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
1161	2024-08-05	Winter wheat ear counting based on improved YOLOv7x and Kalman filter tracking algorithm with video streaming 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1346182 PMID:38952848	研究论文	本文提出了一种基于改进YOLOv7x和卡尔曼滤波追踪算法的实时麦穗计数方法	引入了空间到深度模块和新的归一化高斯瓦瑟斯坦距离损失函数，以提升YOLOv7x的检测性能	样本可能仅限于特定环境，实时检测帧率相对较低	实现大型分辨率无人机视频下的麦穗检测与计数	作者研究了麦穗的检测与计数	计算机视觉	NA	YOLOv7x, 卡尔曼滤波	YOLOv7xSPD Counter	视频	NA
1162	2024-08-05	DeepVelo: deep learning extends RNA velocity to multi-lineage systems with cell-specific kinetics 2024-01-19, Genome biology IF:10.1Q1 DOI:10.1186/s13059-023-03148-9 PMID:38243313	研究论文	DeepVelo通过深度学习扩展了RNA速度估计方法以适应多谱系系统和细胞特异性动力学	DeepVelo创新性地将RNA速度推广到具有时间相关动力学和多个谱系的细胞群体	该方法依赖于图卷积网络，可能在特定情况下受到网络结构的限制	研究复杂的细胞分化和谱系选择事件	异质性单细胞RNA测序数据中的细胞群体	数字病理学	NA	图卷积网络	NA	单细胞RNA测序数据	NA
1163	2024-08-05	Potential for artificial intelligence in medicine and its application to male infertility 2024 Jan-Dec, Reproductive medicine and biology IF:2.7Q2 DOI:10.1002/rmb2.12590 PMID:38948339	综述	本文回顾了人工智能在医学领域中的应用，特别是男性不育症的研究	建立了基于人工智能的Johnsen评分预测模型和非梗阻性无精症的精子获取预测模型	没有详细说明研究的样本量和具体数据	探讨人工智能在男科不育症中的应用	男性不育症相关的人工智能模型	医学人工智能	男性不育症	无代码人工智能	预测模型	NA	NA
1164	2024-08-05	A transformer-based multi-task deep learning model for simultaneous T-stage identification and segmentation of nasopharyngeal carcinoma 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1377366 PMID:38947898	研究论文	本研究开发了一个基于变换器的多任务深度学习模型，可以同时识别鼻咽癌的T分期和肿瘤轮廓。	提出了一种新型的多任务深度学习模型，能够同时进行肿瘤轮廓勾勒和T分期识别，填补了以往研究的空白。	由于采用的图像数据是回顾性收集，可能存在选择偏倚。	旨在提高鼻咽癌的精准放射治疗中肿瘤勾勒和T分期的准确性。	研究对象为320名鼻咽癌患者的对比增强T1加权成像数据。	数字病理学	鼻咽癌	对比增强T1加权成像	变换器模型	图像	300名鼻咽癌患者的对比增强T1加权图像数据
1165	2024-08-05	An encoding framework for binarized images using hyperdimensional computing 2024, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2024.1371518 PMID:38946939	研究论文	本文提出了一种新的轻量级方法，仅依赖原生的超维算术向量运算来编码二值图像	提出了一种新的编码框架，能够保持近邻位置模式的相似性	没有提到具体的限制	探讨如何有效地编码二值图像以提高超维计算的性能	二值图像，使用MNIST和Fashion-MNIST数据集进行测试	机器学习	NA	超维计算	NA	图像	包含MNIST和Fashion-MNIST数据集的测试集
1166	2024-08-05	[Direct Positron Emission Imaging Using Ultrafast Timing Performance Detectors] 2024, Igaku butsuri : Nihon Igaku Butsuri Gakkai kikanshi = Japanese journal of medical physics : an official journal of Japan Society of Medical Physics DOI:10.11323/jjmp.44.2_29 PMID:38945880	研究论文	本文阐述了如何使用超快速计时性能探测器实现直接正电子发射成像。	提出了直接正电子发射成像（dPEI）的概念，并开发了超快速辐射探测器，突破了传统成像的几何限制。	尽管提高了CTR，但仍需解决一些限制以使dPEI更具实用性。	研究如何通过直接正电子发射成像技术改善医学成像。	开发和展示不同类型的模体下的dPEI，以及研究其局限性。	医学成像	NA	超快速辐射探测器	深度学习信号处理	图像	不同类型的模体
1167	2024-08-05	DKPE-GraphSYN: a drug synergy prediction model based on joint dual kernel density estimation and positional encoding for graph representation 2024, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2024.1401544 PMID:38948360	研究论文	本文介绍了一种名为DKPE-GraphSYN的药物协同预测模型，用于预测癌症药物的联合治疗效果	该模型结合了双核密度估计和位置编码，以捕捉基因表达的加权概率密度和空间分布信息	目前的研究方法通常忽视数据中的复杂非线性关系，不充分利用癌症药物的结构信息	研究旨在提高癌症药物组合治疗的预测准确性	研究对象为癌症药物及其对细胞系的协同作用	数字病理学	癌症	双核密度估计和位置编码	图神经网络	基因表达数据	综合癌症药物和细胞系协同数据集
1168	2024-08-05	Deep learning-based virtual H& E staining from label-free autofluorescence lifetime images 2024, Npj imaging DOI:10.1038/s44303-024-00021-7 PMID:38948152	研究论文	本文提出了一种基于深度学习的方法来从无标记的自发荧光寿命图像生成虚拟的H&E染色图像	开发了结合深度学习模型和图像质量度量的创新方法，以实现从无标记FLIM图像生成临床级的虚拟H&E染色图像	目前缺乏与FLIM图像同步的组织学图像作为可靠参考	旨在提高无标记FLIM图像的解释速度和准确性	研究包括在肿瘤微环境中常见的七种不同细胞类型的寿命特征	数字病理学	癌症	自发荧光寿命成像显微镜 (FLIM)	深度学习模型	图像	未具体提及样本数量
1169	2024-08-05	Application of Deep Learning for Studying NMDA Receptors 2024, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-3830-9_16 PMID:38727914	research paper	本文介绍了基于大型预训练模型的三个在线工具，用于药物开发，特别是针对NMDA受体的工具	提出了三种易于访问的在线工具，促进了AI技术与NMDA受体专家之间的联系	对于非专业人士在使用和部署AI及预训练模型方面仍存在挑战	研究如何利用深度学习促进神经系统疾病药物开发	针对NMDA受体的药物开发	计算机视觉	中枢神经系统疾病	深度学习	大型预训练模型	化学数据	NA
1170	2024-08-05	Recent advancements in machine learning for bone marrow cell morphology analysis 2024, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2024.1402768 PMID:38947236	综述	本文回顾了机器学习在骨髓细胞形态分析中的最新进展	探讨了基于机器学习的骨髓细胞形态分析的潜力与吸引力，并提供了自动化算法的推荐	尽管人工智能在临床诊断中有潜力，但手动分析仍是金标准，存在一定的局限性	为血液学家提供选择合适的机器学习算法以自动化骨髓细胞形态检查的建议	六个骨髓细胞形态处理过程的自动化分析	机器学习	血液病	深度学习	深度神经网络	图像	NA
1171	2024-08-07	Neurophysiologically Meaningful Motor Imagery EEG Simulation With Applications to Data Augmentation 2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2024.3417311 PMID:38900612	研究论文	该文章介绍了一种集成神经生理意义活动的MI-EEG信号生成框架，旨在进行数据增强	本研究提出了PySimMIBCI框架，通过结合用户特定的神经生理信息，生成逼真的MI-EEG信号，以改善深度学习模型的训练	现有方法在数据生成过程中没有整合用户特定的神经生理信息	旨在通过模拟神经生理上合理的EEG信号来改善MI-BCI的性能和有效性	研究对象是基于运动想象的脑机接口（MI-BCIs）及其相关的EEG信号	计算机视觉	NA	深度学习（DL）	NA	EEG信号	模拟不同用户能力的EEG信号
1172	2024-08-05	Morphological Profiling for Drug Discovery in the Era of Deep Learning 2024-Jan-15, ArXiv PMID:38168460	综述	本文提供了形态特征分析在表型药物发现中的最新进展的全面概述	重点强调深度学习在形态分析中的应用，包括细胞分割、图像表示学习和多模态学习	未提及具体的限制	探讨形态特征分析在表型药物发现中的应用及其流程	涵盖对细胞或生物体在单细胞分辨率下对干扰的反应的分析	计算机视觉	NA	高通量自动成像	深度学习	图像	NA
1173	2024-08-05	The Application of Artificial Intelligence to Cancer Research: A Comprehensive Guide 2024 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338241250324 PMID:38775067	综述	本文回顾了人工智能在癌症研究中的应用和重要性	对机器学习、软计算和深度学习在肿瘤学中的作用进行了系统解释，强调了AI在改善患者结果方面的潜力	未提及具体的实证研究或实验数据支持	阐述AI在癌症研究中的进展及其在临床诊断和治疗中的应用	癌症类型的诊断、分类和预后预测	机器学习	癌症	机器学习、深度学习	SVM、朴素贝叶斯、CNN	NA	NA
1174	2024-08-05	The analysis of the internet of things database query and optimization using deep learning network model 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306291 PMID:38941309	研究论文	本研究探讨深度学习网络模型在物联网数据库查询和优化中的应用效果	本文通过优化策略提升了深度学习网络模型的效率，验证了优化模型在训练和参数优化阶段的优势	研究可能未考虑所有类型的数据库查询和系统架构	本研究旨在探讨深度学习技术在物联网数据处理中的应用	研究对象为物联网数据库及其查询和优化策略	深度学习	NA	深度学习网络模型	优化深度学习模型	数据请求	2000个数据量及以上
1175	2024-08-05	Deep learning-based differentiation of peripheral high-flow and low-flow vascular malformations in T2-weighted short tau inversion recovery MRI 2024, Clinical hemorheology and microcirculation IF:2.1Q3 DOI:10.3233/CH-232071 PMID:38306026	研究论文	本文评估了一种卷积神经网络（CNN）在T2加权短tau反转恢复MRI中区分周边高流量和低流量血管畸形的表现	使用CNN在血管畸形的诊断中，与专家放射科医师的表现相当，且对于初级放射科医师的辅助效果有限	该研究为单中心研究，样本量可能限制结果的广泛适用性	评估CNN在区分高流量和低流量血管畸形中的效果	527个MRI图像，其中386个为低流量血管畸形，141个为高流量血管畸形	计算机视觉	NA	MRI	CNN	图像	527个MRI图像
1176	2024-08-05	A CNN-CBAM-BIGRU model for protein function prediction 2024-Jan-01, Statistical applications in genetics and molecular biology IF:0.8Q3 DOI:10.1515/sagmb-2024-0004 PMID:38943434	研究论文	提出了一种新的CNN-CBAM-BiGRU模型用于蛋白质功能预测	将卷积块注意力模块与双向GRU结合，提高了对蛋白质数据中信息部分的关注	NA	研究利用深度学习模型进行蛋白质功能预测的有效性	蛋白质序列数据	计算机视觉	NA	深度学习	CNN-CBAM-BiGRU	蛋白质序列	人类和酵母数据集
1177	2024-08-05	Variants in Candidate Genes for Phenotype Heterogeneity in Patients with the 22q11.2 Deletion Syndrome 2024, Genetics research IF:1.4Q4 DOI:10.1155/2024/5549592 PMID:38586596	研究论文	本研究探讨了22q11.2缺失综合症患者表型异质性的候选基因变异	通过对九个候选基因进行靶向下一代测序，发现了与22q11.2缺失相关的新的遗传变异	研究仅基于巴西一个相对较大的22q11.2DS人群，可能限制了结果的普遍性	探究可能作为遗传修饰因子并影响22q11.2缺失综合症表型异质性的遗传变异	对60名22q11.2DS患者进行基因变异的研究	数字病理学	NA	下一代测序（NGS）	深度学习模型（GARFIELD-NGS）	基因组数据	60名22q11.2DS患者
1178	2024-08-05	Multiparametric MRI-based radiomics approach with deep transfer learning for preoperative prediction of Ki-67 status in sinonasal squamous cell carcinoma 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1305836 PMID:38939344	研究论文	本文开发了一种结合传统手工特征和深度迁移学习特征的多参数MRI放射组学方法，以预测鼻窦鳞状细胞癌的Ki-67状态	创新之处在于结合了传统手工特征与深度迁移学习特征以提高预测能力	在病理、临床和MRI特征中未发现独立预测因子	研究旨在基于多参数MRI预测鼻窦鳞状细胞癌患者的Ki-67状态	研究对象为231名鼻窦鳞状细胞癌患者	数字病理学	鼻窦鳞状细胞癌	多参数MRI	支持向量机和其他集成学习模型（LightGBM, ExtraTrees）	影像	231名患者（训练组185名，测试组46名）
1179	2024-08-05	Attribution classification method of APT malware based on multi-feature fusion 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304066 PMID:38935673	研究论文	提出了一种基于多特征融合的APT恶意软件归属分类方法	构建了基于API指令和相关操作的事件行为图，并提出了多特征、多输入的深度学习模型	未讨论使用其他特征集的潜在影响，且对DLL链接库和隐藏文件地址的考虑可能不足	解决APT恶意软件归属分类中的不足，提升分类性能	使用公开数据集评估APT恶意软件的归属分类	计算机视觉	NA	深度学习	GNNs	图像	公开数据集
1180	2024-08-05	DEKR-SPrior: An Efficient Bottom-Up Keypoint Detection Model for Accurate Pod Phenotyping in Soybean 2024, Plant phenomics (Washington, D.C.) DOI:10.34133/plantphenomics.0198 PMID:38939747	研究论文	提出了一种底部向上的模型DEKR-SPrior，旨在提高大豆荚的表型准确性	设计了新颖的结构先验模块(SPrior)，利用余弦相似性来提高特征区分度	对深度学习模型在拥挤荚的表型识别中的有效性仍有待进一步研究	提高大豆荚和种子的高通量表型测定精度	密集堆叠和重叠的大豆荚和种子	数字植物学	NA	深度学习(DL)	DEKR-SPrior	图像	使用了多个图像数据集进行实验