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	2024-09-25	Localization Free Super-Resolution Microbubble Velocimetry Using a Long Short-Term Memory Neural Network 2023-08, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3251197 PMID:37028074	研究论文	介绍了一种基于长短期记忆神经网络的无定位超分辨率微泡速度测量技术Deep-SMV	提出了一种新的无定位超分辨率微泡速度测量技术，能够直接输出超分辨率的血流速度测量结果，并具有高成像速度和对高浓度微泡的鲁棒性	NA	开发一种能够在高微泡浓度下进行超分辨率血流速度测量的新技术	微泡信号、血流速度、微循环结构	计算机视觉	NA	长短期记忆神经网络	LSTM	图像	包括流道模型、鸡胚绒毛尿囊膜和鼠脑成像等多种成像场景
42	2024-09-25	iCircDA-NEAE: Accelerated attribute network embedding and dynamic convolutional autoencoder for circRNA-disease associations prediction 2023-08, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011344 PMID:37651321	研究论文	提出了一种名为iCircDA-NEAE的新型深度学习模型，用于预测circRNA与疾病之间的关联	首次同时使用疾病语义相似性、高斯交互轮廓核、circRNA表达谱相似性和Jaccard相似性，并基于加速属性网络嵌入和动态卷积自编码器提取隐藏特征	现有方法在数据中未充分利用生物信息，且提取的特征不足以代表circRNA与疾病之间的关联特征	开发一种新的深度学习模型，以提高circRNA与疾病关联预测的准确性	circRNA与疾病之间的关联	机器学习	NA	深度学习	卷积神经网络	生物信息数据	circR2Disease数据集
43	2024-09-23	A ligand-receptor interactome atlas of the zebrafish 2023-Aug-18, iScience IF:4.6Q1 DOI:10.1016/j.isci.2023.107309 PMID:37539027	研究论文	本文构建了一个斑马鱼的配体-受体相互作用图谱，并提供了相关的R和Python脚本资源	本文的创新点在于结合了斑马鱼蛋白质组的物理相互作用数据和现有的人类配体-受体对数据库，构建了一个全面的斑马鱼配体-受体相互作用图谱	本文的局限性在于依赖于预测的细胞定位数据，可能存在一定的不确定性	本文的研究目的是填补斑马鱼蛋白质组注释的空白，揭示细胞间通信的功能，并识别新的靶向药物	本文的研究对象是斑马鱼的配体、受体及其相互作用网络	生物信息学	NA	深度学习算法	NA	蛋白质组数据	NA
44	2024-09-23	3D cine-magnetic resonance imaging using spatial and temporal implicit neural representation learning (STINR-MR) 2023-Aug-18, ArXiv PMID:37645038	研究论文	提出了一种基于机器学习的框架STINR-MR，用于从高度欠采样的数据中准确重建3D cine-MRI图像	STINR-MR通过联合重建和形变配准方法，解决了时空重建问题，并实现了高加速因子	NA	开发一种准确重建3D cine-MRI图像的机器学习框架	3D cine-MRI图像的重建	计算机视觉	NA	隐式神经表示学习	隐式神经表示网络	图像	使用4D扩展心脏-躯干(XCAT)数字幻影模拟数据和临床采集的健康人类受试者数据进行评估
45	2024-09-23	Whole genome deconvolution unveils Alzheimer's resilient epigenetic signature 2023-08-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-40611-4 PMID:37587197	研究论文	开发了一种名为Cellformer的深度学习方法，用于将批量ATAC-seq数据解卷积为细胞类型特异性表达，揭示了阿尔茨海默病中具有抗性的细胞类型特异性基因调控机制	提出了Cellformer方法，能够将批量ATAC-seq数据解卷积为细胞类型特异性表达，从而揭示阿尔茨海默病中的细胞类型特异性基因调控机制	NA	揭示阿尔茨海默病中具有抗性的细胞类型特异性基因调控机制	阿尔茨海默病中具有抗性的细胞类型特异性基因调控机制	机器学习	阿尔茨海默病	ATAC-seq	深度学习	基因组数据	191个来自3个脑区的批量样本
46	2024-09-23	Deep learning for obstructive sleep apnea diagnosis based on single channel oximetry 2023-08-12, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-40604-3 PMID:37573327	研究论文	本文开发并评估了一种基于单通道血氧仪信号的深度学习模型OxiNet，用于阻塞性睡眠呼吸暂停（OSA）的诊断	OxiNet模型在诊断OSA方面表现优异，漏诊率仅为0.2%，远低于最佳基准的21%	研究为回顾性研究，且未提及模型的泛化能力和长期性能	开发一种基于单通道血氧仪信号的深度学习模型，用于提高OSA的诊断准确性	阻塞性睡眠呼吸暂停（OSA）的诊断	机器学习	呼吸系统疾病	深度学习	OxiNet	信号	12,923个多导睡眠图记录
47	2024-09-23	Toward MR protocol-agnostic, bias-corrected brain age predicted from clinical-grade MRIs 2023-Aug-11, Research square DOI:10.21203/rs.3.rs-3229072/v1 PMID:37609150	研究论文	本文提出了一种不受磁共振成像协议限制、能够从临床级MRI中预测大脑年龄并进行偏差校正的方法	采用双重迁移学习方法，开发了一种对模态、分辨率或切片方向不敏感的大脑年龄模型，并引入了偏差校正层	NA	开发一种适用于临床级MRI的大脑年龄预测模型，以促进个性化医学	大脑年龄预测及其偏差校正	计算机视觉	NA	磁共振成像 (MRI)	卷积神经网络 (CNN)	图像	6224例临床MRI，来自1540名患者，使用8台扫描仪，分布在15个以上设施中
48	2024-09-23	Prediction of Ovarian Cancer Response to Therapy Based on Deep Learning Analysis of Histopathology Images 2023-Aug-10, Cancers IF:4.5Q1 DOI:10.3390/cancers15164044 PMID:37627071	研究论文	本研究利用深度学习神经网络框架分析病理图像，预测卵巢癌对化疗的敏感性	开发了一种基于Inception V3深度学习算法的方法，用于预测卵巢癌对标准铂类治疗的反应	需要进一步研究以验证初步结果，并扩展到其他癌症类型和成像模式	通过深度学习分析病理图像，预测卵巢癌对化疗的敏感性，以实现精准医学研究的目标	高级别浆液性卵巢癌的病理图像	数字病理学	卵巢癌	深度学习	Inception V3卷积神经网络	图像	248名患有2至4期浆液性卵巢癌的患者
49	2024-09-23	Modeling and design of heterogeneous hierarchical bioinspired spider web structures using deep learning and additive manufacturing 2023-08, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2305273120 PMID:37487072	研究论文	本文利用深度学习和增材制造技术，对异质分层仿生蜘蛛网结构进行建模和设计	本文提出了一种基于深度学习的生成模型，用于合成仿生3D蜘蛛网结构，并结合增材制造技术进行制造和测试	NA	研究如何利用深度学习和增材制造技术，对复杂的3D蜘蛛网结构进行建模和设计	异质分层仿生蜘蛛网结构	计算机视觉	NA	增材制造	生成模型	图结构	多个实验确定的蜘蛛网图结构
50	2024-09-23	Applications of multi-omics analysis in human diseases 2023-Aug, MedComm IF:10.7Q1 DOI:10.1002/mco2.315 PMID:37533767	综述	本文综述了多组学技术在人类疾病研究中的应用	本文提供了多组学技术的全面系统介绍，特别是机器学习和深度学习在多组学数据整合中的应用及其相关工具	本文主要集中在多组学技术的综述和应用，未涉及具体实验数据或模型验证	探讨多组学技术在精准医学中的整合与应用及其未来发展方向	多组学技术及其在癌症、神经退行性疾病、衰老和药物靶点发现等医学研究中的应用	NA	NA	多组学技术	机器学习深度学习	多组学数据	NA
51	2024-09-23	A comparative study of model-centric and data-centric approaches in the development of cardiovascular disease risk prediction models in the UK Biobank 2023-Aug, European heart journal. Digital health DOI:10.1093/ehjdh/ztad033 PMID:37538143	研究论文	本研究比较了模型中心和数据中心方法在英国生物银行心血管疾病风险预测模型开发中的应用	本研究首次系统地探讨了不同风险因素类别对心血管疾病发病预测的贡献，并强调了模型和数据中心方法的结合对提高预测性能的重要性	研究仅限于英国生物银行的数据，可能无法完全代表全球心血管疾病的风险因素	探讨不同风险因素类别对心血管疾病发病预测的贡献，并比较模型中心和数据中心方法的效果	心血管疾病的风险预测模型	机器学习	心血管疾病	NA	神经序列模型（BEHRT）	数据	405,257名37-73岁的参与者
52	2024-09-20	ADU-Net: An Attention Dense U-Net based deep supervised DNN for automated lesion segmentation of COVID-19 from chest CT images 2023-Aug, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2023.104974 PMID:37122956	研究论文	提出了一种基于注意力密集U-Net的深度监督DNN模型，用于从胸部CT图像中自动分割COVID-19病变	引入了注意力机制和深度监督机制，使用5×5卷积核代替3×3卷积核，并在编码器级别引入密集连接网络	未提及具体限制	开发一种自动化的COVID-19预测框架，用于胸部CT图像的定性和定量评估	COVID-19患者的胸部CT图像中的肺部病变	计算机视觉	COVID-19	深度学习	注意力密集U-Net	图像	MedSeg COVID-19胸部CT分割数据集
53	2024-09-19	DeepBindPPI: Protein-Protein Binding Site Prediction Using Attention Based Graph Convolutional Network 2023-08, The protein journal DOI:10.1007/s10930-023-10121-9 PMID:37198346	研究论文	本文提出了一种基于注意力机制的图卷积网络模型DeepBindPPI，用于预测蛋白质-蛋白质相互作用的结合位点	本文创新性地将图卷积网络与注意力机制结合，提高了蛋白质结合位点预测的精度	本文未详细讨论模型的泛化能力和对不同类型蛋白质结合位点的预测效果	开发一种高精度的蛋白质结合位点预测方法，以支持药物发现任务	蛋白质-蛋白质相互作用的结合位点，特别是抗原-抗体相互作用	机器学习	NA	图卷积网络	注意力机制	蛋白质数据	使用了通用蛋白质数据集，并使用抗原-抗体数据进行微调
54	2024-09-16	Lightweight deep CNN-based models for early detection of COVID-19 patients from chest X-ray images 2023-Aug-01, Expert systems with applications IF:7.5Q1 DOI:10.1016/j.eswa.2023.119900 PMID:36969370	研究论文	本文提出了一种基于轻量级深度卷积神经网络（CNN）的模型，用于从胸部X光图像中早期检测COVID-19患者	开发了两个新的轻量级CNN模型，能够在减少计算资源需求的同时保持高准确率	未提及具体限制	开发适用于资源有限设备的轻量级模型，用于早期检测COVID-19患者	COVID-19患者的胸部X光图像	计算机视觉	COVID-19	卷积神经网络（CNN）	CNN	图像	相对较大的胸部X光图像数据集
55	2024-09-08	Integrative deep learning analysis improves colon adenocarcinoma patient stratification at risk for mortality 2023-Aug, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2023.104726 PMID:37499603	研究论文	本文开发并评估了结合福尔马林固定石蜡包埋（FFPE）全切片图像（WSIs）、临床变量和突变特征的深度学习模型，用于根据结肠腺癌（COAD）患者的死亡风险进行分层	本文的创新点在于整合了图像、临床和基因组特征，以提高结肠腺癌患者的风险分层效果	模型在预测中度风险（3年<OS<5年）患者的总体生存率方面效果较差	研究目的是通过整合图像、临床和基因组特征，提高结肠腺癌患者的风险分层效果	研究对象是结肠腺癌（COAD）患者	数字病理	结直肠癌	深度学习	深度学习模型	图像、临床变量、突变特征	训练数据集包含108名患者，外部验证数据集包含123名COAD患者和52名直肠腺癌（READ）患者
56	2024-08-30	Neural network combining with clinical ultrasonography: A new approach for classification of salivary gland tumors 2023-08, Head & neck DOI:10.1002/hed.27396 PMID:37222027	研究论文	本文探讨了深度学习方法在唾液腺肿瘤超声图像分类中的应用	首次比较了超声训练模型与计算机断层扫描或磁共振成像训练模型的准确性	研究为回顾性，样本量有限	比较不同成像技术训练模型在唾液腺肿瘤分类中的准确性	唾液腺肿瘤的超声图像	机器学习	NA	深度学习	神经网络	图像	638名患者，包括558例良性肿瘤和80例恶性肿瘤
57	2024-08-22	FDU-Net: Deep Learning-Based Three-Dimensional Diffuse Optical Image Reconstruction 2023-08, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3252576 PMID:37028063	研究论文	本文介绍了一种基于深度学习的三维扩散光学图像重建模型FDU-Net，用于提高近红外扩散光学断层成像（DOT）的图像质量和重建速度	FDU-Net通过结合全连接子网、卷积编码器-解码器子网和U-Net，实现了快速、端到端的三维DOT图像重建，显著提高了图像质量和重建速度	FDU-Net目前仅在模拟数据和真实患者测量数据上进行了测试，尚未在临床环境中广泛应用	开发一种新的深度学习模型，以提高扩散光学断层成像的图像质量和重建速度，促进其在乳腺癌临床诊断中的应用	三维扩散光学图像重建	机器学习	乳腺癌	深度学习	FDU-Net	图像	400个模拟案例和真实患者测量数据
58	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
59	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
60	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）