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
241	2024-10-10	Exploring the potential of machine learning in gynecological care: a review 2024-06, Archives of gynecology and obstetrics IF:2.1Q2 DOI:10.1007/s00404-024-07479-1 PMID:38625543	综述	本文综述了机器学习在妇科护理中的潜力及其在孕早期、中期和晚期与超声技术的结合应用	探讨了机器学习在妇科健康中的应用，包括自然语言处理（NLP）和ChatGPT的概念	讨论了在妇科领域应用机器学习时面临的挑战	综述机器学习在妇科护理中的应用及其潜力	孕早期、中期和晚期，以及不孕症治疗、乳腺癌和宫颈癌	机器学习	妇科疾病	机器学习（ML）和深度学习（DL）	NA	数据集	NA
242	2024-10-09	ArcheD, a residual neural network for prediction of cerebrospinal fluid amyloid-beta from amyloid PET images 2024-Jun, The European journal of neuroscience DOI:10.1111/ejn.16332 PMID:38576196	研究论文	开发了一种深度学习模型ArcheD，用于从淀粉样蛋白PET图像中直接预测脑脊液中的淀粉样蛋白-β浓度	提出了一种新的残差神经网络ArcheD，能够独立于示踪剂、脑参考区域或预选感兴趣区域，直接从淀粉样蛋白PET图像中预测脑脊液中的淀粉样蛋白-β浓度	未提及	开发一种深度学习模型，用于从淀粉样蛋白PET图像中直接预测脑脊液中的淀粉样蛋白-β浓度，以辅助阿尔茨海默病的早期识别和诊断	淀粉样蛋白PET图像和脑脊液中的淀粉样蛋白-β浓度	机器学习	阿尔茨海默病	深度学习	残差神经网络	图像	1870个淀粉样蛋白PET图像和脑脊液测量数据
243	2024-10-08	Recurrent Inference Machine for Medical Image Registration 2024-Jun-19, ArXiv PMID:39371087	研究论文	本文提出了一种名为Recurrent Inference Image Registration (RIIR)网络的新型图像配准方法，旨在提高配准精度和数据效率	RIIR通过元学习的方式迭代地解决配准问题，结合隐式正则化和显式梯度输入，学习优化更新规则，从而提高配准精度和数据效率	NA	提高医学图像配准的精度和数据效率	脑部MRI和定量心脏MRI数据集	计算机视觉	NA	深度学习	RNN	图像	使用5%的训练数据进行实验
244	2024-10-08	Location-based Radiology Report-Guided Semi-supervised Learning for Prostate Cancer Detection 2024-Jun-18, ArXiv PMID:39371085	研究论文	提出了一种基于放射报告中的病变位置信息指导的半监督学习方法，用于前列腺癌的检测	利用放射报告中自动提取的病变位置信息，通过半监督学习方法减少对标注图像的依赖，从而降低标注负担	NA	提高计算机辅助前列腺癌在MRI上的检测效果	前列腺癌的检测	计算机视觉	前列腺癌	半监督学习	NA	图像	NA
245	2024-10-07	Inferring single-cell spatial gene expression with tissue morphology via explainable deep learning 2024-Jun-14, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.12.598686 PMID:38915550	研究论文	开发了一种基于视觉变换器（ViT）的框架，用于从组织形态学图像推断单细胞空间基因表达	提出了名为SPiRiT的框架，通过整合交叉验证和模型解释在超参数调优中，显著提高了预测准确性	NA	探索利用组织形态学图像推断单细胞空间基因表达的可行性	人类乳腺癌和小鼠幼崽的组织形态学图像	计算机视觉	乳腺癌	NA	视觉变换器（ViT）	图像	人类乳腺癌和小鼠幼崽的组织样本
246	2024-10-06	Hematologic cancer diagnosis and classification using machine and deep learning: State-of-the-art techniques and emerging research directives 2024-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2024.102883 PMID:38657439	综述	本文综述了过去20年中使用机器学习和深度学习技术进行血液癌症诊断和分类的研究进展	本文总结了现有研究的优势和局限性，为该领域的研究人员提供了有价值的指导	本文主要基于已发表的研究进行综述，未提出新的技术或模型	评估和总结机器学习和深度学习在血液癌症诊断和分类中的应用	血液癌症的诊断和分类	机器学习	血液癌症	机器学习和深度学习	NA	图像	约57篇研究论文
247	2024-10-06	Learning the cellular activity representation based on gene regulatory networks for prediction of tumor response to drugs 2024-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2024.102864 PMID:38640702	研究论文	本文提出了一种基于基因调控网络学习肿瘤细胞活性表示的方法，用于预测肿瘤对药物的反应	该方法通过整合基因调控网络的先验知识，模拟细胞生物系统，生成新的低维活性表示，从而提高预测性能	NA	预测肿瘤细胞对抗癌药物的反应，实现癌症精准医疗	肿瘤细胞对药物的反应	机器学习	NA	基因调控网络	深度学习模型	基因表达数据	NA
248	2024-10-06	Improving multiple sclerosis lesion segmentation across clinical sites: A federated learning approach with noise-resilient training 2024-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2024.102872 PMID:38701636	研究论文	本文探讨了在多发性硬化症（MS）病变分割中使用联邦学习框架和噪声鲁棒训练策略，以解决多临床站点数据隐私和标签噪声问题	提出了Decoupled Hard Label Correction (DHLC)和Centrally Enhanced Label Correction (CELC)策略，以提高模型在多站点数据上的鲁棒性和准确性	未提及具体的局限性	提高多发性硬化症病变分割的准确性和鲁棒性，以支持疾病进展的理解和治疗策略的制定	多发性硬化症病变分割模型	计算机视觉	神经系统疾病	联邦学习	深度学习模型	医学影像	涉及两个多站点数据集
249	2024-10-03	Structure-based prediction of protein-nucleic acid binding using graph neural networks 2024-Jun, Biophysical reviews IF:4.9Q1 DOI:10.1007/s12551-024-01201-w PMID:39345796	研究论文	本文开发了一种基于图神经网络的深度学习方法，用于预测蛋白质与核酸的结合	利用图神经网络编码蛋白质结构的物理化学和几何特性，预测核酸结合位点	NA	开发一种新的方法来预测蛋白质与核酸的结合	蛋白质与核酸的结合	机器学习	NA	图神经网络	图神经网络	蛋白质结构数据	NA
250	2024-09-27	Potential of digital chest radiography-based deep learning in screening and diagnosing pneumoconiosis: An observational study 2024-Jun-21, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000038478 PMID:38905434	研究论文	本研究探讨了基于数字胸部X光片的深度学习模型在尘肺筛查和诊断中的应用	本研究开发了一种基于深度学习的模型，用于尘肺的筛查和分期，并发现ResNet101模型在分类尘肺方面表现优于放射科医生	本研究仅使用了1250张胸部X光片进行训练和测试，样本量相对较小	提高尘肺诊断的准确性和一致性	尘肺的分类和诊断	计算机视觉	尘肺	深度学习	ResNet101	图像	1250张胸部X光片
251	2024-09-27	Deep learning generation of preclinical positron emission tomography (PET) images from low-count PET with task-based performance assessment 2024-Jun, Medical physics IF:3.2Q1 DOI:10.1002/mp.17105 PMID:38710222	研究论文	本文开发并评估了一种基于深度学习的架构，用于从低计数正电子发射断层扫描（PET）图像生成标准计数PET图像	提出了一种新的深度学习架构——基于注意力的残差扩张网络（ARD-Net），用于从低计数PET图像生成标准计数PET图像	NA	开发和评估一种新的深度学习架构，用于从低计数PET图像生成标准计数PET图像	从低计数PET图像生成标准计数PET图像的深度学习架构	计算机视觉	NA	深度学习	基于注意力的残差扩张网络（ARD-Net）	图像	48个临床前FDG-PET数据集用于训练和优化，16个数据集用于评估性能
252	2024-09-26	Deep learning model to differentiate Crohn's disease from intestinal tuberculosis using histopathological whole slide images from intestinal specimens 2024-Jun, Virchows Archiv : an international journal of pathology IF:3.4Q1 DOI:10.1007/s00428-024-03740-9 PMID:38332051	研究论文	本研究利用深度学习模型分析肠道标本的病理全切片图像，以区分克罗恩病和肠结核	开发了一种深度学习模型，能够有效区分克罗恩病和肠结核，提高了病理诊断的准确性	深度学习模型的诊断效率略低于高级胃肠病理学家	应用深度学习技术区分克罗恩病和肠结核	肠道标本的病理全切片图像	数字病理	消化系统疾病	深度学习	深度学习模型	图像	1973张全切片图像，来自85个病例，涉及3个中心
253	2024-09-25	An artificial intelligence tool predicts blastocyst development from static images of fresh mature oocytes 2024-06, Reproductive biomedicine online IF:3.7Q1 DOI:10.1016/j.rbmo.2024.103842 PMID:38552566	研究论文	开发了一种深度学习模型，通过分析新鲜成熟卵母细胞的静态图像来预测囊胚发育	首次利用深度学习模型通过卵母细胞的静态图像预测囊胚发育，为卵母细胞评估提供了新的方法	模型在不同年龄组和地理位置的表现存在差异，且需要进一步验证其普遍适用性	开发一种能够通过卵母细胞图像预测囊胚发育的深度学习模型	新鲜成熟卵母细胞的静态图像	计算机视觉	NA	深度学习	深度学习模型	图像	37,133张卵母细胞图像，其中7,807张用于测试，12,357张用于外部验证
254	2024-09-23	Hybrid Deep Learning and Model-Based Needle Shape Prediction 2024-Jun, IEEE sensors journal IF:4.3Q2 DOI:10.1109/jsen.2024.3386120 PMID:39301509	研究论文	本文提出并验证了一种混合深度学习和基于模型的方法，用于预测手术中针的形状	首次提出了一种结合深度学习和基于李群理论模型的方法来解决手术中针形状预测问题，并引入了一种新的自监督学习方法，在没有数据的情况下训练网络	仅在单层和双层均匀的仿真组织中进行了验证，未在真实人体组织中进行测试	提高前列腺癌手术中针插入的准确性，减少重新插入次数，改善患者舒适度和治疗效果	手术中针的轨迹预测	计算机视觉	前列腺癌	NA	混合深度学习模型	NA	约3000个预测样本，最大预测步长为110毫米
255	2024-09-21	Multi-scale spatiotemporal attention network for neuron based motor imagery EEG classification 2024-06, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110128 PMID:38554787	研究论文	本文提出了一种基于多尺度时空自注意力机制的网络模型，用于分类基于运动想象任务的脑电信号	该模型利用注意力机制自动分配权重，选择与运动活动相关的通道，并使用多尺度时间卷积网络层提取时间域特征信息	NA	开发和训练一个能够有效提取运动想象脑电数据特征的网络模型	基于运动想象任务的脑电信号	机器学习	NA	脑电图 (EEG)	自注意力网络 (SA)	脑电信号	使用了BCI竞赛数据集IV-2a、IV-2b和HGD，分别包含79.26%、85.90%和96.96%的准确率
256	2024-09-20	Recovering speech intelligibility with deep learning and multiple microphones in noisy-reverberant situations for people using cochlear implants 2024-06-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0026218 PMID:38884525	研究论文	研究通过深度学习和多麦克风系统在噪声和混响环境中提高人工耳蜗使用者的语音可懂度	提出了一种结合深度学习和多麦克风系统的方法，通过去除噪声和混响来恢复语音信号，显著提高了语音接收阈值	研究仅限于模拟和实际人工耳蜗使用者的测试，未涵盖所有可能的听觉环境	旨在通过深度学习算法和多麦克风系统提高人工耳蜗使用者在噪声和混响环境中的语音可懂度	研究对象包括15名典型听力听众和12名人工耳蜗使用者	机器学习	NA	深度学习算法	NA	语音信号	15名典型听力听众和12名人工耳蜗使用者
257	2024-09-15	Detecting outliers in case-control cohorts for improving deep learning networks on Schizophrenia prediction 2024-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2023-0042 PMID:39004922	研究论文	研究探讨了精神分裂症的复杂遗传和临床特征，并开发了一种基于基因注释的深度学习架构，用于检测和过滤病例对照队列中的异常值，以提高分类模型的性能	提出了一种新的方法来检测和过滤病例对照队列中的异常值，以提高深度学习模型在精神分裂症预测中的性能	研究仅基于瑞典人群的数据集，可能限制了结果的普适性	提高深度学习模型在精神分裂症预测中的准确性	精神分裂症的遗传和临床特征	机器学习	精神疾病	深度学习	深度学习架构	基因数据	来自瑞典人群的病例对照数据集
258	2024-09-15	Unlocking the power of AI models: exploring protein folding prediction through comparative analysis 2024-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2023-0041 PMID:38797876	研究论文	本文通过比较分析探讨了深度学习模型在蛋白质折叠预测中的应用	本文强调了评估深度学习模型多样性输出的重要性，并进行了跨物种和蛋白质的比较分析	本文主要集中在特定蛋白质（ARM58和ARM56）的分析，未涵盖所有蛋白质结构预测的复杂性	评估深度学习模型在蛋白质折叠预测中的准确性，并提供对这些预测复杂性的见解	ARM58和ARM56蛋白质及其在不同物种中的同源物	机器学习	NA	深度学习	深度学习模型	蛋白质序列	涉及两个蛋白质（ARM58和ARM56）及其同源物
259	2024-09-14	MolLM: a unified language model for integrating biomedical text with 2D and 3D molecular representations 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae260 PMID:38940177	研究论文	本文介绍了一种名为MolLM的统一预训练语言模型，该模型能够同时捕捉2D和3D分子信息以及生物医学文本	MolLM模型创新性地整合了2D和3D分子结构与生物医学文本，通过对比学习方法提升了分子表示能力	NA	开发一种能够同时处理2D和3D分子结构以及生物医学文本的统一语言模型	2D和3D分子结构以及生物医学文本	自然语言处理	NA	对比学习	Transformer	文本和分子结构	160K分子-文本配对
260	2024-09-14	scGrapHiC: deep learning-based graph deconvolution for Hi-C using single cell gene expression 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae223 PMID:38940151	研究论文	本文介绍了一种基于深度学习的图解卷积框架scGrapHiC，用于利用单细胞基因表达数据预测伪批量scHi-C接触图	scGrapHiC通过图解卷积从批量Hi-C接触图中提取全基因组单细胞相互作用，并使用scRNA-seq作为指导信号，显著提高了细胞类型特异性拓扑关联域的恢复率	NA	开发一种新方法，利用广泛可用的基因组信号生成细胞类型特异性的scHi-C接触图，以研究细胞类型特异性的染色质相互作用	单细胞Hi-C数据和单细胞RNA测序数据	机器学习	NA	深度学习	图解卷积	基因组数据	七个细胞类型共分析数据集