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
181	2024-08-07	ChampKit: A framework for rapid evaluation of deep neural networks for patch-based histopathology classification 2023-Sep, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2023.107631 PMID:37271050	研究论文	本文介绍了一个名为ChampKit的软件工具，用于快速评估基于补丁的组织病理学分类的深度神经网络模型	ChampKit提供了一个可扩展、完全可复制的评估工具包，支持多种公共数据集，并允许用户通过命令行直接训练和评估模型，无需编写代码	本文未明确提及具体限制	旨在提供一个工具，以系统地评估不同组织病理学分类任务的神经网络模型	深度神经网络模型在组织病理学图像分类中的应用	计算机视觉	NA	深度学习	CNN, ViT	图像	涉及六个数据集
182	2024-08-07	Deep learning integrates histopathology and proteogenomics at a pan-cancer level 2023-09-19, Cell reports. Medicine DOI:10.1016/j.xcrm.2023.101173 PMID:37582371	研究论文	本文介绍了一种创新方法，将病理图像与转录组学和蛋白质组学整合，以识别与癌症关键临床结果相关的预测性组织学特征	本文首次将病理图像与转录组学和蛋白质组学数据整合，用于识别新的预测性组织学特征，并提出了一个分类系统	NA	旨在开发一种整合病理图像、转录组学和蛋白质组学数据的方法，以提高癌症临床结果的预测准确性	2,755张H&E染色的组织病理学切片，来自657名患者，涵盖6种癌症类型	数字病理学	癌症	深度学习	NA	图像	2,755张切片，657名患者
183	2024-08-07	Physics-Guided Deep Generative Model for New Ligand Discovery 2023-Sep, ACM-BCB ... ... : the ... ACM Conference on Bioinformatics, Computational Biology and Biomedicine. ACM Conference on Bioinformatics, Computational Biology and Biomedicine DOI:10.1145/3584371.3613067 PMID:38706556	研究论文	本文介绍了一种基于物理引导的深度生成模型，用于发现新的配体，该模型不仅考虑了结合位点，还包含了基于物理的特征，描述了受体和配体之间的结合机制	该模型创新地结合了物理原理和深度学习，生成的配体结构在结合强度上优于传统方法	未来研究方向包括在更大的数据集上训练和测试模型，增加更多基于物理的特征，并从生物物理角度解释深度学习结果	旨在通过结合物理原理和深度学习技术，提高新配体发现的效率和质量	研究对象包括大型蛋白质-配体复合物和小型宿主-客体系统	机器学习	NA	深度生成模型	GAN	结构数据	测试了大型蛋白质-配体复合物和小型宿主-客体系统