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
121	2024-09-04	Sparks of function by de novo protein design 2024-Feb, Nature biotechnology IF:33.1Q1 DOI:10.1038/s41587-024-02133-2 PMID:38361073	研究论文	本文探讨了通过深度学习方法在从头蛋白质设计中实现功能性蛋白质设计的进展	利用深度学习方法提高了结构建模的效率和准确性，并促进了成功设计的丰富化	NA	探索从头蛋白质设计中功能性蛋白质设计的新进展及其对未来挑战的影响	蛋白质设计中的序列、结构协同设计和构象控制	机器学习	NA	深度学习	NA	NA	NA
122	2024-08-27	Ultrafast Brain MRI with Deep Learning Reconstruction for Suspected Acute Ischemic Stroke 2024-02, Radiology IF:12.1Q1 DOI:10.1148/radiol.231938 PMID:38376403	研究论文	本研究旨在评估深度学习加速的磁共振成像（DL-accelerated MRI）与传统MRI在疑似急性缺血性卒中患者中的可互换性	本研究首次前瞻性地评估了深度学习加速MRI重建在急性疑似卒中中的诊断性能	NA	探讨深度学习加速MRI与传统MRI在疑似急性缺血性卒中患者中的可互换性	211名疑似急性卒中患者	计算机视觉	脑血管疾病	深度学习	NA	图像	211名参与者
123	2024-08-24	A Deep Learning Pipeline Using Prior Knowledge for Automatic Evaluation of Placenta Accreta Spectrum Disorders With MRI 2024-02, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28770 PMID:37177832	研究论文	本文开发了一种利用先验知识进行磁共振成像（MRI）自动评估胎盘植入谱（PAS）障碍的深度学习（DL）流程	该研究利用了胎盘植入谱相关迹象通常沿子宫胎盘边缘线（UPB）发现的先验知识，通过UPB图像和胎盘位置信息提高了PAS诊断的准确性	NA	开发一种深度学习工具，用于使用T2加权MR图像进行产前PAS诊断	540名临床疑似PAS障碍的孕妇	机器学习	胎盘植入谱障碍	磁共振成像（MRI）	DenseNet	图像	540名孕妇，分为训练集（409）、内部测试集（103）和外部测试集（28）
124	2024-08-24	Deep Learning Detection and Segmentation of Brain Arteriovenous Malformation on Magnetic Resonance Angiography 2024-02, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28795 PMID:37220191	研究论文	本研究开发了一种基于深度学习的方法，用于在时间飞跃磁共振血管成像上检测和分割脑动静脉畸形	本研究采用了YOLOv5和YOLOv8算法进行病变检测，以及U-Net和U-Net++模型进行核心分割，提高了临床实践效率	本研究为回顾性研究，且样本量相对较小	开发一种自动检测和分割脑动静脉畸形的方法，以提高临床实践效率	221名脑动静脉畸形患者	计算机视觉	脑动静脉畸形	时间飞跃磁共振血管成像	YOLOv5, YOLOv8, U-Net, U-Net++	图像	221名患者，分为177个训练样本，22个验证样本和22个测试样本
125	2024-08-24	Prenatal Diagnosis of Placenta Accreta Spectrum Disorders: Deep Learning Radiomics of Pelvic MRI 2024-02, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28787 PMID:37222638	研究论文	本研究探讨了基于磁共振成像的深度学习放射组学模型在诊断胎盘植入谱系障碍中的应用	本研究首次使用深度学习放射组学方法量化胎盘植入谱系障碍的磁共振成像特征，并开发了一个结合放射组学特征、临床模型和磁共振形态学模型的诊断模型	研究为回顾性研究，且样本来自两家机构，可能存在一定的偏倚	探索基于磁共振成像的深度学习放射组学是否能有效识别胎盘植入谱系障碍的妊娠	324名疑似胎盘植入谱系障碍的孕妇	机器学习	妇产科疾病	深度学习放射组学	深度学习模型	磁共振成像	324名孕妇，其中206名确诊为胎盘植入谱系障碍，118名非胎盘植入谱系障碍
126	2024-08-24	Suitability of DNN-based vessel segmentation for SIRT planning 2024-Feb, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-03005-x PMID:37535263	研究论文	本研究评估了基于深度神经网络（DNN）的血管分割在选择性内部放射治疗（SIRT）规划中的适用性	深度学习方法在肝动脉分割中优于传统的机器学习算法，显示出在SIRT规划中的应用潜力	尽管深度学习方法在大多数情况下表现良好，但仍有部分病例的分割结果不适合用于SIRT规划	评估基于DNN的血管分割在SIRT治疗前介入规划中的适用性	肝动脉的分割质量及整体图像质量	计算机视觉	肝癌	深度学习	DNN	图像	36例增强计算机断层扫描（CT）扫描
127	2024-08-24	Fully automatic deep learning-based lung parenchyma segmentation and boundary correction in thoracic CT scans 2024-Feb, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-03010-0 PMID:37594684	研究论文	本文提出了一种基于深度学习的算法，用于在胸部CT扫描中精确分割肺实质并进行边界修正	结合深度学习和传统图像处理算法，使用改进的2D U-Net CNN模型和Inception-ResNet-v2作为主干，以及后续的边界修正算法	NA	开发一种精确分割肺实质的算法	胸部CT扫描中的肺实质	计算机视觉	NA	深度学习	CNN	图像	训练数据包括来自两个不同来源的32个CT扫描，测试数据包括来自AIIMS Delhi和LUNA16挑战的16个CT扫描
128	2024-08-24	Deep Learning Model Based on Multisequence MRI Images for Assessing Adverse Pregnancy Outcome in Placenta Accreta 2024-02, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29023 PMID:37851581	研究论文	本研究通过建立基于多序列MRI图像的深度学习模型，评估胎盘植入症（PAS）患者的不良妊娠结局风险	本研究提出的模型在评估不良妊娠结局方面表现出良好的诊断性能，尤其是在使用四序列MRI图像时，其性能显著优于使用单序列和双序列的模型	本研究为回顾性研究，样本量相对较小，且仅限于特定类型的胎盘植入症患者	探讨术前MRI多序列图像与不良妊娠结局之间的关联，并建立深度学习模型进行风险评估	323名疑似胎盘植入症的孕妇	机器学习	妊娠疾病	MRI	深度学习模型	图像	323名孕妇，分为训练集227例和验证集96例
129	2024-08-24	Editorial for "A Deep Learning Pipeline Using Prior Knowledge for Automatic Evaluation of Placenta Accreta Spectrum Disorders With MRI" 2024-02, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29152 PMID:38014825	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
130	2024-08-22	Deep learning models reveal replicable, generalizable, and behaviorally relevant sex differences in human functional brain organization 2024-Feb-27, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2310012121 PMID:38377194	研究论文	本文使用时空深度神经网络（stDNN）模型揭示了人类功能性脑组织的性别差异及其行为相关性	本文通过stDNN模型和可解释AI（XAI）分析，揭示了高度可复制和可泛化的性别差异，并预测了性别特定的认知特征	NA	探讨人类功能性脑组织的性别差异及其行为后果	男性与女性大脑的功能性脑动态	机器学习	NA	时空深度神经网络（stDNN）	深度神经网络	功能性脑数据	约1,500名20至35岁的年轻成年人
131	2024-08-22	Examining the Role of Passive Design Indicators in Energy Burden Reduction: Insights from a Machine Learning and Deep Learning Approach 2024-Feb-15, Building and environment IF:7.1Q1 DOI:10.1016/j.buildenv.2023.111126 PMID:39155966	研究论文	本研究通过结合深度学习驱动的计算机视觉和机器学习技术，探讨被动设计特征与住宅建筑能源负担之间的关系	引入了一种创新方法，利用卷积神经网络计算机视觉模型和多种机器学习方法来分析和预测能源负担	研究仅限于芝加哥大都市区的Google Street View图像，可能限制了结果的普遍性	研究旨在通过分析被动设计特征来减少家庭能源负担，并为政策制定者和城市规划者提供有价值的见解	研究对象包括住宅建筑的被动设计特征和能源负担	计算机视觉	NA	机器学习, 深度学习	卷积神经网络	图像	研究使用了芝加哥大都市区的Google Street View图像
132	2024-08-22	filoVision - using deep learning and tip markers to automate filopodia analysis 2024-02-15, Journal of cell science IF:3.3Q3 DOI:10.1242/jcs.261274 PMID:38264939	研究论文	本文介绍了一种名为filoVision的深度学习平台，用于自动化分析带有标记的丝状伪足	filoVision平台通过filoTips和filoSkeleton工具，能够在没有肌动蛋白或膜标记的情况下，仅使用单一的丝状伪足尖端标记进行信息提取，并结合肌动蛋白标记进行更全面的分析	NA	开发一种适用于不同细胞类型和可视化方法的自动化丝状伪足分析流程	丝状伪足的自动化分析	计算机视觉	NA	深度学习	NA	图像	NA
133	2024-08-21	AttnPep: A Self-Attention-Based Deep Learning Method for Peptide Identification in Shotgun Proteomics 2024-02-02, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.3c00729 PMID:38252705	研究论文	本文提出了一种基于自注意力机制的深度学习方法AttnPep，用于提高蛋白质组学中肽段鉴定的准确性	AttnPep利用自注意力模块帮助神经网络聚焦于与PSM分类相关的特征，忽略不相关的特征，从而提高PSM鉴定的准确性	NA	提高蛋白质组学中肽段鉴定的准确性	蛋白质组学中的肽段鉴定	机器学习	NA	深度学习	自注意力机制	质谱数据	复杂SWATH数据集
134	2024-08-17	A reliable diabetic retinopathy grading via transfer learning and ensemble learning with quadratic weighted kappa metric 2024-Feb-06, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02446-x PMID:38321416	研究论文	本文提出了一种基于迁移学习和集成学习的糖尿病视网膜病变分级方法，使用二次加权kappa指标进行评估	利用预训练模型权重减少训练时间和资源需求，采用数据增强技术改善特征和泛化能力，结合迁移学习和图像增强技术提高分级准确性	NA	提高糖尿病视网膜病变的分级准确性和效率	糖尿病视网膜病变	机器学习	糖尿病	迁移学习	集成学习	图像	使用了Eyepacs、Aptos和Messidor数据集
135	2024-08-14	Deep learning enables the differentiation between early and late stages of hip avascular necrosis 2024-Feb, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-10104-5 PMID:37581656	研究论文	本文开发了一种深度学习方法，通过训练三种卷积神经网络（CNN）来区分早期和晚期股骨头坏死（AVN）阶段，以辅助治疗决策。	使用深度学习方法和卷积神经网络集合来准确区分早期和晚期股骨头坏死阶段，其性能与专家放射科医生相当。	模型在外部验证时性能有所下降。	开发一种深度学习方法来区分早期和晚期股骨头坏死，以辅助临床治疗决策。	股骨头坏死（AVN）的早期和晚期阶段。	机器学习	骨科疾病	卷积神经网络（CNN）	CNN	图像	104例MRI检查，外部验证集49例患者。
136	2024-08-14	Value of deep learning reconstruction of chest low-dose CT for image quality improvement and lung parenchyma assessment on lung window 2024-Feb, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-10087-3 PMID:37581663	研究论文	本研究探讨了低剂量计算机断层扫描（LDCT）结合深度学习重建（DLR）对图像质量和肺实质评估的改进效果	DLR能够有效降低图像噪声并提高图像质量，对于评估肺部病变具有良好表现，除了亚实性结节和肺部减低衰减	DLR在评估亚实性结节和肺部减低衰减方面表现不如常规剂量CT	评估DLR应用于胸部低剂量CT对图像质量和肺实质评估的改进	60名患者的胸部常规剂量CT和低剂量CT图像	计算机视觉	肺部疾病	低剂量计算机断层扫描（LDCT）	深度学习重建（DLR）	图像	60名患者
137	2024-08-14	Noninvasive identification of HER2-low-positive status by MRI-based deep learning radiomics predicts the disease-free survival of patients with breast cancer 2024-Feb, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09990-6 PMID:37597033	研究论文	本研究旨在建立基于磁共振成像（MRI）的深度学习放射组学（DLR）特征，以预测乳腺癌患者的人表皮生长因子受体2（HER2）低阳性状态，并通过DLR模型验证其预后差异	成功构建了基于MRI的DLR模型，能够非侵入性地评估HER2状态，并进一步揭示预测HER2低阳性状态患者无病生存期的前景	NA	建立并验证基于MRI的深度学习放射组学模型，以预测乳腺癌患者的HER2低阳性状态及其无病生存期	乳腺癌患者的HER2低阳性状态及其无病生存期	数字病理学	乳腺癌	深度学习放射组学	深度学习模型	MRI图像	481名接受术前MRI的乳腺癌患者
138	2024-08-14	Effects of a comprehensive brain computed tomography deep learning model on radiologist detection accuracy 2024-Feb, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-10074-8 PMID:37606663	研究论文	本研究评估了一种全面的脑部CT深度学习模型对放射科医生检测准确性的影响	该深度学习模型显著提高了放射科医生的解读性能，并减少了解读时间	NA	评估深度学习模型在辅助放射科医生进行脑部CT扫描解读中的效果	放射科医生在使用和不使用深度学习模型辅助下的脑部CT扫描解读性能	计算机视觉	NA	深度学习	深度学习模型	图像	212,484例脑部CT扫描，32名放射科医生评估2848例扫描
139	2024-08-14	Accelerated 3D MR neurography of the brachial plexus using deep learning-constrained compressed sensing 2024-Feb, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09996-0 PMID:37606664	研究论文	本研究探讨了深度学习约束的压缩感知（DLCS）在提高臂丛3D MRI图像质量和缩短采集时间方面的应用	DLCS4x在信号噪声比和对比噪声比方面优于SENSE4x、CS4x和DLCS8x，且在未增强组中，DLCS4x在臂丛的各个段中评分均高于其他方法	NA	提高臂丛3D MRI的图像质量和缩短采集时间	臂丛的3D MRI图像	计算机视觉	NA	深度学习约束的压缩感知（DLCS）	CNN	图像	54名接受增强成像的参与者和41名接受未增强成像的参与者
140	2024-08-14	Automated, fast, robust brain extraction on contrast-enhanced T1-weighted MRI in presence of brain tumors: an optimized model based on multi-center datasets 2024-Feb, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-10078-4 PMID:37615767	研究论文	本文开发了一种基于nnU-Net的深度学习模型，用于在脑肿瘤存在的情况下自动提取对比增强T1加权MRI图像中的脑部结构	该模型能够自动处理包含脑肿瘤的MRI神经影像数据，提取包括重要浅表结构在内的脑部结构，为肿瘤分析提供更多信息	模型在脑膜瘤和前庭神经鞘瘤组中的性能略有下降，并且在肿瘤周围水肿组中存在显著差异	优化现有的脑部提取模型，以提供更多肿瘤分析所需的信息	对比增强T1加权MRI图像中的脑部结构提取	计算机视觉	脑肿瘤	nnU-Net	深度学习模型	MRI图像	研究涉及920名患者，其中720例来自私人机构，200例来自公共数据集