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	2025-02-21	Protein intrinsically disordered region prediction by combining neural architecture search and multi-objective genetic algorithm 2023-09-07, BMC biology IF:4.4Q1 DOI:10.1186/s12915-023-01672-5 PMID:37674132	研究论文	本文提出了一种结合神经架构搜索和多目标遗传算法的蛋白质内在无序区域预测方法	使用神经架构搜索算法自动构建网络结构，结合长度依赖模型和通用模型，提出新的预测器IDP-Fusion，以稳定预测长短无序区域	未提及具体的数据集规模或实验细节，可能影响结果的普适性	提高蛋白质内在无序区域（IDRs）的预测准确性，特别是长短无序区域的稳定预测	蛋白质序列中的内在无序区域（IDRs）	生物信息学	NA	神经架构搜索（NAS），多目标遗传算法	CNN, LSTM, IDP-Fusion	蛋白质序列数据	NA
42	2025-02-21	An ECG Signal Acquisition and Analysis System Based on Machine Learning with Model Fusion 2023-Sep-03, Sensors (Basel, Switzerland) DOI:10.3390/s23177643 PMID:37688099	研究论文	本研究提出了一种基于机器学习的ECG采集与分析系统，旨在解决现有ECG信号采集仪器不便携和手动分析的问题	结合传统机器学习模型和深度学习模型进行模型融合，提高了ECG信号分类的准确性	未来工作将集中在模型优化和开发更便携的仪器上，目前系统的便携性尚未实现	开发一种便携且自动化的ECG信号采集与分析系统，以提高心血管疾病的诊断效率	ECG信号	机器学习	心血管疾病	机器学习模型融合	逻辑回归、支持向量机、XGBoost、卷积神经网络(CNN)、长短期记忆网络(LSTM)	ECG信号	NA
43	2025-02-21	Attention-based bidirectional-long short-term memory for abnormal human activity detection 2023-09-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-41231-0 PMID:37660111	研究论文	本文提出了一种基于注意力机制的双向长短期记忆网络（Bi-LSTM）和卷积神经网络（CNN）的深度学习框架，用于检测异常人类活动	结合CNN、Bi-LSTM和注意力机制，专注于原始视频流的独特时空特征，以检测异常人类活动	未提及具体局限性	检测异常人类活动，以预防社会损害，如人身伤害或网络仇恨犯罪的传播	视频流中的异常人类活动	计算机视觉	NA	深度学习	CNN, Bi-LSTM, 注意力机制	视频	UCF11, UCF50, subUCF犯罪数据集
44	2025-02-12	Capturing continuous, long timescale behavioral changes in Drosophila melanogaster postural data 2023-Sep-07, ArXiv PMID:37731659	研究论文	本文通过长时间连续记录果蝇的姿势数据，探索了果蝇行为在不同时间尺度上的变化	使用深度学习框架SLEAP生成了包含近20亿个姿势实例的全身体姿势数据集，并分析了果蝇行为在昼夜节律和实验过程中的变化	实验环境为无特征竞技场，可能限制了果蝇行为的多样性	研究果蝇行为在不同时间尺度上的变化	果蝇（Drosophila melanogaster）	行为分析	NA	深度学习框架SLEAP	NA	姿势数据	47只果蝇
45	2025-01-29	Deep-learning-based image segmentation for image-based computational hemodynamic analysis of abdominal aortic aneurysms: a comparison study 2023-09-12, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/acf3ed PMID:37625388	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
46	2025-01-15	Functional Imaging Derived ADHD Biotypes Based on Deep Clustering May Guide Personalized Medication Therapy 2023-Sep-14, Research square DOI:10.21203/rs.3.rs-3272441/v1 PMID:37790426	研究论文	本文提出了一种基于图卷积网络和深度聚类的ADHD生物型检测方法，旨在通过功能性网络连接性（FNC）识别ADHD生物型，以指导个性化药物治疗	创新点在于使用图卷积网络和深度聚类技术对ADHD患者进行分类，并发现不同生物型对药物治疗的反应存在显著差异	研究样本主要来自青少年脑认知发展研究（ABCD），可能限制了结果的普遍性	研究目的是通过神经影像标记物识别ADHD生物型，以指导个性化药物治疗	研究对象为1069名ADHD患者和130名接受纵向药物治疗的ADHD青少年	机器学习	神经发育障碍	功能性网络连接性（FNC）	图卷积网络（GCN）和深度聚类	神经影像数据	1069名ADHD患者和130名ADHD青少年
47	2024-12-12	Systematic review of deep learning image analyses for the diagnosis and monitoring of skin disease 2023-Sep-27, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-023-00914-8 PMID:37758829	综述	本文系统回顾了使用深度学习图像分析技术进行皮肤病诊断和监测的研究	本文首次系统性地评估了深度学习算法在多种常见皮肤病诊断和严重程度评估中的应用	当前研究存在高偏倚风险和适用性问题，且大多数研究未报告参与者的种族/皮肤类型，缺乏真实世界的外部验证	评估深度学习图像分析技术在皮肤病诊断和监测中的潜力	常见皮肤病，如痤疮、银屑病、湿疹、酒渣鼻、白癜风、荨麻疹	计算机视觉	皮肤病	深度学习	神经网络	图像	64项研究，涉及多种皮肤病
48	2024-12-08	Deep representation learning identifies associations between physical activity and sleep patterns during pregnancy and prematurity 2023-Sep-28, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-023-00911-x PMID:37770643	研究论文	研究利用深度学习时间序列分类架构，分析孕妇的体力活动和睡眠模式与早产之间的关系	开发了一种新的深度学习时间序列分类架构，并结合无监督聚类、模型误差分析、特征归因和自动活动分析等解释性算法，提高了模型对妊娠进展的预测能力	研究主要基于穿戴设备收集的数据，可能存在数据收集和处理的局限性	研究体力活动和睡眠模式与早产之间的关系，并开发预测模型以支持临床决策	孕妇的体力活动和睡眠模式	机器学习	妊娠相关疾病	深度学习	时间序列分类架构	时间序列数据	1083名患者，共收集了181,944小时的数据
49	2024-12-07	Deep learning empowering design for selective solar absorber 2023-Sep, Nanophotonics (Berlin, Germany) DOI:10.1515/nanoph-2023-0291 PMID:39635349	研究论文	本文开发了一种结合深度学习和多目标双重退火算法的高性能设计范式，用于优化多层纳米结构以最大化太阳能光谱吸收和最小化红外辐射	本文首次将深度学习与多目标双重退火算法结合，用于设计高性能的选择性太阳能吸收器	实验测量的红外辐射平均发射率略高于计算值，表明实际性能与理论设计之间存在一定差距	开发一种高效的设计方法，用于优化太阳能吸收器的性能	多层纳米结构的选择性太阳能吸收器	NA	NA	深度学习	NA	NA	NA
50	2024-12-06	Hyperspectral signature-band extraction and learning: an example of sugar content prediction of Syzygium samarangense 2023-09-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-41603-6 PMID:37699940	研究论文	本研究提出了一种从高光谱数据转换的多光谱数据中提取特征波段的方法，并使用深度学习模型预测山竹果的糖含量	本研究创新性地使用集成梯度方法从卷积神经网络和前馈神经网络模型中提取特征波段，并展示了这些波段在预测山竹果糖含量方面的潜力	本研究仅限于使用特定的光谱数据和模型，未来研究可以扩展到其他类型的光谱数据和模型	研究如何从高光谱数据中提取特征波段，并利用这些波段预测山竹果的糖含量	山竹果的糖含量	机器学习	NA	高光谱数据转换、集成梯度方法	卷积神经网络 (CNN)、前馈神经网络 (FNN)	光谱数据	30组，每组包含6个特征波段
51	2024-11-27	Generative Adversarial Network-Enhanced Ultra-Low-Dose [18F]-PI-2620 τ PET/MRI in Aging and Neurodegenerative Populations 2023-09, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A7961 PMID:37591771	研究论文	研究使用生成对抗网络增强超低剂量[18F]-PI-2620 τ PET/MRI图像，以提高其在衰老和神经退行性疾病人群中的诊断质量	首次应用生成对抗网络增强超低剂量τ PET/MRI图像，以减少噪声并提高图像质量	研究样本量较小，且主要集中在健康衰老和神经退行性疾病患者，未来需扩大样本范围	探索深度学习技术在增强超低剂量τ PET/MRI图像中的应用，以提高诊断质量	健康衰老参与者和神经退行性疾病患者	计算机视觉	神经退行性疾病	生成对抗网络	生成对抗网络	图像	44名健康衰老参与者和神经退行性疾病患者
52	2024-11-15	Small molecule-mediated targeting of microRNAs for drug discovery: Experiments, computational techniques, and disease implications 2023-Sep-05, European journal of medicinal chemistry IF:6.0Q1 DOI:10.1016/j.ejmech.2023.115500 PMID:37262996	综述	本文综述了小分子介导的微小RNA（miRNA）靶向药物发现中的生物学和计算应用	本文整合了实验室数据和计算策略，以促进更精确和理性的先导化合物设计和发现	目前缺乏涵盖计算和实验药物发现过程的综合性综述	综述miRNA靶向药物发现中的生物学和计算应用及其在疾病中的意义和临床重要性	miRNA靶向的小分子抑制剂及其在疾病治疗中的潜力	药物发现	NA	深度学习	NA	分子序列	NA
53	2024-11-13	Deep convolutional neural network for hippocampus segmentation with boundary region refinement 2023-Sep, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-023-02836-9 PMID:37067776	研究论文	本文提出了一种基于深度学习的海马体分割方法，通过边界区域细化来提高分割精度	本文创新性地引入了边界区域细化步骤，显著提高了海马体分割的准确性	NA	提高海马体从磁共振脑图像中的分割精度，以促进脑部疾病研究	海马体	计算机视觉	NA	深度学习	卷积神经网络	图像	使用了公开数据集进行验证
54	2024-11-07	Novel Muscle Sensing by Radiomyography (RMG) and Its Application to Hand Gesture Recognition 2023-Sep, IEEE sensors journal IF:4.3Q2 DOI:10.1109/jsen.2023.3294329 PMID:38510062	研究论文	本文提出了一种新的肌肉感应技术——放射肌电图（RMG），并将其应用于手势识别	RMG技术能够连续监测肌肉活动，捕捉浅层和深层肌肉群，并可实现可穿戴或无接触式监测	NA	开发一种新的肌肉感应技术并验证其在手势识别中的应用	手势识别、眼部和腿部肌肉监测	计算机视觉	NA	放射肌电图（RMG）	视觉变换器（ViT）	时间-频率谱图	8名受试者
55	2024-10-21	Data-Driven Models for Predicting Intrinsically Disordered Protein Polymer Physics Directly from Composition or Sequence 2023-Sep-01, Molecular systems design & engineering IF:3.2Q3 DOI:10.1039/D3ME00053B PMID:38222029	研究论文	本文开发了新的无序蛋白质表示方法，并结合经典机器学习和深度学习模型预测无序蛋白质的回转半径和相关缩放指数	提出了一种新的基于氨基酸相互作用的表示方法，该方法在预测无序蛋白质的物理性质方面表现优异	研究仅限于粗粒度模拟数据，未来需要验证其在实验数据上的表现	开发新的计算方法来理解无序蛋白质的分子层面特性	无序蛋白质的回转半径和缩放指数	机器学习	NA	机器学习和深度学习	NA	序列	10,000个粗粒度模拟序列
56	2024-10-18	Development and External Validation of an Artificial Intelligence Model for Identifying Radiology Reports Containing Recommendations for Additional Imaging 2023-09, AJR. American journal of roentgenology DOI:10.2214/AJR.23.29120 PMID:37073901	研究论文	开发并验证了一种基于BERT的人工智能模型，用于识别放射学报告中包含额外影像建议的部分	使用BERT模型在识别放射学报告中额外影像建议方面表现优于传统的机器学习模型	研究仅限于特定时间段和特定医疗机构的放射学报告	开发和验证一种人工智能模型，用于识别放射学报告中包含额外影像建议的部分	放射学报告中的额外影像建议	机器学习	NA	BERT	BERT	文本	6300份放射学报告，涉及7419名患者
57	2024-10-15	A deep learning-based dynamic model for predicting acute kidney injury risk severity in postoperative patients 2023-09, Surgery IF:3.2Q1 DOI:10.1016/j.surg.2023.05.003 PMID:37316372	研究论文	本文开发了一种基于循环神经网络的动态模型，用于预测术后患者急性肾损伤的风险和严重程度	提出了一个基于循环神经网络的动态模型，能够更精细和动态地建模急性肾损伤状态，并实现更连续和准确的预测	NA	开发和验证一种新的模型，用于预测术后患者急性肾损伤的风险和严重程度	术后急性肾损伤的风险和严重程度	机器学习	肾脏疾病	循环神经网络	RNN	数值数据	42,906名手术患者
58	2024-10-14	Challenges and solutions of echocardiography generalization for deep learning: a study in patients with constrictive pericarditis 2023-Sep, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.5.054502 PMID:37840850	研究论文	本文提出了一种创新的自动化框架，用于解决在限制性心包炎和心脏淀粉样变性区分任务中，超声心动图深度学习模型泛化的问题	提出了一个创新的预处理和图像泛化框架，用于处理图像以训练ResNet50、ResNeXt101和EfficientNetB2模型	NA	开发一种基于超声心动图的深度学习模型，能够准确区分限制性心包炎、心脏淀粉样变性和正常病例	限制性心包炎和心脏淀粉样变性患者以及正常病例的超声心动图图像	机器学习	心血管疾病	深度学习	EfficientNetB2	图像	945例超声心动图研究，包括720例来自Mayo Rochester和225例来自Mayo Arizona
59	2024-10-13	Transcriptome-wide marker gene expression analysis of stress-responsive sulfate-reducing bacteria 2023-09-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-43089-8 PMID:37758719	研究论文	研究分析了硫酸盐还原菌在环境压力下的转录组标记基因表达	使用转录组标记基因面板映射和基因聚类分析方法，揭示了四种硫酸盐还原菌在压力下的基因调控机制	NA	分析硫酸盐还原菌在环境压力下的遗传机制	四种硫酸盐还原菌的转录组标记基因	基因组学	NA	RNA测序	深度学习	基因数据	4种硫酸盐还原菌的基因组
60	2024-10-13	Non-inferiority of deep learning ischemic stroke segmentation on non-contrast CT within 16-hours compared to expert neuroradiologists 2023-09-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-42961-x PMID:37752162	研究论文	研究使用卷积神经网络（CNN）深度学习模型在非对比CT上对急性缺血性卒中进行分割，并与神经放射科专家的分割结果进行比较	首次展示了深度学习模型在非对比CT上对急性缺血性卒中进行分割的非劣效性，与经验丰富的神经放射科专家相当	研究样本量较小，仅包括232例急性缺血性卒中患者，可能影响结果的普适性	验证深度学习模型在非对比CT上对急性缺血性卒中进行分割的准确性，并与神经放射科专家的分割结果进行比较	急性缺血性卒中患者的非对比CT图像	计算机视觉	中风	卷积神经网络（CNN）	CNN	图像	232例急性缺血性卒中患者