究论文	本文研究了基于迁移学习的集成深度学习在混合深度学习肺部分割框架下对COVID-19患者分类的应用	本文提出了一种集成深度学习方法，通过数据增强和平衡框架，验证了其在COVID-19分类中的优越性	NA	验证集成深度学习在COVID-19分类中的优越性	COVID-19患者的肺部CT图像分类	计算机视觉	COVID-19	深度学习	ResNet-UNet	图像	12,000张CT切片，来自克罗地亚和意大利的多中心数据集
15	2024-10-01	Brain Tumor Classification based on Improved Stacked Ensemble Deep Learning Methods 2023-Jun-01, Asian Pacific journal of cancer prevention : APJCP DOI:10.31557/APJCP.2023.24.6.2141 PMID:37378946	研究论文	本文研究了基于改进的堆叠集成深度学习方法的脑肿瘤分类	提出了改进的堆叠集成深度学习模型，结合了VGG19、Inception v3和Resnet 10三种模型，提高了分类准确率	NA	提高脑肿瘤分类的准确性，辅助放射科医生和其他医疗专业人员进行脑肿瘤的识别和分类	脑肿瘤的分类	机器学习	脑肿瘤	堆叠集成深度学习技术	CNN	图像	数据集来自Kaggle，包含异常和正常脑部的两类数据
16	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
17	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）
18	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
19	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
20	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