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
61	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
62	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
63	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
64	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
65	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
66	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
67	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
68	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
69	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
70	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
71	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
72	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）
73	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）
74	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
75	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
76	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
77	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
78	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
79	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
80	2024-08-04	Evaluation of Image Quality and Detectability of Deep Learning Image Reconstruction (DLIR) Algorithm in Single- and Dual-energy CT 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00806-z PMID:37071291	研究论文	本研究评估了深度学习图像重建（DLIR）对单能CT和双能CT的图像质量的影响	DLIR-H在低和高频范围内相比于ASIR-V，大幅减少了噪声，并提高了图像的可检测性	NA	评估DLIR在不同能量CT中的图像质量和可检测性	使用Gammex 464幻影进行单能CT和双能CT成像	数字病理学	NA	深度学习图像重建（DLIR）	NA	图像	使用六种算法对多个剂量级别的CT影像进行评估