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
21	2024-10-28	R-Mixup: Riemannian Mixup for Biological Networks 2023-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining DOI:10.1145/3580305.3599483 PMID:38343707	研究论文	本文提出了一种基于黎曼流形的混合数据增强技术R-Mixup，用于处理生物网络中的高维度和低样本量问题	R-Mixup利用对数欧几里得距离度量，解决了传统Mixup方法在处理生物网络邻接矩阵时的局限性	NA	解决生物网络中深度学习模型过拟合问题	生物网络及其邻接矩阵	机器学习	NA	R-Mixup	NA	生物网络数据	五个真实世界生物网络数据集
22	2024-10-16	Enhancing corrosion-resistant alloy design through natural language processing and deep learning 2023-Aug-11, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adg7992 PMID:37566657	研究论文	本文提出了一种结合自然语言处理和深度学习的方法，用于增强耐腐蚀合金设计的机器能力	开发了一种全自动的自然语言处理方法，将文本数据转换为深度神经网络可兼容的形式，显著提高了点蚀电位预测的准确性	NA	增强机器在耐腐蚀合金设计中的能力	耐腐蚀合金的点蚀电位预测	自然语言处理	NA	深度学习	深度神经网络	文本数据	NA
23	2024-10-16	Tumor detection under cystoscopy with transformer-augmented deep learning algorithm 2023-08-07, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ace499 PMID:37548023	研究论文	开发了一种基于变压器增强的深度学习算法，用于在白光膀胱镜（WLC）下准确检测膀胱肿瘤	引入了变压器增强的深度学习算法，通过自注意力机制和特征金字塔网络（FPN）的多尺度激活图，提高了肿瘤检测的准确性	NA	开发一种成本效益高、基于变压器增强的深度学习算法，用于在WLC下准确检测膀胱肿瘤，并评估其在患者数据上的性能	膀胱肿瘤的检测	计算机视觉	膀胱癌	深度学习	变压器增强的卷积神经网络（CNN）	图像	训练集包含510帧WLC图像，来自54名患者；测试集包含101帧WLC图像，来自13名患者
24	2024-10-13	Unsupervised representation learning improves genomic discovery and risk prediction for respiratory and circulatory functions and diseases 2023-Aug-29, medRxiv : the preprint server for health sciences DOI:10.1101/2023.04.28.23289285 PMID:37163049	研究论文	介绍了一种基于深度学习的框架REGLE，用于发现基因变异与高维临床数据之间的关联，并应用于呼吸和循环系统疾病的基因发现和风险预测	提出了REGLE框架，使用卷积变分自编码器计算数据的高可遗传性个体成分，并能生成准确的疾病特异性多基因风险评分	NA	利用高维临床数据进行基因发现和风险预测	呼吸和循环系统的功能和疾病	机器学习	呼吸系统疾病	卷积变分自编码器	卷积变分自编码器	高维临床数据	NA
25	2024-10-13	Video reconstruction from a single motion blurred image using learned dynamic phase coding 2023-Aug-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-40297-0 PMID:37604842	研究论文	本文提出了一种混合光学-数字方法，通过在镜头光圈中使用学习到的动态相位编码来从单张运动模糊图像重建视频	本文的创新点在于提出了一种混合光学-数字方法，通过在图像采集过程中使用学习到的动态相位编码来编码运动轨迹，从而克服了传统数字方法的方向模糊性和噪声敏感性问题	本文的局限性在于需要对现有光学系统进行简单修改，并且依赖于图像到视频卷积神经网络	本文的研究目的是通过简单的光学系统修改，从单张运动模糊图像中重建视频，以增强现有相机的功能	本文的研究对象是运动模糊图像和视频重建	计算机视觉	NA	卷积神经网络	卷积神经网络	图像	NA
26	2024-10-13	Convolutional neural network-based vocal cord tumor classification technique for home-based self-prescreening purpose 2023-Aug-18, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-023-01139-2 PMID:37596652	研究论文	本文提出了一种基于卷积神经网络的声带肿瘤分类技术，用于家庭自我筛查	本文创新性地提出了一个深度学习技术，能够同时检测声带良性肿瘤的可疑位置并分类肿瘤类型	实验结果表明，不同肿瘤类型的最低假阴性率模型不同，且嵌入式操作的Yolo V4模型与计算机操作的Yolo V4模型在F1-score上略有差异	研究目的是开发一种用于家庭自我筛查的声带肿瘤早期检测技术	研究对象是声带肿瘤，包括囊肿、肉芽肿、白斑、结节和息肉	计算机视觉	NA	卷积神经网络	CNN	图像	2183张喉镜图像
27	2024-10-13	A deep learning method for replicate-based analysis of chromosome conformation contacts using Siamese neural networks 2023-08-17, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-40547-9 PMID:37591842	研究论文	本文介绍了一种基于深度学习的复制分析方法，用于分析染色体构象接触图，使用孪生神经网络区分技术噪声和生物变异	本文提出了一种基于孪生神经网络的深度学习方法，能够从染色体构象接触图中区分技术噪声和生物变异，并优于传统的图像相似度度量方法	NA	开发一种新的方法来分析染色体构象捕获数据，以揭示生物学上有意义的特征	染色体构象捕获数据，如Hi-C和Micro-C	机器学习	NA	深度学习	孪生神经网络	图像	涉及多种生物系统的Hi-C图谱
28	2024-10-13	Two sequence- and two structure-based ML models have learned different aspects of protein biochemistry 2023-08-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-40247-w PMID:37587128	研究论文	本文比较了两种基于序列和两种基于结构的机器学习模型在蛋白质生物化学预测中的表现	发现不同类型的模型在预测特定氨基酸类型时具有不同的优势，并提出了一种结合多个模型预测的组合模型，显著提高了整体预测准确性	未详细讨论模型在不同蛋白质类型或复杂突变情况下的表现	系统比较基于序列和基于结构的模型在蛋白质突变预测中的差异，并探讨其对蛋白质生物化学理解的贡献	两种基于序列的大型语言模型和两种基于结构的3D卷积神经网络	机器学习	NA	NA	大型语言模型（LLM）和3D卷积神经网络（CNN）	蛋白质序列和局部蛋白质结构的体素化表示	NA
29	2024-10-13	Universal linear intensity transformations using spatially incoherent diffractive processors 2023-Aug-15, Light, science & applications DOI:10.1038/s41377-023-01234-y PMID:37582771	研究论文	本文报道了一种空间非相干衍射光学处理器的设计，能够在时间平均强度下近似任意线性变换	本文首次设计了空间非相干衍射光学处理器，能够在非相干光下实现任意线性强度变换，并展示了其在多波长下的线性处理能力以及手写数字的全光学分类	本文主要通过数值模拟和深度学习进行验证，实际应用中的性能和稳定性需要进一步实验验证	研究如何在空间非相干光下设计衍射光学处理器，以实现任意线性强度变换	空间非相干衍射光学处理器及其在多波长下的线性处理能力和手写数字分类	计算机视觉	NA	衍射光学网络	深度学习	图像	NA
30	2024-10-13	Deep transfer learning for inter-chain contact predictions of transmembrane protein complexes 2023-08-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-40426-3 PMID:37582780	研究论文	本文开发了一种深度迁移学习方法DeepTMP，用于预测跨膜蛋白复合物的链间接触	利用非跨膜蛋白的大数据集进行预训练，结合几何三角感知模块捕捉链间相互作用	NA	提高跨膜蛋白复合物链间接触预测的准确性和鲁棒性	跨膜蛋白复合物的链间接触	机器学习	NA	深度迁移学习	DeepTMP	蛋白质数据	52个自结合跨膜蛋白复合物
31	2024-10-12	Towards in silico CLIP-seq: predicting protein-RNA interaction via sequence-to-signal learning 2023-08-04, Genome biology IF:10.1Q1 DOI:10.1186/s13059-023-03015-7 PMID:37542318	研究论文	本文介绍了一种名为RBPNet的新型深度学习方法，用于预测RNA序列在单核苷酸分辨率下的CLIP-seq交联计数分布	RBPNet通过训练多达百万个区域，在eCLIP、iCLIP和miCLIP测定中实现了高泛化能力，并超越了现有最先进的分类器	NA	开发一种能够预测蛋白质-RNA相互作用的深度学习方法	RNA序列及其与蛋白质的交联计数分布	机器学习	NA	深度学习	深度学习模型	序列数据	多达百万个区域
32	2024-10-12	Boosting variant-calling performance with multi-platform sequencing data using Clair3-MP 2023-Aug-03, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-023-05434-6 PMID:37537536	研究论文	研究了利用多平台测序数据提升变异检测性能的方法	首次探讨了整合Oxford Nanopore和Illumina测序数据以优化变异检测性能的可能性	未详细讨论多平台数据整合的具体技术细节	探讨多平台测序数据对变异检测性能的影响	Oxford Nanopore和Illumina测序数据	基因组学	NA	第三代测序技术、下一代测序技术	深度学习模型	测序数据	未具体说明样本数量
33	2024-10-08	DeepAIR: A deep learning framework for effective integration of sequence and 3D structure to enable adaptive immune receptor analysis 2023-08-09, Science advances IF:11.7Q1 DOI:10.1126/sciadv.abo5128 PMID:37556545	研究论文	本文介绍了一种名为DeepAIR的深度学习框架，用于整合序列和3D结构特征，以准确预测适应性免疫受体（AIR）与抗原的结合	DeepAIR框架首次将序列和结构特征整合用于预测AIR-抗原结合，显著提高了预测准确性	NA	开发一种能够准确预测适应性免疫受体与抗原结合的深度学习框架	适应性免疫受体（AIR），包括T细胞受体（TCR）和B细胞受体（BCR）	机器学习	NA	深度学习	深度学习框架	序列和3D结构数据	使用了TCR和BCR的组合数据，具体样本数量未明确提及
34	2024-10-01	Classification of Food Additives Using UV Spectroscopy and One-Dimensional Convolutional Neural Network 2023-Aug-30, Sensors (Basel, Switzerland) DOI:10.3390/s23177517 PMID:37687972	研究论文	本文提出了一种基于紫外线吸收光谱和一维卷积神经网络的食品添加剂自动分类系统	利用紫外线吸收光谱和一维卷积神经网络进行食品添加剂的分类	仅限于五种食品添加剂的分类，且样本为简单或混合溶液	开发一种自动分类系统，用于识别不同食品添加剂	五种食品添加剂的紫外线吸收光谱	机器学习	NA	紫外线光谱	一维卷积神经网络	光谱数据	404个光谱样本
35	2024-10-01	Monitoring blood pressure and cardiac function without positioning via a deep learning-assisted strain sensor array 2023-08-11, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adh0615 PMID:37566652	研究论文	开发了一种基于柔性应变传感器阵列和深度学习神经网络的智能血压和心脏功能监测系统	利用柔性应变传感器阵列和深度学习模型，实现了无需精确位置的血压和心脏功能连续监测	NA	开发一种连续且可靠的血压和心脏功能监测系统，以诊断和预防心血管疾病	血压和心脏功能	机器学习	心血管疾病	深度学习	神经网络	脉搏波	NA
36	2024-10-01	Deep Transfer Learning with Enhanced Feature Fusion for Detection of Abnormalities in X-ray Images 2023-Aug-07, Cancers IF:4.5Q1 DOI:10.3390/cancers15154007 PMID:37568821	研究论文	本文提出了一种新的深度迁移学习方法，通过增强特征融合来检测X光图像中的异常	本文的创新点在于提出了一种新的迁移学习方法，通过在大量类似目标数据集的医学图像上预训练深度学习模型，并使用少量标注的医学图像进行微调，从而克服了传统迁移学习在ImageNet数据集上的局限性	本文的局限性在于其方法的适用性主要集中在医学X光图像分类任务上，尚未广泛应用于其他类型的医学图像	本文的研究目的是通过改进迁移学习方法，提高医学图像分类的准确性和泛化能力	本文的研究对象是医学X光图像中的肱骨和手腕分类任务	计算机视觉	NA	深度学习	CNN	图像	使用了MURA数据集中的大量医学X光图像进行预训练，并使用少量标注的医学图像进行微调
37	2024-10-01	Systematic review of automated sleep apnea detection based on physiological signal data using deep learning algorithm: a meta-analysis approach 2023-Aug, Biomedical engineering letters IF:3.2Q2 DOI:10.1007/s13534-023-00297-5 PMID:37519869	综述	本文综述了基于生理信号数据使用深度学习算法进行自动睡眠呼吸暂停检测的研究	本文首次对基于生理信号数据的深度学习算法在睡眠呼吸暂停检测中的应用进行了系统的元分析	本文仅限于对已发表文献的综述和分析，未进行新的实验或数据收集	分析和比较用于生理数据处理的深度学习算法在睡眠呼吸暂停检测中的主要特征	脉搏血氧饱和度、心电图、气流和声音信号等生理数据	机器学习	睡眠障碍	深度学习	NA	生理信号	47篇文献
38	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
39	2024-09-27	Novel Artificial Intelligence-Based Approaches for Ab Initio Structure Determination and Atomic Model Building for Cryo-Electron Microscopy 2023-Aug-27, Micromachines IF:3.0Q2 DOI:10.3390/mi14091674 PMID:37763837	综述	本文综述了基于人工智能的新方法在从头结构确定和原子模型构建中的应用	利用人工智能特别是深度学习技术，克服了传统图像处理方法无法解决的限制	仍存在一些限制，需要进一步发展	探讨人工智能在从头体积生成、异质性3D重建和原子模型构建中的应用	单颗粒冷冻电镜实验中的生物大分子结构	计算机视觉	NA	深度学习	NA	图像	NA
40	2024-09-27	Emerging Trends in Fast MRI Using Deep-Learning Reconstruction on Undersampled k-Space Data: A Systematic Review 2023-Aug-26, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10091012 PMID:37760114	综述	本文系统综述了利用深度学习重建欠采样k空间数据的快速MRI技术	本文整合了深度学习模型与欠采样方法，重新定义了快速MRI的最新技术	本文未提及具体的技术局限性	旨在分析深度MRI重建模型，强调近期提出方法的关键要素及其优缺点	快速MRI技术及其深度学习重建方法	计算机视觉	NA	深度学习	NA	图像	NA