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
81	2024-12-19	A bidirectional interpretable compound-protein interaction prediction framework based on cross attention 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108239 PMID:38460309	研究论文	提出了一种基于交叉注意力的双向可解释化合物-蛋白质相互作用预测框架CmhAttCPI	引入交叉多头注意力机制，提供从化学和生物学角度的双向可解释性，并展示了模型的实际应用性	未提及具体的局限性	开发一种新型的化合物-蛋白质相互作用预测方法，以降低实验成本和劳动强度	化合物-蛋白质相互作用	机器学习	NA	交叉多头注意力机制	CNN	分子图和蛋白质序列	使用了平衡和不平衡的数据集进行评估
82	2024-12-19	Transcriptomic signature of cancer cachexia by integration of machine learning, literature mining and meta-analysis 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108233 PMID:38452471	研究论文	本研究通过整合机器学习、文献挖掘和元分析，识别癌症恶病质的转录组特征	本研究创新性地整合了机器学习、元分析和文献挖掘，以识别癌症恶病质的稳健转录组特征	NA	识别癌症恶病质的转录组特征，并探索潜在的治疗策略	癌症恶病质小鼠肌肉的转录组数据	机器学习	癌症	下一代测序技术	深度学习和随机森林模型	转录组数据	来自十个不同研究的恶病质小鼠肌肉转录组数据
83	2024-12-19	ECG-based data-driven solutions for diagnosis and prognosis of cardiovascular diseases: A systematic review 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108235 PMID:38460311	综述	本文对基于心电图（ECG）的数据驱动方法在心血管疾病（CVD）诊断和预后中的应用进行了系统性综述	本文填补了现有文献中关于ECG数据驱动方法在CVD诊断和预后中应用的系统性综述的空白，并特别关注了可信人工智能（Trustworthy AI）的要求	本文主要关注于综述现有研究，未提出新的模型或方法	旨在通过系统性综述，全面分析基于ECG的数据驱动模型在CVD诊断和预后中的应用现状，并提供具体建议	基于ECG的数据驱动模型在CVD诊断和预后中的应用	机器学习	心血管疾病	机器学习（ML）和深度学习（DL）	深度学习（DL）	心电图（ECG）数据	NA
84	2024-12-19	A systematic review of the application of deep learning techniques in the physiotherapeutic therapy of musculoskeletal pathologies 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108082 PMID:38461697	综述	本文系统回顾了深度学习技术在肌肉骨骼病理学物理治疗中的应用现状	主要创新点在于采用混合模型，特别是卷积模型的广泛应用，以及在数据方面，文本和结构化数据展示了在该领域进行突破性工作的潜力	本文仅选择了23篇研究进行分析，可能无法全面覆盖所有相关研究	评估深度学习模型在物理治疗中的应用现状，并识别该领域的关键趋势、挑战和机遇	肌肉骨骼病理学的物理治疗	机器学习	NA	深度学习	混合模型，卷积模型	身体信号，图像，文本，结构化数据	214篇初始论文中选择了23篇进行分析
85	2024-12-19	Efficiently improving the Wi-Fi-based human activity recognition, using auditory features, autoencoders, and fine-tuning 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108232 PMID:38484697	研究论文	本文提出了一种基于Wi-Fi信号的人类活动识别方法，通过使用听觉特征、自编码器和微调技术，在训练数据有限的情况下提高了识别精度	本文的创新点在于使用预训练的多输入多输出自编码器（MIMO AE）从少量数据样本中提取梅尔频率倒谱系数（MFCC）特征，并通过微调技术在分类器中固定编码层，从而在较少训练数据的情况下提高了识别精度	本文的局限性在于虽然可以通过增加计算成本进一步提高精度，但提升幅度较小，仅为2.4%	本文的研究目的是在训练数据有限的情况下，提高基于Wi-Fi信号的人类活动识别精度	本文的研究对象是基于Wi-Fi信号的人类活动识别	机器学习	NA	自编码器	自编码器	信号	使用了30%的训练和验证数据（相当于总数据的24%）
86	2024-12-19	CosSIF: Cosine similarity-based image filtering to overcome low inter-class variation in synthetic medical image datasets 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108317 PMID:38492455	研究论文	提出了一种基于余弦相似度的图像过滤算法CosSIF，用于解决合成医学图像数据集中类间差异较小的问题	提出了CosSIF算法，并开发了两种过滤方法FBGT和FAGT，以减少类间差异并提高GAN生成图像的判别能力	未提及具体限制	解决医学图像数据集中类间差异较小的问题，并提高深度学习模型在临床图像分类中的性能	医学图像数据集和生成对抗网络（GAN）生成的合成图像	计算机视觉	NA	生成对抗网络（GAN）	卷积神经网络（CNN）和Transformer	图像	未提及具体样本数量
87	2024-12-19	Multi-scale and multi-view network for lung tumor segmentation 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108250 PMID:38493603	研究论文	本文提出了一种名为MSMV-Net的深度学习架构，用于在CT图像中进行肺肿瘤分割	创新点在于结合了多尺度多视角学习模块和基于多尺度不确定性的深度监督，以提高小3D肺肿瘤的分割精度	NA	提高肺肿瘤在医学影像中的分割精度	肺肿瘤在CT图像中的分割	计算机视觉	肺癌	深度学习	MSMV-Net	图像	LUNA数据集和MSD数据集
88	2024-12-19	US2Mask: Image-to-mask generation learning via a conditional GAN for cardiac ultrasound image segmentation 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108282 PMID:38503085	研究论文	本文提出了一种基于条件生成对抗网络（CGAN）的框架，用于心脏超声图像的分割	引入了一种基于条件生成对抗网络（CGAN）的新学习方法，用于心脏超声图像的多类RGB掩码生成	NA	解决心脏超声图像分割中数据集和专家标注成本高的问题	心脏超声图像的分割	计算机视觉	NA	条件生成对抗网络（CGAN）	条件生成对抗网络（CGAN）	图像	三个心脏超声图像数据集
89	2024-12-19	A deep ensemble medical image segmentation with novel sampling method and loss function 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108305 PMID:38503087	研究论文	本文提出了一种新的深度集成医学图像分割方法，结合了新的采样方法和损失函数，以解决类别不平衡和提高分割精度的问题	本文的创新点包括提出了一种新的采样方法来处理医学数据集中的类别不平衡问题，并设计了一种基于指数损失的新损失函数，同时采用了包含两个UNet模型的集成模型来提高分割性能	本文的局限性在于未详细讨论所提出方法在计算资源和时间上的消耗，以及在不同类型医学图像上的泛化能力	本文的研究目的是提高医学图像分割的精度和处理类别不平衡问题	本文的研究对象是医学图像中的感兴趣区域，包括异常组织和背景特征	计算机视觉	NA	深度学习	UNet	图像	使用了三个公开数据集：Kvasir-SEG、FLAIR MRI Low-Grade Glioma (LGG) 和 ISIC 2018 数据集
90	2024-12-19	A retinal vessel segmentation network with multiple-dimension attention and adaptive feature fusion 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108315 PMID:38503093	研究论文	本文提出了一种具有多维度注意力和自适应特征融合的视网膜血管分割网络，以提高视网膜血管的分割精度	提出了多维度注意力增强（MDAE）块、深度引导融合（DGF）块和交叉池化语义增强（CPSE）块，并通过自适应权重学习器（AWL）单元学习并聚合不同解码阶段的预测结果，以实现有效的特征融合	NA	提高视网膜血管在眼底图像中的分割精度	视网膜血管的分割	计算机视觉	NA	深度学习	CNN	图像	使用了三个公开的眼底图像数据集：DRIVE、CHASE_DB1和STARE
91	2024-12-19	Uncertainty-aware image classification on 3D CT lung 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108324 PMID:38508053	研究论文	本文提出了一种不确定性感知的框架，用于3D CT图像的良恶性结节分类，并评估了不同深度学习模型在不确定性量化方面的表现	提出了一个包含数据预处理、模型选择与评估、不确定性量化和不确定性测量与数据推荐的三阶段框架，并采用了三种不确定性量化方法：蒙特卡洛 dropout (MCD)、深度集成 (DE) 和集成蒙特卡洛 dropout (EMCD)	模型主要在单一数据集上进行评估，可能在新类别出现时表现出过度自信	提高肺癌早期检测系统的可靠性和鲁棒性，并通过不确定性量化改进模型性能	3D CT图像中的良恶性肺结节	计算机视觉	肺癌	深度学习	ResNet, DenseNet, Inception 网络家族, InceptionResNetV2	图像	NA
92	2024-12-19	CoGSPro-net:A graph neural network based on protein-protein interaction for classifying lung cancer-relatrd proteins 2024-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108251 PMID:38508055	研究论文	提出了一种基于图神经网络和注意力机制的深度学习算法CoGSPro，用于分类与肺癌相关的蛋白质	结合图神经网络和注意力机制提取蛋白质数据的关键特征，并利用蛋白质-蛋白质相互作用网络信息提高预测准确性	未提及	开发一种能够准确分类与肺癌相关蛋白质的深度学习算法	与肺癌相关的蛋白质	机器学习	肺癌	图神经网络	图神经网络	蛋白质表达数据	大规模蛋白质表达数据集
93	2024-12-18	Optimized model architectures for deep learning on genomic data 2024-04-30, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06161-1 PMID:38693292	研究论文	本文介绍了一个名为GenomeNet-Architect的神经架构设计框架，用于自动优化基因组序列数据的深度学习模型	提出了一个专门为基因组数据设计的神经架构优化框架，能够在病毒分类任务中显著减少误分类率并提高推理速度	未提及具体限制	优化基因组数据深度学习模型的架构设计	基因组序列数据	机器学习	NA	深度学习	神经网络	基因组数据	未提及具体样本数量
94	2024-12-18	Revealing the mechanisms of semantic satiation with deep learning models 2024-04-22, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06162-0 PMID:38649503	研究论文	本研究使用深度学习模型中的连续耦合神经网络来揭示语义饱和现象的机制，并精确描述这一过程的神经元组件	本研究提出了语义饱和可能是自下而上的过程，与现有宏观心理学研究提出的自上而下过程不同	本研究仅通过模拟实验得出结论，尚未在实际神经科学实验中验证	揭示语义饱和现象的神经计算原理	语义饱和现象的机制	机器学习	NA	深度学习模型	神经网络	NA	NA
95	2024-12-18	Robust self-supervised denoising of voltage imaging data using CellMincer 2024-Apr-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.04.12.589298 PMID:38659950	研究论文	本文介绍了一种名为CellMincer的自监督深度学习方法，专门用于去噪电压成像数据	CellMincer通过遮蔽和预测短时间窗口内的稀疏像素集，并结合预计算的时空自相关来有效建模长程依赖，从而在不需要大时间去噪上下文的情况下实现噪声的显著减少	NA	开发一种新的自监督深度学习方法，用于提高电压成像数据的信噪比	电压成像数据的去噪	机器学习	NA	深度学习	自监督深度学习模型	图像	包括模拟和真实电压成像数据集，以及带有配对膜片钳电生理学（EP）作为真实值的数据集
96	2024-12-17	On-demand Doppler-offset beamforming with intelligent spatiotemporal metasurfaces 2024-Apr, Nanophotonics (Berlin, Germany) DOI:10.1515/nanoph-2023-0569 PMID:39679235	研究论文	本文介绍了一种基于深度学习的时空超表面技术，用于在高速移动场景中自动和自适应地消除多普勒效应	提出了深度学习辅助的时空超表面，能够自动和自适应地消除高速移动场景中的多普勒效应，并展示了在微波实验中实现多普勒偏移波束成形的能力	NA	解决高速移动场景中多普勒效应对通信服务质量的影响	时空超表面在高速移动场景中的应用	机器学习	NA	深度学习	神经网络	电磁波	NA
97	2024-12-16	Automated quantification of vacuole fusion and lipophagy in Saccharomyces cerevisiae from fluorescence and cryo-soft X-ray microscopy data using deep learning 2024-04, Autophagy IF:14.6Q1 DOI:10.1080/15548627.2023.2270378 PMID:37908116	研究论文	本文开发了一种基于深度学习的计算方法，结合软X射线断层扫描（SXT）和荧光显微镜，用于自动量化酵母细胞中的液泡融合和脂噬过程	本文首次开发了Deep Yeast Fusion Network（DYFNet）卷积神经网络模型，用于分类完全融合和部分融合的液泡，并实现了LipoSeg管道来自动化实例分割脂滴和液泡	NA	开发一种新方法，用于高分辨率和高通量地定量分析酵母细胞中的液泡融合和脂噬过程	酵母细胞中的液泡融合和脂噬过程，特别是NPC1和NPC2蛋白的功能	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	NA
98	2024-12-15	Computing Speed-of-Sound From Ultrasound: User-Agnostic Recovery and a New Benchmark 2024-04, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3327147 PMID:37874729	研究论文	本文提出了一种利用IQ解调信号的相位信息来恢复声速图的新方法，并引入了一个新的基准数据集	本文创新性地利用IQ解调信号的相位信息来解决操作员依赖性问题，并改进了网络拓扑结构，提高了声速恢复的稳定性和速度	本文主要基于模拟数据进行研究，尚未完全解决从模拟数据到真实数据的迁移学习问题	本文旨在通过深度学习技术从原始超声信号中恢复声速图，并解决操作员依赖性问题	本文的研究对象是超声信号及其相位信息	计算机视觉	NA	深度学习	NA	信号	模拟数据集
99	2024-12-14	Unsupervised deep representation learning enables phenotype discovery for genetic association studies of brain imaging 2024-04-05, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06096-7 PMID:38580839	研究论文	本文提出了一种使用无监督深度表示学习来推导脑成像表型的方法，并进行了全基因组关联研究	本文创新性地使用无监督深度学习方法推导出无偏、可遗传且可解释的脑成像表型，这些表型在先前的研究中未被报道	本文的局限性在于仅使用了UK Biobank的数据集，未来研究可以扩展到其他数据集以验证结果的普适性	研究目的是通过无监督深度学习方法推导出新的脑成像表型，并进行全基因组关联研究以理解脑结构的遗传基础	研究对象是UK Biobank参与者的T1和T2-FLAIR脑MRI数据	计算机视觉	NA	无监督深度表示学习	3D卷积自编码器	图像	6130名UK Biobank参与者的T1或T2-FLAIR脑MRI数据，以及22,880名发现队列和12,359/11,265名T1/T2复制队列的参与者
100	2024-12-14	VespAI: a deep learning-based system for the detection of invasive hornets 2024-04-03, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-05979-z PMID:38570722	研究论文	本文介绍了一种基于深度学习的自动化系统VespAI，用于快速检测入侵的黄蜂Vespa velutina	VespAI系统结合了标准化的监测站与深度YOLOv5s架构和ResNet骨干网络，通过端到端的定制管道进行训练，实现了实时检测黄蜂并发送图像警报	NA	开发一种高效的自动化系统，用于早期检测和控制入侵黄蜂的扩散	入侵黄蜂Vespa velutina	计算机视觉	NA	深度学习	YOLOv5s, ResNet	图像	NA