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	2024-12-22	Overview of AlphaFold2 and breakthroughs in overcoming its limitations 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108620 PMID:38761500	综述	本文综述了AlphaFold2在蛋白质结构预测领域的突破及其局限性，并探讨了其应用和未来发展方向	AlphaFold2通过深度学习方法实现了高精度的蛋白质三维结构预测，显著推动了蛋白质折叠领域的进展	尽管AlphaFold2在蛋白质结构预测方面取得了突破，但仍有许多方面需要进一步研究，如动态变化、点突变等	探讨AlphaFold2在蛋白质结构预测中的应用及其在药物靶点发现中的潜力	AlphaFold2及其在蛋白质结构预测、动态变化、点突变等方面的应用	机器学习	NA	深度学习	AlphaFold2	蛋白质序列	NA
2	2024-12-22	Machine learning-based longitudinal prediction for GJB2-related sensorineural hearing loss 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108597 PMID:38763069	研究论文	本研究旨在利用机器学习构建一个预测GJB2相关感音神经性听力损失进展的模型，以实现个性化的医疗规划	首次利用机器学习技术构建了GJB2相关感音神经性听力损失的纵向预测模型，并展示了其在个性化医疗规划中的应用潜力	研究样本仅限于具有双等位GJB2变异的感音神经性听力损失患者，可能限制了模型的普适性	构建一个能够预测GJB2相关感音神经性听力损失进展的机器学习模型，以支持个性化的医疗干预	具有双等位GJB2变异的感音神经性听力损失患者	机器学习	感音神经性听力损失	机器学习	LSTM	音频图	449名患者，2184份音频图
3	2024-12-22	Multi-scale feature fusion and class weight loss for skin lesion classification 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108594 PMID:38761501	研究论文	本文提出了一种多尺度特征融合结构和类权重损失方法，用于皮肤病变分类	创新点包括多尺度特征融合结构、类权重、标签平滑和重采样方法，以及对HAM10000_RE数据集的头发特征去除实验	未提及具体局限性	提高皮肤病变图像分类的准确性	皮肤病变图像	计算机视觉	皮肤癌	深度学习	NA	图像	使用了HAM10000和ISIC2019数据集
4	2024-12-22	Linguistic-based Mild Cognitive Impairment detection using Informative Loss 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108606 PMID:38763068	研究论文	本文提出了一种基于自然语言处理技术的深度学习方法，用于区分老年人的轻度认知障碍和正常认知状态	提出了一个新的损失函数InfoLoss，通过观察每个句子序列的熵减少来提高分类准确性	NA	开发一种能够区分轻度认知障碍和正常认知状态的深度学习方法	老年人的轻度认知障碍和正常认知状态	自然语言处理	NA	自然语言处理技术	Transformer、多层感知器	文本	I-CONECT研究项目中的视频采访转录数据
5	2024-12-22	Exploring UMAP in hybrid models of entropy-based and representativeness sampling for active learning in biomedical segmentation 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108605 PMID:38772054	研究论文	本文研究了在医学分割中基于主动学习的熵和代表性采样技术的混合模型，特别是探讨了UMAP在捕捉代表性方面的作用	本文提出了一种新的混合采样技术Entropy-UMAP，并在医学分割任务中取得了显著的Dice分数提升	本文仅在心脏和前列腺数据集上进行了验证，尚未在其他医学数据集上进行广泛测试	探索UMAP在基于主动学习的医学分割中的应用，并评估其与熵采样结合的效果	心脏和前列腺的医学分割任务	计算机视觉	NA	UMAP	NA	图像	心脏和前列腺数据集
6	2024-12-21	Deep learning models for ischemic stroke lesion segmentation in medical images: A survey 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108509 PMID:38677171	综述	本文全面回顾了用于医学图像中缺血性卒中病变分割的深度学习模型	总结了将深度学习架构（如基于CNN和基于transformer的模型）适应于卒中病变分割任务的创新点，并分析了其动机、修改和结果	未提及具体的研究局限性	旨在支持自动化卒中病变分割领域的持续进展	缺血性卒中病变的分割	计算机视觉	脑血管疾病	深度学习	CNN, transformer	图像	涉及三个主要的公共基准数据集：ATLAS, ISLES 和 AISD
7	2024-12-21	3D reconstruction from endoscopy images: A survey 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108546 PMID:38704902	综述	本文综述了从内窥镜图像进行三维重建的方法	本文总结了基于深度学习方法在内窥镜环境下解决光照不一致和纹理稀疏等挑战的研究进展	本文主要集中在过去十年内的研究，未涵盖更早期的技术	探讨内窥镜图像三维重建技术在医学应用中的现状和未来发展	内窥镜图像的三维重建方法	计算机视觉	NA	深度学习	NA	图像	综述了170篇发表于2013年至2023年间的论文
8	2024-12-21	Brain tumor detection with integrating traditional and computational intelligence approaches across diverse imaging modalities - Challenges and future directions 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108412 PMID:38691914	综述	本研究全面回顾了脑肿瘤分割和分类技术，探讨了基于图像处理、机器学习和深度学习的各种方法	本研究强调了现有分割和分类技术的挑战，并提出了未来研究的方向	本研究主要集中在回顾现有方法，未提出新的算法或模型	旨在回顾脑肿瘤分割和分类的现有方法，讨论其优缺点，并探讨未来的研究方向	脑肿瘤的分割和分类技术	计算机视觉	脑肿瘤	NA	NA	图像	使用多种磁共振成像（MRI）的开源数据集
9	2024-12-21	Recent advancements and applications of deep learning in heart failure: Α systematic review 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108557 PMID:38728995	综述	本文系统回顾了深度学习在心力衰竭评估中的最新进展和应用	强调了深度学习在区分受影响个体与健康个体、识别潜在心肌病和其他合并症方面的潜力	NA	系统探讨深度学习技术在心力衰竭评估中的贡献，旨在提高诊断准确性、个性化治疗策略并解决合并症的影响	心力衰竭的诊断和管理	机器学习	心血管疾病	深度学习	NA	NA	NA
10	2024-12-21	A review of big data technology and its application in cancer care 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108577 PMID:38739981	综述	本文综述了大数据技术及其在癌症护理中的应用	本文总结了大数据技术在癌症护理中的应用，并探讨了其在管理大规模异构数据和结合人工智能技术方面的潜力	本文主要讨论了当前大数据技术在癌症护理中的应用现状和挑战，未涉及具体的技术实现细节	探讨大数据技术在癌症护理中的应用及其未来发展方向	大数据技术及其在癌症护理中的应用	机器学习	癌症	NA	NA	数据	NA
11	2024-12-21	Spach Transformer: Spatial and Channel-Wise Transformer Based on Local and Global Self-Attentions for PET Image Denoising 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3336237 PMID:37995174	研究论文	本文提出了一种基于局部和全局自注意力机制的空间和通道Transformer模型，用于PET图像去噪	提出了Spach Transformer，结合局部和全局多头部自注意力机制，能够有效处理3D图像中的长程依赖关系，同时降低计算成本	未提及具体限制	提高PET图像质量，解决低信噪比问题	PET图像去噪	计算机视觉	NA	多头部自注意力机制	Transformer	图像	使用了不同PET示踪剂的数据集，包括18F-FDG、18F-ACBC、18F-DCFPyL和68Ga-DOTATATE
12	2024-12-21	Machine Learning Analysis of Human Skin by Optoacoustic Mesoscopy for Automated Extraction of Psoriasis and Aging Biomarkers 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3356180 PMID:38241120	研究论文	本文介绍了一种基于深度学习的框架DeepRAP，用于分析和量化通过光声显微镜（RSOM）记录的皮肤形态特征，并提取用于疾病表征的成像生物标志物	首次提出了一种自动化的方法来分析三维RSOM数据集，并使用多网络分割策略基于卷积神经网络进行迁移学习，实现了皮肤层和真皮微血管的自动识别与分割	本文未详细讨论DeepRAP在其他皮肤病或不同人群中的适用性	开发一种能够自动分析RSOM数据并提取皮肤疾病和老化生物标志物的框架	银屑病患者和健康志愿者的皮肤微血管特征	机器学习	银屑病	光声显微镜（RSOM）	卷积神经网络（CNN）	图像	25名银屑病患者和75名健康志愿者
13	2024-12-21	Synthetic Optical Coherence Tomography Angiographs for Detailed Retinal Vessel Segmentation Without Human Annotations 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3354408 PMID:38224512	研究论文	本文提出了一种基于空间殖民化模拟的轻量级视网膜血管网络模拟方法，用于生成合成光学相干断层扫描血管造影（OCTA）图像，并通过三种对比度适应管道减少真实图像与合成图像之间的领域差距，以实现更详细的视网膜血管分割	本文的创新点在于提出了一种基于空间殖民化的轻量级视网膜血管网络模拟方法，并引入了三种对比度适应管道，以减少真实图像与合成图像之间的领域差距，从而提高视网膜血管分割的性能	本文的局限性在于尽管合成的OCTA图像在实验中表现出色，但其在真实临床环境中的实际应用效果仍需进一步验证	本文的研究目的是开发一种无需人工标注的视网膜血管分割方法，以解决现有深度学习方法在缺乏大规模详细标注数据集时的局限性	本文的研究对象是视网膜血管的分割	计算机视觉	NA	光学相干断层扫描血管造影（OCTA）	深度学习模型	图像	本文使用了三个公开数据集进行实验
14	2024-12-21	GMIM: Self-supervised pre-training for 3D medical image segmentation with adaptive and hierarchical masked image modeling 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108547 PMID:38728994	研究论文	提出了一种名为GMIM的自监督预训练方法，用于3D医学图像分割，通过自适应和分层掩码图像建模来学习器官和组织之间的相关性	提出了网格掩码图像建模方法，设计了包含在线分支和目标分支的孪生框架，并采用了自适应和分层掩码策略，以提高医学视觉Transformer在3D医学图像分割中的灵活性和通用性	实验仅在两个公开数据集上进行了验证，可能需要更多数据集来进一步验证其泛化能力	开发一种灵活且通用的自监督预训练方法，用于3D医学图像分割	3D医学图像中的器官和组织	计算机视觉	NA	自适应和分层掩码图像建模	Transformer	图像	两个公开数据集
15	2024-12-21	Carbon-based molecular properties efficiently predicted by deep learning-based quantum chemical simulation with large language models 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108531 PMID:38728991	研究论文	本文构建了一个基于深度学习的量子化学预测模型，用于高效预测碳基分子的热力学性质	提出了一种将3D信息编码到大型语言模型（LLM）中并生成2D SMILES字符串的新框架，同时设计了一个可学习的编码以保留原始3D信息的完整性，并引入了一个等变学习模块用于构象表示和特征学习	NA	提高碳基分子热力学性质预测的准确性和计算速度	碳基分子的热力学性质	机器学习	NA	深度学习	大型语言模型（LLM）	3D信息和2D SMILES字符串	NA
16	2024-12-21	An efficient deep neural network for automatic classification of acute intracranial hemorrhages in brain CT scans 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108587 PMID:38735238	研究论文	本文提出了一种高效的深度神经网络模型，用于自动分类脑部CT扫描中的急性颅内出血	该模型结合了深度可分离卷积和多感受野机制，实现了性能与计算效率的平衡，参数数量仅为MobileNet V3的3%	未提及具体的局限性	提出一种高效的深度学习模型，用于分类脑部CT扫描中的颅内出血	脑部CT扫描中的急性颅内出血	计算机视觉	颅内出血	深度学习	深度神经网络	图像	训练数据来自RSNA数据集，验证数据来自CQ500数据集和PhysioNet数据集
17	2024-12-21	Parallel Dual-Branch Fusion Network for Epileptic Seizure Prediction 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108565 PMID:38744007	研究论文	本文提出了一种并行双分支融合网络（PDBFusNet），用于癫痫发作预测	该研究结合了卷积神经网络（CNN）和Transformer的互补优势，同时捕捉EEG信号的短期和长期依赖性，并开发了一种新的特征融合模块来增强时间、频率和通道信息的利用能力	NA	提高癫痫发作预测的准确性和及时性	头皮脑电图（EEG）信号	机器学习	神经系统疾病	Mel频率倒谱系数（MFCC）	并行双分支融合网络（PDBFusNet）	脑电图（EEG）信号	使用了公开的癫痫EEG数据集CHB-MIT
18	2024-12-21	Kidney Tumor Classification on CT images using Self-supervised Learning 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108554 PMID:38744013	研究论文	本文提出了一种基于自监督学习的肾脏肿瘤分类方法，使用掩码自编码器（MAE）在CT图像上进行肾脏肿瘤检测	本文的创新点在于提出了基于自监督学习的自蒸馏（SD）方法，通过掩码补丁重新引入配置损失计算，提高了肾脏肿瘤分类的准确性	本文的局限性在于实验数据集的规模较小，且未在其他数据集上进行验证	本文的研究目的是提高肾脏肿瘤分类的准确性，辅助放射科医生进行诊断	本文的研究对象是肾脏肿瘤的CT图像	计算机视觉	肾脏肿瘤	深度学习	掩码自编码器（MAE）	图像	KAUH-kidney数据集包含8400个样本，CT-kidney数据集包含840个样本
19	2024-12-21	CancerGATE: Prediction of cancer-driver genes using graph attention autoencoders 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108568 PMID:38744009	研究论文	本文介绍了一种名为CancerGATE的新方法，利用图注意力自编码器预测癌症驱动基因	CancerGATE通过自监督学习方式，利用图注意力自编码器预测癌症驱动基因，并避免了以往方法中对训练数据中癌症驱动基因的偏倚	NA	发现特定癌症类型的驱动基因，以理解其分子机制并提供适当治疗	15种癌症类型的驱动基因	机器学习	NA	图深度学习	图注意力自编码器	多组学数据	20,079个样本
20	2024-12-21	MR2CPPIS: Accurate prediction of protein-protein interaction sites based on multi-scale Res2Net with coordinate attention mechanism 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108543 PMID:38744015	研究论文	提出了一种基于多尺度Res2Net和坐标注意力机制的深度学习模型MR2CPPIS，用于准确预测蛋白质-蛋白质相互作用位点	利用多尺度Res2Net扩展感受野，捕捉蛋白质序列的多尺度信息，并采用坐标注意力块来表征精确的空间位置信息，从而有效提取长程依赖关系	未提及具体局限性	开发一种计算预测方法，用于准确识别蛋白质-蛋白质相互作用位点	蛋白质-蛋白质相互作用位点	机器学习	NA	深度学习	Res2Net	序列	三个公共基准数据集（Dset 72、Dset 186和PDBset 164）