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
5121	2024-10-19	Deep Learning Artificial Intelligence Predicts Homologous Recombination Deficiency and Platinum Response From Histologic Slides 2024-Oct-20, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO.23.02641 PMID:39083703	研究论文	本文介绍了一种名为DeepHRD的深度学习平台，用于从常规的苏木精和伊红染色（H&E）病理切片中预测同源重组缺陷（HRD）和铂类药物反应	DeepHRD可以从常规的H&E染色切片中直接预测HRD，而不需要分子检测，这在多个独立数据集中得到了验证	NA	开发一种无需分子检测即可预测HRD和铂类药物反应的深度学习平台	乳腺癌和卵巢癌的H&E染色病理切片	数字病理学	乳腺癌和卵巢癌	深度学习	深度学习平台	图像	乳腺癌样本1008个，卵巢癌样本459个
5122	2024-10-19	Dual convolution-transformer UNet (DCT-UNet) for organs at risk and clinical target volume segmentation in MRI for cervical cancer brachytherapy 2024-Oct-18, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad84b2 PMID:39378904	研究论文	本文提出了一种用于宫颈癌近距离放射治疗中MRI图像中危及器官和临床靶区体积自动分割的深度学习方法	设计了一种双卷积-变换器UNet（DCT-UNet）模型，并采用尺寸自适应多模型方法，显著提高了HR-CTV的分割效果	NA	开发一种自动分割方法，以提高宫颈癌近距离放射治疗中MRI图像中危及器官和临床靶区体积的分割精度和速度	宫颈癌近距离放射治疗中的MRI图像中的危及器官（膀胱、直肠、乙状结肠）和临床靶区体积（HR-CTV）	计算机视觉	宫颈癌	深度学习	DCT-UNet	图像	NA
5123	2024-10-19	Deep learning-based surgical step recognition for laparoscopic right-sided colectomy 2024-Oct-18, Langenbeck's archives of surgery DOI:10.1007/s00423-024-03502-w PMID:39419830	研究论文	本研究开发了一种基于深度学习的腹腔镜右半结肠切除术步骤识别模型，并评估了其识别性能	首次使用深度学习算法开发了腹腔镜右半结肠切除术的自动步骤识别模型	本研究为单中心回顾性研究，样本量有限，且仅包括了两种手术类型	开发和评估一种用于腹腔镜右半结肠切除术步骤识别的深度学习模型	腹腔镜右半结肠切除术的手术步骤	计算机视觉	结肠癌	深度学习	NA	视频	78名患者，其中35名进行了腹腔镜回盲部切除术，44名进行了腹腔镜右半结肠切除术
5124	2024-10-19	Machine learning and deep learning models for the diagnosis of apical periodontitis: a scoping review 2024-Oct-18, Clinical oral investigations IF:3.1Q1 DOI:10.1007/s00784-024-05989-5 PMID:39419893	综述	评估现有文献中使用机器学习和深度学习模型诊断人类根尖周炎的情况	发现AI模型在通过牙科X光片提高根尖周透亮区检测准确性方面的有效性和变革潜力	缺乏对方法学和性能指标关键方面的标准化报告，阻碍了通过AI建立确定性诊断方法	评估机器学习和深度学习模型在诊断根尖周炎中的应用	人类根尖周炎的诊断	机器学习	口腔疾病	机器学习 (ML) 和深度学习 (DL)	NA	图像	19篇文献
5125	2024-10-19	Rapid Identification of Medicinal Polygonatum Species and Predictive of Polysaccharides Using ATR-FTIR Spectroscopy Combined With Multivariate Analysis 2024-Oct-18, Phytochemical analysis : PCA IF:3.0Q2 DOI:10.1002/pca.3459 PMID:39422183	研究论文	本研究利用ATR-FTIR光谱结合多元分析方法，开发了中药玉竹品种的定性模型和多糖预测模型	首次使用ATR-FTIR光谱结合多元分析方法进行中药玉竹品种的分类和多糖含量的预测	未来研究可以进一步探索便携式红外光谱仪的应用，并扩展到其他化学成分的预测	开发一种快速、环保且精确的方法来分类中药玉竹品种并预测其多糖含量	中药玉竹品种及其多糖含量	化学分析	NA	ATR-FTIR光谱	ResNet模型、PLSR模型、Kernel-PLSR模型	光谱数据	334个中药玉竹样本和110个玉竹多糖样本
5126	2024-10-19	Attention-Guided Residual U-Net with SE Connection and ASPP for Watershed-Based Cell Segmentation in Microscopy Images 2024-Oct-18, Journal of computational biology : a journal of computational molecular cell biology IF:1.4Q2 DOI:10.1089/cmb.2023.0446 PMID:39422580	研究论文	提出了一种新的RA-SE-ASPP-Net框架，用于显微图像中基于分水岭的细胞分割	结合了残差块、注意力机制、挤压激励连接和空洞空间金字塔池化，以实现精确和鲁棒的细胞分割	未明确提及	开发一种自动化的细胞分割方法，以解决手动分析大量细胞的不切实际性	显微图像中的细胞分割	计算机视觉	NA	显微成像	U-Net	图像	使用了诱导多能干细胞重编程数据集
5127	2024-10-19	MRI deep learning models for assisted diagnosis of knee pathologies: a systematic review 2024-Oct-18, European radiology IF:4.7Q1 DOI:10.1007/s00330-024-11105-8 PMID:39422725	综述	本文系统回顾了使用深度学习模型通过MRI辅助诊断膝关节病理的研究现状	本文总结了不同卷积神经网络（CNN）在膝关节病理诊断中的应用，并评估了其性能	需要更大规模的MRI数据集来验证这些模型，以缩小当前深度学习模型性能与临床需求之间的差距	总结深度学习MRI模型在辅助诊断膝关节异常方面的现状	膝关节异常，包括前交叉韧带损伤、骨关节炎、半月板损伤等	计算机视觉	NA	深度学习	卷积神经网络（CNN）	MRI图像	54篇文章，涵盖不同类型的膝关节异常
5128	2024-10-19	Computational screening of umami tastants using deep learning 2024-Oct-18, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-024-11006-4 PMID:39422798	研究论文	本研究开发了一种基于深度学习的虚拟筛选管道，用于从大型分子数据库中识别高活性的鲜味调味剂	首次使用基于transformer的架构进行鲜味分子分类，并构建了预测鲜味化合物活性的神经网络模型	NA	开发一种高效的方法来识别新的鲜味调味剂	鲜味分子及其活性	机器学习	NA	深度学习	transformer和神经网络	分子数据	439个鲜味分子和428个非鲜味分子
5129	2024-10-19	Camera-Based Respiratory Imaging System for Monitoring Infant Thoracoabdominal Patterns of Respiration 2024-Oct-17, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3482569 PMID:39418142	研究论文	本文提出了一种基于摄像头的呼吸成像系统，用于监测婴儿胸腹呼吸模式	利用摄像头传感器空间冗余性分析婴儿胸腹呼吸运动，并引入多专家对比学习策略以解决临床训练数据有限和受试者变异性问题	NA	开发一种新的视频监测方法，用于评估婴儿胸腹呼吸模式，揭示视频健康监测在新生儿护理中的新应用	婴儿胸腹呼吸模式	计算机视觉	NA	光学流	深度学习算法	视频	44名婴儿
5130	2024-10-19	Zero-Shot Relation Classification Through Inference on Category Attributes 2024-Oct-17, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3474669 PMID:39418148	研究论文	本文提出了一种通过类别属性推理进行零样本关系分类的新框架	引入假设模板自动将关系分类数据转换为文本蕴含格式，并通过预训练的文本蕴含模型进行微调，以实现从已知类到未知类的语义推理规则的泛化	NA	解决零样本关系分类任务中的未见关系识别问题	语义关系分类	自然语言处理	NA	NA	NA	文本	NA
5131	2024-10-19	Ultrasound for breast cancer detection: A bibliometric analysis of global trends between 2004 and 2024 2024-Oct-17, Medical ultrasonography IF:1.8Q3 DOI:10.11152/mu-4443 PMID:39420819	研究论文	本文通过文献计量方法分析了2004年至2024年间全球超声在乳腺癌诊断领域的研究趋势	首次对超声在乳腺癌诊断领域的研究趋势进行了全面的文献计量分析和可视化	NA	深入了解超声在乳腺癌诊断领域的研究现状和未来趋势	超声在乳腺癌诊断中的应用	计算机视觉	乳腺癌	超声成像	卷积神经网络	文本	3523篇文章，来自2176个机构，涉及82个国家/地区
5132	2024-10-19	Development trends and knowledge framework of artificial intelligence (AI) applications in oncology by years: a bibliometric analysis from 1992 to 2022 2024-Oct-16, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-024-01415-0 PMID:39406991	综述	本文通过文献计量分析方法，探讨了1992年至2022年间人工智能在肿瘤学领域的应用趋势和知识框架	本文首次通过文献计量分析方法，全面评估了人工智能在肿瘤学领域的研究热点和发展趋势	本文主要依赖于文献计量分析，可能忽略了某些非文献形式的创新和研究进展	探讨人工智能在肿瘤学领域的应用趋势和研究热点	1992年至2022年间发表的与人工智能在肿瘤学领域相关的文献	机器学习	肿瘤	文献计量分析	NA	文献	共分析了7815篇文章，涉及35098位作者和1492种期刊
5133	2024-10-19	A Rapid Adaptation Approach for Dynamic Air-Writing Recognition Using Wearable Wristbands with Self-Supervised Contrastive Learning 2024-Oct-16, Nano-micro letters IF:31.6Q1 DOI:10.1007/s40820-024-01545-8 PMID:39407061	研究论文	本文提出了一种利用自监督对比学习进行动态空中书写识别的快速适应方法，通过穿戴式腕带系统实现	该方法通过自监督对比学习，能够快速适应多种场景，且仅需少量标注数据进行微调	NA	开发一种能够快速适应多种任务的穿戴式腕带系统，用于动态手势识别	穿戴式腕带系统及其在动态手势识别中的应用	计算机视觉	NA	自监督对比学习	NA	信号	少量标注数据
5134	2024-10-19	Putting proteins in context 2024-Oct-16, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2024.09.009 PMID:39418999	研究论文	本文介绍了一种名为PINNACLE的几何深度学习方法，用于生成蛋白质的上下文表示	PINNACLE通过结合蛋白质相互作用和多器官单细胞转录组学分析，生成了具有生物和环境上下文的蛋白质表示	NA	解决现有蛋白质表示方法缺乏生物或环境上下文的问题	蛋白质及其在细胞类型特异性功能和相互作用中的上下文表示	机器学习	NA	几何深度学习	几何深度学习模型	蛋白质相互作用数据和单细胞转录组学数据	NA
5135	2024-10-19	A deep learning approach for line-level Amharic Braille image recognition 2024-10-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-73895-7 PMID:39406793	研究论文	本文提出了一种结合CNN和BiLSTM网络的深度学习模型，用于阿姆哈拉盲文图像的行级识别	首次提出了一种无需大量图像预处理和后处理的序列到序列学习方法，用于阿姆哈拉盲文图像的识别	NA	解决阿姆哈拉盲文图像识别中的半字符识别和字符分割问题	阿姆哈拉盲文图像的行级识别	计算机视觉	NA	深度学习	CNN和BiLSTM网络	图像	训练集包含1800行图像，验证集包含200行图像，图像尺寸为32×256和48×256
5136	2024-10-19	Comparison of deep and conventional machine learning models for prediction of one supply chain management distribution cost 2024-Oct-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-75114-9 PMID:39406828	研究论文	比较深度学习和传统机器学习模型在供应链管理分销成本预测中的应用	使用卷积神经网络（CNN）进行供应链管理分销成本预测，并展示了其在准确性上的优势	未提及	优化供应链管理分销成本预测的准确性	供应链管理分销成本	机器学习	NA	卷积神经网络（CNN）	卷积神经网络（CNN）	数据	180,519个开源数据点
5137	2024-10-19	HiCDiffusion - diffusion-enhanced, transformer-based prediction of chromatin interactions from DNA sequences 2024-Oct-15, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-024-10885-z PMID:39407104	研究论文	本文提出了一种基于扩散增强和Transformer的模型HiCDiffusion，用于从DNA序列预测染色质相互作用	HiCDiffusion通过将编码器-解码器神经网络与扩散模型结合，生成高分辨率的Hi-C矩阵，显著提高了与实验结果的相似性	NA	解决从DNA序列预测染色质相互作用的问题，并提高预测结果的分辨率和真实性	DNA序列和染色质相互作用	机器学习	NA	扩散模型	Transformer	序列	NA
5138	2024-10-19	Mothra: Multiobjective de novo Molecular Generation Using Monte Carlo Tree Search 2024-Oct-14, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00759 PMID:39317969	研究论文	本文提出了一种基于深度学习技术的可扩展多目标分子生成模型，结合了递归神经网络和帕累托多目标蒙特卡罗树搜索	该模型通过集成递归神经网络和帕累托多目标蒙特卡罗树搜索，解决了以往线性组合方法在多目标优化中的权重问题	NA	旨在解决药物发现领域中化合物满足多重标准（如目标蛋白亲和力、药代动力学和膜通透性）的挑战	多目标分子生成模型	机器学习	NA	深度学习技术	递归神经网络	分子数据	NA
5139	2024-10-19	Analytical ab initio hessian from a deep learning potential for transition state optimization 2024-Oct-14, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-52481-5 PMID:39402016	研究论文	本文训练了一个全微分等变神经网络势能模型NewtonNet，用于有机反应的过渡态优化，并推导出解析Hessian矩阵	通过深度学习模型显著降低了计算成本，相比密度泛函理论（DFT）方法，计算成本降低了几个数量级	NA	预测动力学势垒并理解化学反应机制	有机反应的过渡态	机器学习	NA	深度学习	神经网络	反应数据	数千个有机反应
5140	2024-10-19	Computational approach for decoding malaria drug targets from single-cell transcriptomics and finding potential drug molecule 2024-10-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-72427-7 PMID:39402081	研究论文	本文提出了一种基于单细胞转录组数据和机器学习技术来识别疟疾药物靶点和潜在药物分子的计算方法	本文创新性地结合了互信息特征选择算法和分类算法，从单细胞转录组数据中筛选出关键蛋白质，并通过蛋白质相互作用网络分析和深度学习技术预测潜在药物分子	本文未详细讨论所预测药物分子的临床试验和实际应用效果	本文旨在利用单细胞转录组数据和机器学习技术识别疟疾的关键药物靶点，并预测潜在的新药物分子	本文的研究对象是疟原虫的单细胞转录组数据和关键蛋白质	机器学习	疟疾	单细胞转录组测序	深度学习	转录组数据	本文未明确提及样本数量