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
2161	2024-12-08	Generic characterization method for nano-gratings using deep-neural-network-assisted ellipsometry 2024-Mar, Nanophotonics (Berlin, Germany) DOI:10.1515/nanoph-2023-0798 PMID:39634008	研究论文	本文提出了一种利用深度神经网络辅助椭偏仪对纳米光栅进行通用表征的新方法	该方法通过处理椭偏角作为功能信号，开发了一个综合模型，并引入了多种措施和补偿算法来提高模型的稳定性和准确性	NA	解决深度神经网络辅助光学散射测量在纳米结构应用中的挑战，如稳定性差、功能有限和高设备要求	纳米光栅	机器学习	NA	椭偏仪	深度神经网络	椭偏角	多种方法制造的纳米光栅
2162	2024-12-08	De novo design of high-affinity binders of bioactive helical peptides 2024-Feb, Nature IF:50.5Q1 DOI:10.1038/s41586-023-06953-1 PMID:38109936	研究论文	本文介绍了一种基于参数生成和深度学习的方法，用于设计与具有螺旋倾向的短肽相互作用的蛋白质	本文提出了一种扩展RFdiffusion的方法，使其能够设计与柔性目标结合的结合剂，并通过部分扩散优化输入结构模型，从而生成对螺旋肽目标具有皮摩尔亲和力的结合剂	NA	解决蛋白质与具有螺旋倾向的短肽相互作用的设计挑战	设计与螺旋肽相互作用的蛋白质结合剂	生物信息学	NA	深度学习	RFdiffusion	蛋白质结构	NA
2163	2024-12-08	Self-Supervised Super-Resolution of 2D Pre-clinical MRI Acquisitions 2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3016094 PMID:39628511	研究论文	本研究评估了一种自监督深度学习超分辨率方法SMORE在增强2D临床前MRI扫描的各向同性分辨率方面的有效性	SMORE通过自训练高分辨率平面数据来消除输入数据与外部训练集之间的领域差异，显著优于传统的插值方法	NA	增强2D临床前MRI扫描的各向同性分辨率	小鼠MRI扫描	计算机视觉	NA	MRI	深度学习	图像	多种不同平面分辨率的小鼠MRI扫描
2164	2024-12-08	Deep learning for transesophageal echocardiography view classification 2024-01-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-50735-8 PMID:38167849	研究论文	开发了一种基于深度学习的经食管超声心动图（TEE）视图分类模型	首次将卷积神经网络（CNN）应用于TEE视频的视图分类，提高了分类准确性	研究仅限于特定医疗机构的数据，未提及模型的泛化能力	开发一种能够准确分类TEE视图的深度学习模型，以促进手术和操作过程中TEE图像的进一步分析	经食管超声心动图（TEE）视频	计算机视觉	心血管疾病	深度学习	卷积神经网络（CNN）	视频	来自Cedars-Sinai医疗中心和斯坦福大学医疗中心的TEE视频
2165	2024-12-08	Deep learning methods improve genomic prediction of wheat breeding 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1324090 PMID:38504889	研究论文	研究探讨了深度学习模型在小麦育种基因组预测中的应用，并与传统的GBLUP模型进行了比较	本研究首次在适度大规模数据集上应用深度学习模型，并展示了其在基因组预测中的优越性	研究仅限于五个特定性状的预测，且未探讨更大规模数据集上的表现	评估深度学习模型在小麦育种基因组预测中的准确性，并探讨其在适度大规模数据集上的应用潜力	小麦育种中的基因组预测	机器学习	NA	深度学习	深度学习模型	基因组数据	适度大规模数据集
2166	2024-12-08	Multiscale effective connectivity analysis of brain activity using neural ordinary differential equations 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314268 PMID:39630698	研究论文	本文介绍了一种名为msDyNODE的神经生物学驱动的深度学习模型，用于分析大脑活动的多尺度有效连接	提出了msDyNODE模型，用于描述多尺度大脑通信，成功捕捉了多尺度活动，并展示了其在神经生理实验中的应用	NA	开发一种新的多尺度动态模型，用于研究神经过程	大脑活动的多尺度有效连接	机器学习	NA	神经普通微分方程	深度学习模型	神经信号	NA
2167	2024-12-08	Deep learning analysis of fMRI data for predicting Alzheimer's Disease: A focus on convolutional neural networks and model interpretability 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0312848 PMID:39630834	研究论文	本文探讨了使用深度学习方法，特别是卷积神经网络（CNN），通过功能磁共振成像（fMRI）数据来预测阿尔茨海默病（AD）	本文展示了深度学习在医学影像中预测AD的潜力，并强调了多模态医学数据集整合的复杂性	研究数据集存在样本量小和类别不平衡的问题	早期检测阿尔茨海默病以实现有效干预和管理	阿尔茨海默病及其相关遗传风险因素和fMRI数据	计算机视觉	阿尔茨海默病	功能磁共振成像（fMRI）	卷积神经网络（CNN）	图像	使用来自阿尔茨海默病神经影像学倡议（ADNI）的数据，样本量小且类别不平衡
2168	2024-12-08	A Hybrid 2D Gaussian Filter and Deep Learning Approach with Visualization of Class Activation for Automatic Lung and Colon Cancer Diagnosis 2024 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338241301297 PMID:39632623	研究论文	本文设计了一种结合2D高斯滤波和深度学习的自动化系统，用于肺和结直肠癌的诊断	提出了结合2D高斯滤波和深度学习的方法，并使用类激活映射（CAM）进行解释	未提及具体局限性	提高肺和结直肠癌的检测率	肺和结直肠癌的早期检测	计算机视觉	肺癌	2D高斯滤波	CNN	图像	25000张组织病理学图像
2169	2024-12-08	Recognition of parasitic helminth eggs via a deep learning-based platform 2024, Frontiers in microbiology IF:4.0Q2 DOI:10.3389/fmicb.2024.1485001 PMID:39633811	研究论文	本研究利用YOLOv4深度学习算法开发了一个用于识别寄生虫卵的平台	首次将人工智能技术应用于寄生虫卵的检测和分类，显著提高了诊断效率和准确性	在复杂诊断场景中，识别准确率仍有提升空间	开发一种高效、准确的寄生虫卵检测方法，以改善传统诊断方法的不足	不同种类的寄生虫卵，包括蛔虫、鞭虫、蛲虫、钩虫、日本血吸虫、肺吸虫、姜片虫、华支睾吸虫和绦虫	计算机视觉	寄生虫病	YOLOv4深度学习算法	YOLOv4	图像	涉及9种寄生虫卵的单物种和混合样本
2170	2024-12-08	Enhancing early Alzheimer's disease classification accuracy through the fusion of sMRI and rsMEG data: a deep learning approach 2024, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2024.1480871 PMID:39633895	研究论文	本文提出了一种基于深度学习的多模态分类框架，通过融合sMRI和rsMEG数据来提高阿尔茨海默病早期分类的准确性	本文创新性地提出了InterFusion方法，通过融合sMRI和rsMEG数据，显著提高了阿尔茨海默病早期分类的准确性	NA	提高阿尔茨海默病早期分类的准确性	sMRI和rsMEG数据	计算机视觉	阿尔茨海默病	深度学习	NA	图像	307个样本，包括163个轻度认知障碍病例和144个认知健康的对照组
2171	2024-12-08	YOLO-SDL: a lightweight wheat grain detection technology based on an improved YOLOv8n model 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1495222 PMID:39634063	研究论文	本文提出了一种基于改进的YOLOv8n模型的轻量级小麦谷物检测技术YOLO-SDL	YOLO-SDL模型在YOLOv8n的基础上，结合了ShuffleNetV2架构和深度可分离卷积（DWConv）与大分离核注意力（LSKA）机制，显著提高了检测速度和准确性	NA	实现高效的小麦谷物检测	小麦谷物的质量检测	计算机视觉	NA	深度学习	YOLOv8n	图像	包含完美、发芽、患病和受损谷物图像的高质量小麦谷物数据集
2172	2024-12-08	Moving Beyond Medical Statistics: A Systematic Review on Missing Data Handling in Electronic Health Records 2024, Health data science DOI:10.34133/hds.0176 PMID:39635227	综述	本文系统回顾了电子健康记录中缺失数据处理方法的研究现状	比较了传统统计方法和机器学习方法在不同缺失场景下的表现，发现机器学习方法在处理电子健康记录中的缺失数据方面具有显著潜力	没有一种方法能提供普遍适用的解决方案，标准化基准分析对于评估这些方法在不同缺失场景下的表现至关重要	探讨电子健康记录中缺失数据处理方法的现状及其在不同场景下的表现	电子健康记录中的缺失数据处理方法	机器学习	NA	机器学习方法，如生成对抗网络（GAN）和k近邻（KNN）分类	生成对抗网络（GAN），k近邻（KNN）	电子健康记录数据	46项研究，涵盖2010年至2024年发表的文献
2173	2024-12-08	Enhancing human activity recognition for the elderly and individuals with disabilities through optimized Internet-of-Things and artificial intelligence integration with advanced neural networks 2024, Frontiers in neuroinformatics IF:2.5Q3 DOI:10.3389/fninf.2024.1454583 PMID:39635647	研究论文	本文介绍了一种通过优化物联网和人工智能集成以及先进神经网络来增强老年人及残疾人士活动识别系统的方法	提出了一种结合门控循环网络和深度极限前馈神经网络的新型集成模型，并通过人工水滴优化算法优化超参数，以减少计算开销并提高检测效率	NA	旨在通过优化物联网和人工智能集成，提升老年人及残疾人士活动识别系统的准确性和效率	老年人及残疾人士的活动识别系统	机器学习	NA	人工水滴优化算法	门控循环网络和深度极限前馈神经网络	实时数据	使用从物联网测试平台收集的实时数据进行实验
2174	2024-12-08	Topology aware multitask cascaded U-Net for cerebrovascular segmentation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0311439 PMID:39636790	研究论文	提出了一种基于拓扑感知的多任务级联U-Net模型，用于脑部血管分割	引入了clDice损失函数，通过直接从分割和磁共振血管造影图像中计算血管骨架，实现了更准确的拓扑结构预测	NA	提高脑部血管分割的准确性和拓扑结构的捕捉能力	脑部血管	计算机视觉	NA	磁共振血管造影（MRA）	U-Net	图像	两个公开的时间飞跃磁共振血管造影（TOF-MRA）图像数据集
2175	2024-12-08	Deep learning based predictive modeling to screen natural compounds against TNF-alpha for the potential management of rheumatoid arthritis: Virtual screening to comprehensive in silico investigation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303954 PMID:39636801	研究论文	本研究利用深度学习方法筛选天然化合物对抗TNF-α，以期管理类风湿性关节炎	采用深度学习模型进行虚拟筛选，结合分子对接和ADMET分析，最终通过MD模拟评估化合物稳定性	样本量较小，仅筛选了2563种天然化合物，且最终验证的化合物数量有限	寻找新型天然化合物治疗类风湿性关节炎	TNF-α蛋白及其抑制剂	机器学习	类风湿性关节炎	深度学习	NA	化合物数据	2563种天然化合物，最终筛选出4种潜在抑制剂
2176	2024-12-08	Machine learning and game theory for cyber governance: Enhancing public opinion and regional sustainable development 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0308317 PMID:39636835	研究论文	本文提出了一种基于机器学习和博弈论的框架，用于感知民意、管理公众舆论和影响人们行为，以促进网络空间治理和区域可持续发展	本文的创新点在于结合了机器学习和博弈论的方法，利用深度学习技术分析公众舆论，采用主动学习方法降低成本，并通过博弈论做出最佳管理决策	本文的局限性在于仅使用了来自中国Y省和G省的实证数据进行验证，可能限制了框架的普适性	本文的研究目的是通过机器学习和博弈论的方法，提升网络空间治理中的公众舆论管理和区域可持续发展	本文的研究对象是网络空间中的公众舆论和人们的行为	机器学习	NA	深度学习	NA	文本	来自中国Y省和G省的实证数据
2177	2024-12-08	Correction: BCR-Net: A deep learning framework to predict breast cancer recurrence from histopathology images 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315419 PMID:39636893	correction	对文章DOI: 10.1371/journal.pone.0283562的更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2178	2024-12-08	SE-MAConvLSTM: A deep learning framework for short-term traffic flow prediction combining Squeeze-and-Excitation Network and Multi-Attention Convolutional LSTM Network 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0312601 PMID:39636907	研究论文	本文提出了一种结合挤压激励网络和多注意力卷积LSTM网络的深度学习框架，用于短期交通流量预测	设计了时空特征提取模块和多注意力模块，分别解决了时空相关性捕捉和不同时间间隔通道权重对预测结果的影响问题	NA	提高短期交通流量预测的准确性	交通流量数据	机器学习	NA	卷积神经网络 (CNN), 挤压激励网络 (SENet), 残差网络 (ResNet), 卷积LSTM网络 (ConvLSTM)	SE-MAConvLSTM	交通流量数据	两个真实数据集
2179	2024-12-08	Exploiting the features of deep residual network with SVM classifier for human posture recognition 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314959 PMID:39636954	研究论文	本文研究了基于深度残差网络和SVM分类器的人体姿态识别性能	提出了一种结合深度残差网络（ResNet-50）特征和支持向量机（SVM）分类器的混合架构，显著提高了人体姿态识别的准确性	NA	提高人体姿态识别的准确性和效率	人体姿态识别	计算机视觉	NA	深度学习	ResNet-50, SVM	图像	三个数据集：Multi-Camera Fall (MCF) 使用四种姿态，UR Fall detection (URFD) 使用四种姿态，UP-Fall detection (UPFD) 使用四种姿态
2180	2024-12-08	Value of radiomics and deep learning feature fusion models based on dce-mri in distinguishing sinonasal squamous cell carcinoma from lymphoma 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1489973 PMID:39640273	研究论文	本研究旨在构建和验证基于动态对比增强（DCE）成像的机器学习和深度学习特征模型，并评估放射组学和深度学习特征融合模型在区分鼻窦鳞状细胞癌和淋巴瘤中的临床价值	本研究创新性地结合了放射组学和深度学习特征，构建了一个融合模型，显著提高了区分鼻窦鳞状细胞癌和淋巴瘤的准确性	本研究为回顾性分析，样本量有限，未来需要更大规模的前瞻性研究来验证结果	开发一种能够在术前精确区分鼻窦鳞状细胞癌和淋巴瘤的方法，以制定合适的治疗方案	鼻窦鳞状细胞癌和鼻窦淋巴瘤	机器学习	鼻窦癌	动态对比增强磁共振成像（DCE-MRI）	深度学习模型（DL）和机器学习模型（ML）	图像	90例鼻窦肿瘤患者，包括50例鼻窦鳞状细胞癌和40例鼻窦淋巴瘤