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
121	2024-09-27	Advancing Colorectal Cancer Screening: A Comprehensive Systematic Review of Artificial Intelligence (AI)-Assisted Versus Routine Colonoscopy 2023-Sep, Cureus DOI:10.7759/cureus.45278 PMID:37846251	综述	本文系统综述了人工智能辅助结肠镜检查与常规结肠镜检查在结直肠癌筛查中的优缺点	探讨了基于深度学习的计算机辅助检测系统在提高腺瘤和息肉检出率方面的优势	研究存在潜在的性能偏差和地理限制，需要更多双盲试验和多国多样本研究来验证	分析人工智能辅助结肠镜检查在结直肠癌早期检测中的潜力和局限性	结直肠癌的早期检测和筛查方法	计算机视觉	结直肠癌	计算机辅助检测系统	深度学习	NA	13项随机对照试验（2019-2023）
122	2024-09-26	Towards Universal Cell Embeddings: Integrating Single-cell RNA-seq Datasets across Species with SATURN 2023-Sep-24, bioRxiv : the preprint server for biology DOI:10.1101/2023.02.03.526939 PMID:36778387	研究论文	本文介绍了一种名为SATURN的深度学习方法，用于学习跨物种的通用细胞嵌入，通过结合蛋白质语言模型和RNA表达来整合不同物种的单细胞RNA测序数据集	SATURN方法能够检测跨物种的功能相关基因共表达，重新定义了跨物种分析的差异表达，并能有效跨物种转移注释和识别同源及物种特异性细胞类型	NA	开发一种能够整合跨物种单细胞RNA测序数据集的方法，以揭示细胞类型的进化保守性和多样性	跨物种的单细胞RNA测序数据集，包括三种物种的全器官图谱以及蛙和斑马鱼胚胎发育数据集	机器学习	NA	单细胞RNA测序	深度学习	基因表达数据	涉及三种物种的全器官图谱以及蛙和斑马鱼胚胎发育数据集
123	2024-09-26	Multimodal deep learning approaches for single-cell multi-omics data integration 2023-09-20, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbad313 PMID:37651607	review	本文综述了多模态深度学习技术在单细胞多组学数据整合中的应用	首次系统性地研究了深度学习在单细胞多组学数据整合中的应用	NA	填补深度学习在单细胞多组学数据整合应用中的研究空白	单细胞多组学数据	machine learning	NA	多模态深度学习	NA	multi-omics	NA
124	2024-09-26	Transformer-based biomarker prediction from colorectal cancer histology: A large-scale multicentric study 2023-09-11, Cancer cell IF:48.8Q1 DOI:10.1016/j.ccell.2023.08.002 PMID:37652006	研究论文	本文开发了一种基于Transformer的管道，用于从结直肠癌病理切片中进行端到端的生物标志物预测	本文提出了一种新的基于Transformer的管道，结合了预训练的Transformer编码器和Transformer网络进行补丁聚合，显著提高了性能、泛化性、数据效率和可解释性	NA	加速从常规病理切片中预测结直肠癌的预后生物标志物	结直肠癌病理切片中的生物标志物预测	数字病理学	结直肠癌	Transformer	Transformer	图像	超过13,000名患者，来自16个结直肠癌队列
125	2024-09-26	Poor Generalization by Current Deep Learning Models for Predicting Binding Affinities of Kinase Inhibitors 2023-Sep-06, bioRxiv : the preprint server for biology DOI:10.1101/2023.09.04.556234 PMID:37732243	研究论文	本文探讨了当前深度学习模型在预测激酶抑制剂结合亲和力方面的泛化能力	通过构建卷积神经网络（CNN）并评估其在四个常用数据集上的表现，揭示了模型在处理未见数据时的性能下降问题	模型在处理未见数据时性能显著下降，表明存在信息泄露问题，且模型未能学习到分子相互作用的知识	评估当前深度学习模型在预测激酶抑制剂结合亲和力方面的泛化能力	激酶抑制剂及其与激酶的结合亲和力	机器学习	NA	卷积神经网络（CNN）	卷积神经网络（CNN）	分子序列（SMILES字符串）	四个常用数据集
126	2024-09-26	Foundation Models for Quantitative Biomarker Discovery in Cancer Imaging 2023-Sep-05, medRxiv : the preprint server for health sciences DOI:10.1101/2023.09.04.23294952 PMID:37732237	研究论文	本文开发了一种用于癌症影像生物标志物发现的基石模型，并通过自监督学习训练卷积编码器	基石模型在减少下游应用中训练样本需求方面表现出色，特别是在医学领域	NA	开发和评估用于影像生物标志物发现的基石模型	癌症影像生物标志物	计算机视觉	NA	自监督学习	卷积神经网络（CNN）	影像	11,467个放射性病变样本
127	2024-09-26	Inferring gene regulatory network from single-cell transcriptomes with graph autoencoder model 2023-09, PLoS genetics IF:4.0Q1 DOI:10.1371/journal.pgen.1010942 PMID:37703293	研究论文	提出了一种基于图自编码器的深度学习模型DeepRIG，用于从单细胞转录组数据中推断基因调控网络	DeepRIG模型通过构建先验调控图并利用图自编码器嵌入全局调控信息，能够准确重建基因调控网络并优于现有方法	NA	推断单细胞转录组数据中的基因调控网络	基因调控网络	机器学习	NA	单细胞RNA测序	图自编码器	转录组数据	人类外周血单核细胞和三阴性乳腺癌样本
128	2024-09-26	Advancing Naturalistic Affective Science with Deep Learning 2023-Sep, Affective science IF:2.1Q2 DOI:10.1007/s42761-023-00215-z PMID:37744976	综述	本文综述了深度学习在推进自然情感科学中的应用	引入深度学习方法来解决传统情感研究中的挑战，如量化自然行为、选择和操纵自然刺激以及建模自然情感过程	深度学习方法本身存在局限性，可能需要避免或缓解	推进更自然的情感科学研究	情感行为的不同渠道，包括面部表情、身体姿势、语音韵律和语言	自然语言处理	NA	深度学习	NA	行为数据	NA
129	2024-09-26	Trends in the application of remote sensing in blue carbon science 2023-Sep, Ecology and evolution IF:2.3Q2 DOI:10.1002/ece3.10559 PMID:37745789	研究论文	本文探讨了遥感技术在蓝碳科学中的应用趋势	本文通过文献计量分析评估了1990年至2022年6月间发表的2193篇论文，揭示了研究重点随时间的变化	需要增加对海草、盐沼和大型藻类的研究，整合技术，增加遥感技术在碳核算方法和信用体系中的应用，并加强国家间的合作和资源共享	评估蓝碳生态系统（如红树林、盐沼和海草）的现状、损失和增益，以支持气候政策制定	红树林、盐沼、海草等蓝碳生态系统	遥感	NA	遥感技术，包括光学卫星Landsat、LiDAR、无人机和声学传感器	机器学习和深度学习算法	遥感图像	2193篇已发表的论文
130	2024-09-26	Deep learning-based model detects atrial septal defects from electrocardiography: a cross-sectional multicenter hospital-based study 2023-Sep, EClinicalMedicine IF:9.6Q1 DOI:10.1016/j.eclinm.2023.102141 PMID:37753448	研究论文	本文提出了一种基于卷积神经网络（CNN）的模型，用于从12导联心电图（ECG）中检测房间隔缺损（ASD），并在多中心医院进行横断面研究	本文的创新点在于利用深度学习技术，特别是卷积神经网络，从常规的12导联心电图中自动检测房间隔缺损，从而提高诊断的敏感性和特异性	本文的局限性在于样本选择可能存在偏倚，且未详细讨论模型的泛化能力在不同人群中的表现	本研究旨在通过开发和验证一种基于深度学习的模型，提高房间隔缺损的早期检测和诊断准确性	本研究的对象是从三所医院收集的671,201份12导联心电图，涉及80,947名患者	机器学习	心血管疾病	卷积神经网络（CNN）	卷积神经网络（CNN）	心电图（ECG）	671,201份心电图，涉及80,947名患者
131	2024-09-25	Deep autoencoder-based behavioral pattern recognition outperforms standard statistical methods in high-dimensional zebrafish studies 2023-Sep-17, bioRxiv : the preprint server for biology DOI:10.1101/2023.09.13.557544 PMID:37745446	研究论文	本文研究了基于深度自编码器的行为模式识别在高维斑马鱼研究中优于传统统计方法	本文提出了使用半监督深度自编码器从无暴露的斑马鱼幼体行为数据中提取典型“正常”行为，并能识别出传统统计框架未捕捉到的多种化学物质引起的行为异常	NA	本文旨在开发一种先进的行为数据分析方法，以更好地理解和识别斑马鱼在暴露于有毒物质后的行为变化	斑马鱼幼体及其在暴露于纳米材料、芳香族化合物、全氟和多氟烷基物质（PFAS）等环境污染物后的行为变化	机器学习	NA	深度自编码器	深度自编码器	行为数据	大量斑马鱼幼体样本
132	2024-09-25	B-factor prediction in proteins using a sequence-based deep learning model 2023-Sep-08, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2023.100805 PMID:37720331	研究论文	本文开发了一种基于序列的深度学习模型，用于预测蛋白质中的B因子	该模型在2442个蛋白质上测试，比现有最先进模型高出30%	NA	开发一种能够准确预测蛋白质中B因子的深度学习模型	蛋白质中的B因子	机器学习	NA	深度学习	深度学习模型	序列	2442个蛋白质
133	2024-09-25	Kernel-weighted contribution: a method of visual attribution for 3D deep learning segmentation in medical imaging 2023-Sep, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.5.054001 PMID:37692092	研究论文	本文介绍了一种名为核加权贡献的视觉解释方法，用于三维医学图像分割模型的解释	核加权贡献方法专门为医学图像分割模型设计，通过评估每个激活图对预测分割的相对贡献来评估特征重要性	NA	解释深度学习模型在医学图像分割中的决策，以促进其在医疗领域的广泛应用	三维医学图像分割模型	计算机视觉	NA	NA	分割模型	图像	100个测试样本
134	2024-09-25	Development and validation of convolutional neural network-based model to predict the risk of sentinel or non-sentinel lymph node metastasis in patients with breast cancer: a machine learning study 2023-Sep, EClinicalMedicine IF:9.6Q1 DOI:10.1016/j.eclinm.2023.102176 PMID:37662514	研究论文	开发并验证了一种基于卷积神经网络的模型，用于预测乳腺癌患者前哨淋巴结或非前哨淋巴结转移的风险	提出了一种基于卷积神经网络的模型，用于预测乳腺癌患者前哨淋巴结和非前哨淋巴结的转移风险，并展示了其在不同验证集中的良好表现	NA	开发并验证一种自动化的术前深度学习工具，用于预测乳腺癌患者前哨淋巴结和非前哨淋巴结的转移风险	乳腺癌患者的前哨淋巴结和非前哨淋巴结转移风险	机器学习	乳腺癌	动态对比增强磁共振成像（DCE-MRI）	卷积神经网络（CNN）	图像	988名乳腺癌患者
135	2024-09-25	Structure-based prediction of nucleic acid binding residues by merging deep learning- and template-based approaches 2023-09, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011428 PMID:37672551	研究论文	本文开发了一种名为NABind的新型结构基础整合算法，用于准确预测DNA和RNA结合残基	结合了深度学习和模板基础方法，采用堆叠策略和随机游走算法进行后处理，显著提高了预测性能	NA	提高蛋白质中核酸结合残基的预测准确性	DNA和RNA结合残基	机器学习	NA	深度学习	图注意力网络	序列和结构描述符	NA
136	2024-09-25	Deep learning in precision medicine and focus on glioma 2023-Sep, Bioengineering & translational medicine IF:6.1Q1 DOI:10.1002/btm2.10553 PMID:37693051	综述	本文综述了深度学习在精准医学中的应用，特别是胶质瘤领域	探讨了深度学习在精准医学多个领域（如心脏病学、胃肠病学、眼科学、皮肤病学和肿瘤学）的应用前景，并强调了其在胶质瘤中的应用潜力	目前深度学习数据集的质量和数量仍需改进，且多组学数据（如全外显子序列、RNA序列、蛋白质组学和表观基因组学）尚未得到充分应用	总结人工智能模型的发展历史，展示机器学习和深度学习网络的特征，并探讨其在精准医学中的应用	深度学习在精准医学中的应用，特别是胶质瘤的诊断和监测	机器学习	脑肿瘤	NA	深度学习网络	医学数据	NA
137	2024-09-25	Non-annotated renal histopathological image analysis with deep ensemble learning 2023-Sep-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-23-46 PMID:37711826	研究论文	本文开发了一种基于深度卷积神经网络的异构集成模型，用于自动分析未详细标注的肾组织病理图像	提出了基于深度学习的异构集成模型，用于肾组织病理图像的自动分析，无需详细标注	未提及具体限制	开发一种自动化的肾组织病理图像分析方法，以提高肾癌的早期检测效率和准确性	肾组织病理图像	数字病理	肾癌	深度卷积神经网络	CNN	图像	未提及具体样本数量
138	2024-09-25	Machine and deep learning approaches to understand and predict habitat suitability for seabird breeding 2023-Sep, Ecology and evolution IF:2.3Q2 DOI:10.1002/ece3.10549 PMID:37727776	研究论文	研究利用机器学习和深度学习算法预测海鸟繁殖栖息地的适宜性	首次结合卷积神经网络和随机森林模型，全面分析海鸟繁殖栖息地的选择	研究仅基于古巴地区的历史记录，可能不适用于其他地理区域	理解并预测海鸟繁殖栖息地的适宜性	海鸟的繁殖栖息地选择	机器学习	NA	卷积神经网络、随机森林	CNN、随机森林	图像	49个古巴地区海鸟繁殖地的历史记录
139	2024-09-23	Large-scale capture of hidden fluorescent labels for training generalizable markerless motion capture models 2023-09-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-41565-3 PMID:37752123	研究论文	本文介绍了一种名为GlowTrack的方法，用于生成大量训练数据，以提高无标记运动捕捉模型的泛化能力	开发了一种高吞吐量的方法，利用荧光标记生成隐藏标签，并使用多摄像头和多光源设置模拟多样化的视觉条件，同时实现了并行标记多个地标，从而实现密集跟踪	NA	提高无标记运动捕捉模型的泛化能力，使其能够适应不同的实验环境和视觉条件	动物行为研究中的运动捕捉模型	计算机视觉	NA	荧光标记	NA	图像	NA
140	2024-09-23	Automatic pavement texture recognition using lightweight few-shot learning 2023-Sep-04, Philosophical transactions. Series A, Mathematical, physical, and engineering sciences DOI:10.1098/rsta.2022.0166 PMID:37454689	研究论文	本文提出了一种基于孪生网络的少样本学习模型，用于在有限数据集上进行路面纹理识别	本文创新性地使用孪生网络进行少样本学习，并结合全局平均池化和一维卷积，创建了轻量级模型，显著减少了存储和训练时间	尽管模型在减少存储和训练时间方面表现出色，但分类准确率有所下降	解决路面纹理识别中数据稀缺的问题，提高道路维护专业人员检测潜在安全隐患的能力	路面纹理，包括密级配沥青混凝土、微表面、开级配摩擦层和石材基质沥青	计算机视觉	NA	少样本学习	孪生网络	图像	四类五样本任务