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
1	2024-12-21	A multi-instance tumor subtype classification method for small PET datasets using RA-DL attention module guided deep feature extraction with radiomics features 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108461 PMID:38626509	研究论文	本文提出了一种基于RA-DL注意力模块的多实例肿瘤亚型分类方法，用于小规模PET数据集，结合放射组学特征和深度特征进行肿瘤亚型分类	本文创新性地使用了RA-DL注意力机制来引导深度网络提取互补的深度特征，增强了最终特征的表达能力并减少了冗余	本文未提及具体的局限性	实现小规模PET数据集上的肿瘤亚型精确分类	肝癌、肺癌和淋巴瘤的肿瘤亚型	计算机视觉	肺癌	RA-DL注意力机制	支持向量机（SVM）	图像	三个PET数据集，包括肝癌数据集、肺癌数据集和淋巴瘤数据集
2	2024-12-21	Prediction of drug-target binding affinity based on deep learning models 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108435 PMID:38608327	综述	本文综述了基于深度学习模型的药物-靶点结合亲和力预测的研究进展	本文介绍了深度学习技术在药物发现中的新机遇，特别是通过药物-靶点结合亲和力预测的应用	本文未详细讨论现有深度学习模型在实际药物发现中的具体应用限制	探讨深度学习技术在药物-靶点结合亲和力预测中的应用及其在药物发现领域的机遇与挑战	药物-靶点结合亲和力预测	机器学习	NA	深度学习	卷积神经网络（CNN）、图卷积神经网络（GCN）、循环神经网络（RNN）、强化学习（RL）	数据集	NA
3	2024-12-21	Noise-Generating and Imaging Mechanism Inspired Implicit Regularization Learning Network for Low Dose CT Reconstrution 2024-05, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3347258 PMID:38145543	研究论文	本文提出了一种基于噪声生成和成像机制的全域隐式正则化学习网络，用于低剂量CT重建	该方法考虑了投影数据中固有噪声的统计特性以及正弦图和图像域的先验信息，并通过深度网络隐式学习正弦图和图像的正则化器，提供了一种更具解释性和有效性的重建过程	NA	提高低剂量CT重建的性能	低剂量CT图像重建	计算机视觉	NA	深度学习	深度神经网络	图像	NA
4	2024-12-21	Unsupervised Fusion of Misaligned PAT and MRI Images via Mutually Reinforcing Cross-Modality Image Generation and Registration 2024-05, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3347511 PMID:38147426	研究论文	提出了一种无监督的多阶段深度学习框架PAMRFuse，用于未对齐的PAT和MRI图像融合	首次尝试对未对齐的PAT和MRI图像进行信息融合，采用端到端的相互增强模式，实现跨模态图像生成和配准的联合优化	未提及具体的局限性	解决未对齐的PAT和MRI图像融合的挑战	PAT和MRI图像的融合	计算机视觉	NA	深度学习	自注意力融合网络	图像	小动物的PAT和MRI图像，来自商业成像系统
5	2024-12-21	Semi-Supervised Thyroid Nodule Detection in Ultrasound Videos 2024-05, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3348949 PMID:38163305	研究论文	本文提出了一种基于超声视频的半监督甲状腺结节检测框架	创新点在于构建了相邻帧引导的检测骨干网络，并提出了伪标签适应策略以减少标注工作量	NA	旨在开发一种能够有效利用空间和时间信息进行甲状腺结节检测的方法	甲状腺结节在超声视频中的检测	计算机视觉	甲状腺疾病	深度学习	CNN	视频	996个横切面视图和1088个纵切面视图的超声视频
6	2024-12-21	High-Frequency Space Diffusion Model for Accelerated MRI 2024-05, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3351702 PMID:38194398	研究论文	本文提出了一种新的高频空间扩散模型（HFS-SDE），用于加速磁共振成像（MRI）重建	该模型专门针对高频空间进行扩散过程，确保低频区域的全采样确定性，并加速反向扩散的采样过程	NA	解决现有扩散模型在快速MRI成像中重建低频区域的不确定性和收敛时间长的问题	磁共振成像（MRI）重建	计算机视觉	NA	扩散模型	SDE	图像	使用公开的fastMRI数据集进行实验
7	2024-12-21	Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI 2024-05, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3351211 PMID:38194397	研究论文	本文提出了一种编码增强的复杂卷积神经网络（EN2 complex CNN），用于高度欠采样的肺部MRI重建	该方法通过沿频率或相位编码方向进行卷积，模拟k空间采样机制，最大化利用k空间的编码相关性和完整性，并采用复杂卷积从复杂k空间数据中学习丰富的表示	NA	加速MRI成像并提高图像重建质量	肺部MRI图像	计算机视觉	NA	卷积神经网络（CNN）	复杂卷积神经网络（complex CNN）	图像	超极化129Xe和1H肺部MRI数据，6倍欠采样
8	2024-12-21	LIT-Former: Linking In-Plane and Through-Plane Transformers for Simultaneous CT Image Denoising and Deblurring 2024-05, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3351723 PMID:38194396	研究论文	本文研究了3D低剂量计算机断层扫描（CT）成像，提出了一种名为LIT-Former的模型，用于同时进行平面内去噪和平面外去模糊	LIT-Former通过链接平面内和平面外Transformer，结合了卷积网络和Transformer网络的优势，设计了高效的多头自注意力模块（eMSM）和高效卷积前馈网络（eCFN）	NA	开发一种能够同时进行平面内去噪和平面外去模糊的模型，以提高3D CT图像的质量	3D低剂量CT图像	计算机视觉	NA	Transformer网络	Transformer	图像	模拟和临床数据集
9	2024-12-21	Deep Omni-Supervised Learning for Rib Fracture Detection From Chest Radiology Images 2024-05, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3353248 PMID:38215335	研究论文	本文提出了一种新的全监督目标检测网络ORF-Netv2，用于肋骨骨折检测，通过利用各种形式的标注数据来提高检测性能	提出了一个统一的全监督框架，能够利用全标注、弱标注和无标注数据进行训练，并引入了多分支全监督检测头和基于协同训练的动态标签分配策略	NA	开发一种标签高效的目标检测模型，减轻放射科医生的标注负担	肋骨骨折检测	计算机视觉	NA	深度学习	目标检测网络	图像	三个肋骨骨折数据集，包括胸部CT和X光图像
10	2024-12-21	COSST: Multi-Organ Segmentation With Partially Labeled Datasets Using Comprehensive Supervisions and Self-Training 2024-05, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3354673 PMID:38224508	研究论文	本文提出了一种名为COSST的两阶段框架，用于在部分标注的多器官分割数据集上进行统一模型的训练	提出了一个新颖的两阶段框架COSST，结合了全面的监督信号和自训练方法，并通过潜在空间中的异常检测来评估伪标签的可靠性	未提及具体的局限性	研究如何在部分标注的医学图像数据集上学习统一的模型，以充分利用这些数据集的协同潜力	多器官分割任务	计算机视觉	NA	自训练	NA	图像	12个CT数据集，包括一个公开数据集和三个私有数据集
11	2024-12-21	Classifying alkaliphilic proteins using embeddings from protein language model 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108385 PMID:38547659	研究论文	本文提出了一种利用蛋白质语言模型ESM-2(3B)的嵌入来分类嗜碱蛋白的新方法	首次尝试使用预训练的蛋白质语言模型嵌入来分类嗜碱蛋白	NA	开发一种计算方法来识别嗜碱蛋白，以促进蛋白质工程和设计	嗜碱蛋白和非嗜碱蛋白	机器学习	NA	蛋白质语言模型	深度学习框架	蛋白质序列	1,002个嗜碱蛋白和1,866个非嗜碱蛋白
12	2024-12-21	Cross-patch feature interactive net with edge refinement for retinal vessel segmentation 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108443 PMID:38608328	研究论文	提出了一种基于双解码器的跨块特征交互网络（CFI-Net），用于视网膜血管分割，通过边缘细化提高分割的连续性和完整性	提出了联合细化下采样方法（JRDM）和跨块交互注意力机制（CIAM），以及自适应空间上下文引导方法（ASCGM），以减少特征损失并增强多尺度空间通道特征	未提及具体的局限性	提高视网膜血管分割的准确性和连续性，辅助临床医生诊断视网膜疾病	视网膜血管的分割	计算机视觉	NA	深度学习	双解码器网络	图像	使用了两个视网膜图像数据集和一个冠状动脉造影数据集
13	2024-12-21	H2MaT-Unet:Hierarchical hybrid multi-axis transformer based Unet for medical image segmentation 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108387 PMID:38613886	研究论文	本文提出了一种基于分层混合多轴Transformer的Unet模型H2MaT-Unet，用于医学图像分割	引入了一种分层混合多轴注意力机制，结合了分层后特征数据和多轴注意力机制，增强了局部和全局特征交互，并引入了空间和通道重建卷积模块ScConv以增强特征聚合	未提及具体局限性	提高医学图像分割的准确性和效率	医学图像的分割和病灶定位	计算机视觉	NA	分层混合多轴注意力机制，空间和通道重建卷积模块ScConv	Unet	图像	未提及具体样本数量
14	2024-12-21	Anatomically aware dual-hop learning for pulmonary embolism detection in CT pulmonary angiograms 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108464 PMID:38613894	研究论文	本文提出了一种基于深度学习的方法，结合计算机视觉和深度神经网络，用于在CT肺动脉造影中检测肺栓塞	本文的创新点包括：(1) 自动检测解剖结构；(2) 解剖结构感知的预训练；(3) 用于肺栓塞检测的双跳深度神经网络	NA	提高肺栓塞在CT肺动脉造影中的检测准确性和速度	肺栓塞在CT肺动脉造影中的检测	计算机视觉	心血管疾病	深度学习	深度神经网络	图像	多中心大规模的RSNA数据集
15	2024-12-21	Tumor conspicuity enhancement-based segmentation model for liver tumor segmentation and RECIST diameter measurement in non-contrast CT images 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108420 PMID:38613896	研究论文	本文提出了一种基于肿瘤显著性增强的分割模型，用于在非增强CT图像上进行肝肿瘤分割和RECIST直径测量	开发了一种基于强度的肿瘤显著性增强模型（ITCE），并设计了基于肿瘤显著性增强的肝肿瘤分割模型（TCELiTS），以提高非增强CT图像上的肝肿瘤分割精度	NA	提高非增强CT图像上肝肿瘤分割的准确性	肝肿瘤（包括肝细胞癌和肝血管瘤）	计算机视觉	肝癌	深度卷积神经网络	CNN	图像	100名经组织病理学确诊的肝肿瘤患者（64名肝细胞癌，36名肝血管瘤）
16	2024-12-21	CRIECNN: Ensemble convolutional neural network and advanced feature extraction methods for the precise forecasting of circRNA-RBP binding sites 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108466 PMID:38615462	研究论文	提出了一种名为CRIECNN的新型集成深度学习模型，用于提高circRNA-RBP结合位点的预测准确性	采用了先进的特征提取方法和多种编码技术，结合了集成卷积神经网络、BiLSTM和自注意力机制，显著提升了预测性能	未提及具体的研究局限性	提高circRNA-RBP结合位点的预测准确性，增进对circRNA及其调控作用的了解	circRNA与RNA结合蛋白（RBP）的相互作用	机器学习	NA	NA	集成卷积神经网络、BiLSTM、自注意力机制	序列数据	涉及四种不同的序列数据集和编码技术（BERT、Doc2Vec、KNF、EIIP）
17	2024-12-21	Semantic uncertainty Guided Cross-Transformer for enhanced macular edema segmentation in OCT images 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108458 PMID:38631114	研究论文	提出了一种名为语义不确定性引导的跨变压器网络（SuGCTNet）的新方法，用于OCT图像中多类黄斑水肿的同时分割	引入了语义不确定性引导的注意力模块（SuGAM）和跨变压器模块（CTM），通过语义不确定性和多尺度图像特征来提高分割性能	未提及具体限制	提高黄斑水肿在OCT图像中的分割准确性和连续性	黄斑水肿及其相关病变（如内层视网膜液体、亚视网膜液体和色素上皮脱离）	计算机视觉	眼科疾病	深度学习	跨变压器网络（Cross-Transformer Network）	图像	使用了公共数据集和多种OCT成像设备的数据
18	2024-12-21	One-shot skill assessment in high-stakes domains with limited data via meta learning 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108470 PMID:38636326	研究论文	本文介绍了一种名为A-VBANet的元学习模型，能够在高风险领域通过一次性学习进行技能评估	提出了A-VBANet模型，能够在数据有限的情况下进行领域无关的技能评估，并通过一次性学习实现高精度评估	NA	开发一种能够在数据有限的高风险领域进行技能评估的深度学习模型	在腹腔镜和机器人模拟器以及真实的腹腔镜胆囊切除术中评估手术技能	机器学习	NA	元学习	A-VBANet	视频	五个腹腔镜和机器人模拟器以及真实的腹腔镜胆囊切除术
19	2024-12-21	DesTrans: A medical image fusion method based on Transformer and improved DenseNet 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108463 PMID:38640634	研究论文	提出了一种基于Transformer和改进DenseNet的医学图像融合方法，以提高图像融合的效果	引入了Transformer和改进的DenseNet网络模块，增强了特征提取能力，减少了特征损失和边缘模糊问题	未提及具体的局限性	提高医学图像融合的效果，解决传统方法中的边缘模糊和信息冗余问题	医学图像和自然图像的融合	计算机视觉	NA	深度学习	Transformer, DenseNet	图像	未提及具体样本数量
20	2024-12-21	Exploratory drug discovery in breast cancer patients: A multimodal deep learning approach to identify novel drug candidates targeting RTK signaling 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108433 PMID:38642491	研究论文	本研究开发了一种多模态深度神经网络（MM-DNN）模型，用于识别针对RTK信号通路的乳腺癌新药候选物	创新性地采用了多模态深度学习方法，结合组学数据进行药物发现，显著提高了预测准确性	研究主要集中在RTK信号通路，未涵盖其他潜在的药物靶点	开发一种新的药物发现策略，用于识别针对RTK信号通路的乳腺癌新药候选物	乳腺癌患者及RTK信号通路相关药物候选物	机器学习	乳腺癌	多模态深度神经网络（MM-DNN）	多模态深度神经网络（MM-DNN）	组学数据（基因组、蛋白质组表达数据和药物反应数据）	从PubChem数据库中筛选的RTK信号通路相关药物分子