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
10681	2024-08-05	MRI-based automated multitask deep learning system to evaluate supraspinatus tendon injuries 2024-Jun, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-10392-x PMID:37964049	研究论文	本研究建立了一种基于MRI的自动化多任务深度学习系统来评估肩胛上肌腱损伤	该系统在肩胛上肌腱损伤的分类上表现优于经验丰富的放射科医生	未提及具体的局限性	研究旨在构建一种高效的MRI自动化多任务深度学习系统以评估肩胛上肌腱损伤	3087名患者根据关节镜发现分为正常、退行性和撕裂三组	计算机视觉	NA	深度学习	RC-MTL模型，VGG16	图像	3087名患者，外部验证573名患者
10682	2024-08-05	Digital pathology, deep learning, and cancer: a narrative review 2024-May-31, Translational cancer research IF:1.5Q4 DOI:10.21037/tcr-23-964 PMID:38881914	综述	这篇文章评估了深度学习与数字病理学在癌症检测中的应用现状	这项文章揭示了深度学习模型在实验室开发与其临床实践应用之间存在的差距	大多数文章集中于模型开发的实验室阶段，缺乏临床应用后的验证	探讨数字病理学与深度学习在癌症检测和患者护理中的应用	分析影响深度学习模型开发和临床实施的因素	数字病理学	癌症	深度学习	NA	NA	选取了36篇符合纳入标准的文章进行分析
10683	2024-08-05	Predicting and Recognizing Drug-Induced Type I Brugada Pattern Using ECG-Based Deep Learning 2024-May-21, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.123.033148 PMID:38726893	研究论文	本研究旨在开发深度卷积神经网络，并评估其在识别和预测布鲁加综合征（BrS）诊断中的性能	提出了一种名为BrS-Net的深度卷积神经网络，可有效识别和预测药物诱导的BrS I型模式	研究可能受限于样本选择和实验条件的标准化程度	研究旨在改进药物诱导布鲁加综合征的识别与预测方法	连续接受ajmaline测试的患者，共1188名参与者	深度学习	心血管疾病	深度卷积神经网络	卷积神经网络 (CNN)	心电图 (ECG)	1188名患者
10684	2024-08-05	Automated permanent tooth detection and numbering on panoramic radiograph using a deep learning approach 2024-05, Oral surgery, oral medicine, oral pathology and oral radiology DOI:10.1016/j.oooo.2023.06.003 PMID:37633788	研究论文	本研究评估了深度学习模型在全景放射影像中自动牙齿编号的性能	使用YOLO v4深度卷积神经网络实现了全景放射影像中牙齿的高效自动检测和编号	未提及模型在不同类型图像或不同人群中的适用性	评估深度学习模型在全景放射影像中的牙齿自动编号表现	使用500个全景影像数据集进行研究	计算机视觉	NA	YOLO v4	CNN	图像	500个全景图像
10685	2024-08-05	Deep Learning-Assisted Colorimetric/Electrical Dual-Sensing System for Ultrafast Detection of Hydrogen Sulfide 2024-04-26, ACS sensors IF:8.2Q1 DOI:10.1021/acssensors.3c02793 PMID:38584366	研究论文	本研究提出了一种用于氢 sulfide（HS）气体检测的双感应系统	该系统结合了色谱法和电法，利用深度神经网络实现了高精度和实时检测	NA	开发一种低功耗、高精度和适应性强的氢 sulfide检测系统	氢 sulfide（HS）气体	数字病理学	NA	电纺丝	深度神经网络（DNN）	电信号和颜色变化	NA
10686	2024-08-05	Deep Learning Promotes Profiling of Multiple miRNAs in Single Extracellular Vesicles for Cancer Diagnosis 2024-03-22, ACS sensors IF:8.2Q1 DOI:10.1021/acssensors.3c02789 PMID:38442411	研究论文	本研究介绍了一种通过深度学习检测单个外泌体中多种miRNA的方法，以用于癌症诊断。	首次结合全内反射荧光成像与深度学习算法对单个外泌体进行多miRNA特征分析，克服了外泌体异质性带来的挑战。	尚未提及其他癌症种类的验证，且样本量相对较小。	旨在通过单个外泌体分析提高癌症的早期诊断准确性。	研究对象为来自5种癌细胞和正常血浆的外泌体。	数字病理学	肺癌	全内反射荧光成像（TIRF）和深度学习（DL）	NA	图像	共分析了25名患者（5名肺癌、5名乳腺癌、5名宫颈癌和5名结肠癌）及5名健康对照
10687	2024-08-05	Investigation of Deepfake Voice Detection Using Speech Pause Patterns: Algorithm Development and Validation 2024-Mar-21, JMIR biomedical engineering DOI:10.2196/56245 PMID:38875685	研究论文	本研究探讨了利用语音暂停模式检测深度伪造音频的算法开发与验证	引入固有生物过程的概念以区分真实人声与克隆音频	样本量有限，可能影响模型的泛化能力	旨在识别真实和克隆人声之间的差异	49名具有不同种族和口音的成年人提供音频样本	计算机视觉	NA	机器学习	AdaBoost模型	音频	49个成年参与者
10688	2024-08-05	Deep Learning Enabled SERS Identification of Gaseous Molecules on Flexible Plasmonic MOF Nanowire Films 2024-02-23, ACS sensors IF:8.2Q1 DOI:10.1021/acssensors.3c02519 PMID:38299870	研究论文	本文介绍了一种基于柔性金属有机框架薄膜的气体分子SERS检测技术	该研究利用深度学习和柔性纸基表面增强拉曼光谱技术实现了对低密度高速气体分子的准确识别	研究主要集中在气体分析的实验室环境中，实际应用场景可能存在环境干扰	探索表面增强拉曼光谱在气体分析中的应用，特别是在非侵入性结直肠癌筛查中的潜力	研究气体生物标志物的SERS检测，尤其是与结直肠癌相关的气体分子	数字病理	结直肠癌	表面增强拉曼光谱（SERS）	人工神经网络	光谱数据	使用了多种气体分析物的混合样本，具体样本数量未明确指定
10689	2024-08-05	A Deep Learning Framework for Predicting Patient Decannulation on Extracorporeal Membrane Oxygenation Devices: Development and Model Analysis Study 2024-Feb-02, JMIR biomedical engineering DOI:10.2196/48497 PMID:38875691	研究论文	本研究开发了一个基于深度学习的模型，帮助临床医生判断是否应将患者从VV-ECMO上切离。	本研究首次提出了CEVVO模型，它结合了离散临床信息和ECMO设备的连续数据，以预测VV-ECMO患者的离管成功率。	虽然模型的逐患者预测能力可能不足以直接应用于临床，但患者风险分类系统显示出更大的潜力。	研究旨在协助临床医生做出患者是否应离开ECMO的决策。	研究对象为在哥伦比亚大学欧文医学中心接受VV-ECMO支持的118名患者。	机器学习	呼吸系统疾病	深度学习	长短时记忆网络 (LSTM)	临床数据	118名患者
10690	2024-08-05	Synergistic Integration of Machine Learning with Microstructure/Composition-Designed SnO2 and WO3 Breath Sensors 2024-01-26, ACS sensors IF:8.2Q1 DOI:10.1021/acssensors.3c01814 PMID:38207118	研究论文	提出了一种高性能半导体金属氧化物气体传感策略，以实现基于传感器的高效疾病预测	创新性地将机器学习方法与SnO-和WO基传感器组成的互补传感器阵列相结合	在相同组中的传感器单独应用时，将会面临较差的辨别能力	研究高性能气体传感器的疾病预测能力	使用SnO-和WO基传感器及神经网络算法来测量气体混合物	数字病理学	肠易激综合症	机器学习	深度神经网络（DNN）和卷积神经网络（CNN）	数值数据和图像数据	使用六个传感器进行实验
10691	2024-08-05	AI and Knowledge-Based Method for Rational Design of Escherichia coli Sigma70 Promoters 2024-01-19, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.3c00578 PMID:38176073	研究论文	本文开发了一种人工智能和知识驱动的方法用于合理设计大肠杆菌sigma70启动子	提出一种将人工智能与已有深度学习模型结合的新的启动子设计方法	缺乏对其他类型启动子的验证和全面性比较	旨在通过合理设计sigma70启动子来增强重组蛋白的表达	研究对象主要是sigma70启动子及其在不同蛋白表达中的应用	数字病理学	NA	高通量筛选(HTS)	深度学习模型	NA	NA
10692	2024-08-05	Effects of wind speed and wind direction on crop yield forecasting using dynamic time warping and an ensembled learning model 2024, PeerJ IF:2.3Q2 DOI:10.7717/peerj.16538 PMID:38881862	研究论文	本文探讨风速和风向对腰果作物产量预测的影响，采用动态时间规整和集成学习模型。	提出了一种结合LSTM和随机森林的集成模型，并利用动态时间规整来评估时空数据的相似性。	未提及数据样本的多样性与广泛性，可能影响模型的普适性。	研究风速和风向对腰果产量预测的影响，并改进预测模型。	研究对象为加纳博诺地区的腰果作物及其风速和风向数据。	机器学习	NA	动态时间规整 (DTW)	长短期记忆网络 (LSTM) 和随机森林 (RF)	时空数据	NA
10693	2024-08-05	Explainable Deep Learning Model for Predicting Serious Adverse Events in Hospitalized Geriatric Patients Within 72 Hours 2024, Clinical interventions in aging IF:3.5Q2 DOI:10.2147/CIA.S460562 PMID:38883992	研究论文	本文开发了一种可解释的深度学习模型，以预测住院老年患者在72小时内发生的不良事件	该研究开发了一种可解释的深度学习模型，能够在72小时内准确预测老年患者的不良事件	该研究使用的回顾性数据可能受限于数据收集的准确性和完整性	研究的目的是提高对老年患者住院期间发生的不良事件的预测能力	研究对象为非创伤性老年患者，这些患者在急诊科就诊并住入普通病房	数字病理	老年疾病	深度学习	深度前馈神经网络	回顾性数据	共纳入127,268名患者
10694	2024-08-05	Multimodal Brain Tumor Classification Using Convolutional Tumnet Architecture 2024, Behavioural neurology IF:2.7Q2 DOI:10.1155/2024/4678554 PMID:38882177	研究论文	本研究提出了一种基于深度学习的脑肿瘤多模态融合影像分类和分割方法	提出了一种新的Tumnet技术，通过三种不同的像素级融合方法来处理MRI和CT影像，以提高脑肿瘤分类的准确性	没有提及样本来源和外部验证，可能限制了结果的广泛适用性	提高脑肿瘤的诊断和治疗效果	308片脑膜瘤和肉瘤的MRI和CT图像	数字病理	脑癌	深度学习	卷积神经网络 (CNN)	图像	869片影像切片（308片和561片）
10695	2024-08-05	WilsonGenAI a deep learning approach to classify pathogenic variants in Wilson Disease 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303787 PMID:38758754	研究论文	该文章介绍了一种深度学习方法用于分类与威尔逊病相关的致病变异。	本研究利用机器学习算法为ATP7B基因的遗传变异提供了自动分类工具，能够处理大量变异的数据。	本研究仅限于ATP7B基因的变异分类，可能不适用于其他基因变异的分类。	旨在通过深度学习技术分类与威尔逊病相关的遗传变异。	主要研究对象为ATP7B基因的致病变异。	机器学习	威尔逊病	下一代测序（NGS）	TabNet和XGBoost	遗传变异数据	两个高置信度的数据集，包括手动注释和ACMG & AMP分类的变异
10696	2024-08-05	An End-to-End CRSwNP Prediction with Multichannel ResNet on Computed Tomography 2024, International journal of biomedical imaging IF:3.3Q2 DOI:10.1155/2024/4960630 PMID:38883273	研究论文	本文提出一种结合多角度鼻窦计算机断层扫描图像和人工智能的方法，用于预测慢性鼻窦炎伴鼻息肉的亚型	提出多通道特征自适应融合模型，以提升对CT图像中重要鼻窦信息的关注度，增强检测精度	未提及具体的局限性	研究精准医学在慢性鼻窦炎伴鼻息肉中的应用，通过准确预测亚型以改善治疗效果	192名慢性鼻窦炎伴鼻息肉患者的22,265张CT图像	计算机视觉	慢性鼻窦炎	人工智能(AI)	多通道神经网络	图像	192名患者的22,265张CT图像
10697	2024-08-05	A knowledge-aware deep learning model for landslide susceptibility assessment in Hong Kong 2024-Sep-01, The Science of the total environment DOI:10.1016/j.scitotenv.2024.173557 PMID:38806128	研究论文	本文提出了一种知识感知的深度学习模型，用于评估香港的滑坡易发性。	将滑坡先验知识与深度学习模型相结合，提高了模型的可转移性和稳定性。	在滑坡发生之前，只有少数滑坡显示检测到的运动，大多数滑坡是自发发生的，缺乏前兆运动。	研究旨在提高滑坡预测模型的准确性和稳定性。	研究对象为香港地区的滑坡发生情况及其影响因素。	数字病理学	NA	深度学习	变分自编码器	地形、地质、气候等相关数据	NA
10698	2024-08-05	Convolutional neural networks combined with classification algorithms for the diagnosis of periodontitis 2024-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-024-00739-5 PMID:38393548	研究论文	本文旨在开发一种结合卷积神经网络和分类算法的深度学习模型，以帮助牙医快速准确地诊断牙周炎的阶段	本文创新性地将多种CNN模型与分类算法结合，提高了牙周炎诊断的准确性和效率	未提及本文可能的局限性	提高牙周炎的诊断效率和准确率	牙周炎的阶段诊断	计算机视觉	口腔疾病	卷积神经网络（CNN）	Alexnet, VGG16, ResNet18	影像（根尖放射线照相）和临床数据	未提供具体样本数量
10699	2024-08-05	Artificial intelligence for caries detection: a novel diagnostic tool using deep learning algorithms 2024-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-024-00741-x PMID:38498223	研究论文	本文旨在利用深度学习算法开发一种自动检测牙齿龋齿的评估工具	提出了一种名为ResNet+SAM的新型诊断模型，能够自动检测牙齿龋齿，并在性能上优于传统的CNN模型	文章未提及具体的算法训练细节或潜在的进一步验证	开发一种用于自动检测牙齿龋齿的工具	使用4278幅经医学专家注释的根尖X光照片来训练和验证模型	计算机视觉	NA	卷积神经网络	ResNet+SAM	图像	4278幅根尖X光照片
10700	2024-08-05	Solution-state methyl NMR spectroscopy of large non-deuterated proteins enabled by deep neural networks 2024-Jun-13, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-49378-8 PMID:38871714	研究论文	本文展示了使用深度神经网络处理质子化样本的NMR光谱，以解决大分子样品准备的挑战。	本研究创新性地展示了在不进行氘代的情况下，通过深度神经网络获得高质量的NMR光谱。	研究中可能仍存在对数据处理及解读的限制，且未涉及所有类型的大分子蛋白质。	探讨使用深度学习分析复杂磁共振数据的方法，以促进对大生物分子的研究。	研究涉及分子量在42-360 kDa范围内的三种蛋白质及大肠杆菌苹果酸合成酶G（81 kDa）。	数字病理学	NA	NMR光谱	深度神经网络	光谱数据	三种蛋白质