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
10321	2024-08-05	[Artificial intelligence in kidney transplant pathology] 2024-Jul, Pathologie (Heidelberg, Germany) DOI:10.1007/s00292-024-01324-7 PMID:38598097	综述	总结人工智能在肾移植病理学诊断领域的研究现状及其局限性	该文章探讨了AI在肾移植病理中的最新应用及其未来展望	在代表性数据集的收集和Banff分类的更新方面存在重要的局限性和挑战	研究人工智能在肾移植病理学诊断中的应用及存在的限制	聚焦于使用AI改善肾移植诊断的组织病理学研究	数字病理学	NA	深度学习	NA	文献	NA
10322	2024-08-05	NerveTracker: a Python-based software toolkit for visualizing and tracking groups of nerve fibers in serial block-face microscopy with ultraviolet surface excitation images 2024-Jul, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.29.7.076501 PMID:38912214	研究论文	本文开发了一种用于视觉化和跟踪神经纤维组的Python软件工具NerveTracker	创新点在于提供了一套专用的、可定制的软件以进行外周神经样本的微观跟踪	未提及具体的局限性	研究旨在开发能够处理和可视化神经样本图像的定制软件	研究对象为外周神经样本中的神经纤维	计算机视觉	NA	三维显微镜与紫外表面激发	NA	图像	在几毫米的神经长度上测试了多个样本
10323	2024-08-05	Assessing spectral effectiveness in color fundus photography for deep learning classification of retinopathy of prematurity 2024-Jul, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.29.7.076001 PMID:38912212	研究论文	本研究评估了在深度学习分类早产儿视网膜病中的彩色眼底摄影的光谱有效性	研究展示了使用红色或绿色长波长进行深度信息增强和改进诊断能力的有效性	研究未探讨其他可能影响分类准确性的因素	评估彩色眼底摄影在早产儿视网膜病深度学习分类中的光谱有效性	早产儿视网膜病的眼底图像	计算机视觉	早产儿视网膜病	卷积神经网络	CNN	图像	包含正常和不同阶段早产儿视网膜病的眼底图像
10324	2024-08-05	Reproducibility and Explainability of Deep Learning in Mammography: A Systematic Review of Literature 2024-Jul, The Indian journal of radiology & imaging DOI:10.1055/s-0043-1775737 PMID:38912238	系统评价	本文评估了深度学习在乳腺癌筛查中的可重复性与解释性。	提出了针对文献的质量评估工具mQUADAS-2，并揭示了许多研究存在偏倚风险。	大多数研究由于患者选择不具代表性而具有高风险偏倚，没有研究提供超出定位准确性的解释能力。	评估乳腺癌筛查中深度学习文献的可重复性，确定模型设计的最佳实践。	包括使用深度学习检测病变或将图像分类为癌症或非癌症的研究。	数字病理学	乳腺癌	深度学习	卷积神经网络（CNN），集成模型	图像	共筛选了12,123条记录，其中107条符合纳入标准
10325	2024-08-07	Enhancing diagnostic precision in liver lesion analysis using a deep learning-based system: opportunities and challenges 2024-Jul, Nature reviews. Clinical oncology DOI:10.1038/s41571-024-00887-x PMID:38519602	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
10326	2024-08-07	Automated deep learning framework: providing decision-making information for breast cancer management 2024-Jul, EClinicalMedicine IF:9.6Q1 DOI:10.1016/j.eclinm.2024.102674 PMID:38911837	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
10327	2024-08-05	Three-dimensional atrous inception module for crowd behavior classification 2024-Jun-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65003-6 PMID:38909074	研究论文	提出了一种三维空洞Inception模块的网络用于人群行为分类	创造性地引入了三维空洞卷积和分离损失函数，提高了对复杂人群行为的分类精度	缺乏关于模型在不同环境下的有效性和鲁棒性验证	解决人群行为识别中的复杂性问题	人群行为在视频监控系统中的识别与分类	计算机视觉	NA	三维卷积	3D神经网络	视频	NA
10328	2024-08-05	Protocol to perform integrative analysis of high-dimensional single-cell multimodal data using an interpretable deep learning technique 2024-Jun-21, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2024.103066 PMID:38748882	研究论文	本文提出了一种使用可解释深度学习技术对高维单细胞多模态数据进行集成分析的协议	创新点在于提出了一种名为moETM的可解释深度学习技术来处理单细胞多组学数据	限制在于所演示的数据只来自骨髓单核细胞，可能缺乏其他细胞类型的数据	研究单细胞多组学数据的集成分析方法	研究对象为骨髓单核细胞的单细胞多组学数据	数字病理学	NA	单细胞多组学测序	moETM	多模态数据	使用了来自GSE194122的数据集，具体样本数量未提及
10329	2024-08-05	A deep learning framework for denoising and ordering scRNA-seq data using adversarial autoencoder with dynamic batching 2024-Jun-21, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2024.103067 PMID:38748883	研究论文	本文介绍了一种用于去噪单细胞RNA测序数据的深度学习框架	提出了一种动态批处理对抗自编码器(DB-AAE)以提高scRNA-seq数据的去噪效果	本研究的局限性未在摘要中明确指出	旨在解决单细胞RNA测序数据分析中的技术挑战	针对单细胞RNA测序数据集进行去噪处理	机器学习	NA	深度学习	对抗自编码器	基因表达数据	NA
10330	2024-08-05	Deep learning with noisy labels in medical prediction problems: a scoping review 2024-Jun-20, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocae108 PMID:38814164	综述	本文旨在全面回顾深度学习在医疗预测中对标签噪声管理的研究	提出了将标签噪声管理作为医疗研究标准元素的重要性，并分类了标签噪声检测方法和处理技术	仅涉及2016年至2023年间的60篇文献，可能无法涵盖所有相关研究	研究医疗预测问题中标签噪声管理的重要性和现状	关注医疗研究中标签噪声的来源、影响、检测及处理技术	机器学习	NA	深度学习	NA	文献研究	60篇文献
10331	2024-08-05	Determining Protein Secondary Structures in Heterogeneous Medium-Resolution Cryo-EM Images Using CryoSSESeg 2024-Jun-18, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.4c02608 PMID:38911779	研究论文	本研究提出了一个基于卷积神经网络的框架cryoSSESeg，用于在中等分辨率的冷冻电子显微镜图像中确定蛋白质二级结构的组织	介绍了一种新的深度学习方法cryoSSESeg，相比传统图像处理工具和其他深度学习模型表现出更优或相当的性能	结果受到中等分辨率密度图质量变化的影响，需要小心评估数据质量	通过分析中等分辨率的冷冻电子显微镜图像来提取蛋白质二级结构的信息	约1300条蛋白链来自500个实验性的冷冻电子显微镜密度图	计算机视觉	NA	冷冻电子显微镜（cryo-EM）	卷积神经网络（CNN）	图像	约1300条蛋白链，来自约500个不同质量的实验性冷冻电子显微镜密度图
10332	2024-08-05	Deep-GenMut: Automated genetic mutation classification in oncology: A deep learning comparative study 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e32279 PMID:38912449	研究论文	本文探讨了自动化的肿瘤学基因突变分类方法	通过比较不同深度学习模型，提出了优化的BioBERT模型用于基因突变分类，展示了实验结果的显著提升	研究中存在文本长度庞大、数据偏差以及数据实例重复等挑战	提高临床解释的精确度，改进基因突变的自动分析	利用深度学习模型对基因突变进行分类	自然语言处理	癌症	下一代测序技术	BioBERT, BERT, LSTM, BiLSTM	文本	使用了由纪念斯隆-凯特琳癌症中心（MSKCC）创建的包含多种突变的数据集
10333	2024-08-05	Advancing reliability and efficiency of urban communication: Unmanned aerial vehicles, intelligent reflection surfaces, and deep learning techniques 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e32472 PMID:38912507	研究论文	本文提出了一种用于无人机辅助通信系统的新型三维动态信道模型，并引入智能反射面来提升城市通信的可靠性和效率	提出了一种结合深度学习和人工智能技术的信道跟踪方法，使用深度神经网络进行初步估计，并采用双向长短期记忆（Bi-LSTM）模型进行持续监测	文中未提及具体在复杂城市环境中部署的限制因素	旨在改进城市环境中的无线通信网络，通过无人机和智能反射面建立更可靠的连接	研究对象为无人机辅助通信系统和智能反射面的整合	计算机视觉	NA	深度学习	Bi-LSTM	信号数据	仿真结果未具体说明样本规模
10334	2024-08-05	Enhancing Earth data analysis in 5G satellite networks: A novel lightweight approach integrating improved deep learning 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e32071 PMID:38912450	研究论文	该文章提出了一种集成云服务器与卫星网络结构的轻量级深度学习方法以增强地球数据分析	创新点在于提出了LMAEDL方法，通过适应性调整学习技术来优化卫星网络中的数据处理	文章未提供对比的具体数据或结果，可能无法全面评估所有潜在局限性	研究旨在提升5G卫星网络中数据分析的效率	研究对象包括在远程节点中分布广泛的传感器产生的大量数据	机器学习	NA	深度学习	NA	数据	NA
10335	2024-08-05	Contrastive pre-training for sequence based genomics models 2024-Jun-12, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.10.598319 PMID:38915667	研究论文	本文介绍了一种用于序列基础基因组模型的无监督对比预训练方法cGen	cGen是一种模型无关的对比预训练方法，能够在训练前初始化权重，从而减少所需数据集的大小	对比预训练方法的有效性可能受到原始基因组数据的质量影响	探索深度学习在基因组学中的应用，尤其是在数据稀缺情况下的模型性能提升	研究序列基础的深度学习模型在基因组学中的应用	机器学习	NA	NA	NA	序列数据	NA
10336	2024-08-05	Deep learning-based multi-modal data integration enhancing breast cancer disease-free survival prediction 2024-Jun, Precision clinical medicine IF:5.1Q1 DOI:10.1093/pcmedi/pbae012 PMID:38912415	研究论文	本研究开发了一个新的多模态深度学习模型，使用术前数据预测乳腺癌的无病生存期。	创新点在于将临床病理数据与分子数据整合到DeepClinMed-PGM模型中，以提高预测乳腺癌无病生存期的准确性。	研究的回顾性设计可能影响模型的广泛适用性和外部验证。	研究旨在开发一个乳腺癌无病生存期的预测模型。	参与者包括训练队列741人，内部验证队列184人，外部测试队列95人。	机器学习	乳腺癌	深度学习	DeepClinMed-PGM	影像、分子和临床数据	训练队列741人，内部验证队列184人，外部测试队列95人
10337	2024-08-05	Image detection model construction of Apolygus lucorum and Empoasca spp. based on improved YOLOv5 2024-Jun, Pest management science IF:3.8Q1 DOI:10.1002/ps.7964 PMID:38243837	研究论文	本研究提出了一种基于改进YOLOv5的深度学习模型用于自动检测和计数小害虫Apolygus lucorum和Empoasca spp.	提出了新的YOLOv5s_HSSE模型，通过改变激活函数、引入SIoU损失函数和增加注意力机制实现更高的检测精度	关于模型在不同环境或其他作物上的适用性未进行详细探讨	开发一种高效、准确的小害虫监测方法	针对Apolygus lucorum和Empoasca spp.的小害虫进行检测和计数	计算机视觉	NA	深度学习	YOLOv5s_HSSE	图像	1502张从多个地点和时间收集的图像
10338	2024-08-05	Deep Learning Based on Computed Tomography Predicts Response to Chemoimmunotherapy in Lung Squamous Cell Carcinoma 2024-May-17, Aging and disease IF:7.0Q1 DOI:10.14336/AD.2024.0169 PMID:38916736	研究论文	本研究旨在开发深度学习模型以预测肺鳞状细胞癌患者对化疗免疫治疗的主要病理反应。	该研究开发的ResNet50模型显示出高预测准确性，揭示了与免疫反应和抗原处理及呈递相关的生物机制。	目前研究的样本来自不同医疗机构，可能存在样本异质性。	研究目的是确定对化疗免疫治疗的响应的可靠生物标志物。	参与者为309名来自各医疗机构的肺鳞状细胞癌患者。	数字病理学	肺癌	对比增强计算机断层扫描	ResNet50	图像	309名肺鳞状细胞癌患者
10339	2024-08-05	Optimizing deep learning-based segmentation of densely packed cells using cell surface markers 2024-May-15, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02502-6 PMID:38750526	研究论文	本文研究了基于深度学习的细胞分割模型在密集细胞中的优化方法	通过比较18种深度学习细胞分割模型，并细化训练，提升了细胞分割的准确性	最终模型表现的不足可以归因于图像集中的中等信噪比	提高人类单细胞特征在高度密集组织中的识别和量化能力	使用人类单纯疱疹病毒感染的皮肤组织免疫细胞表面标记的免疫荧光图像	计算机视觉	NA	深度学习	Cellpose的cyto模型	图像	超过10,000个训练实例
10340	2024-08-05	Deciphering the Coevolutionary Dynamics of L2 β-Lactamases via Deep Learning 2024-May-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00189 PMID:38687957	研究论文	本文探讨了L2 β-内酰胺酶的共进化动力学及其在抗微生物耐药性中的重要性	采用创新的计算方法，包括自适应采样分子动力学模拟和深度学习方法，探讨L2 β-内酰胺酶家族的构象变化和相关性	对L2 β-内酰胺酶的研究相对有限，可能影响对其全面理解	理解L2 β-内酰胺酶的共进化动力学	L2 β-内酰胺酶及其他代表性A类酶	计算机视觉	NA	深度学习	卷积变分自编码器和BindSiteS-CNN	NA	NA