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
261	2024-08-04	GraphsformerCPI: Graph Transformer for Compound-Protein Interaction Prediction 2024-Jun, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-024-00609-y PMID:38457109	研究论文	本文提出了一种名为GraphsformerCPI的深度学习框架，用于预测化合物与蛋白质的相互作用	通过引入结构增强的自注意力机制和双重注意力机制，显著提高了预测性能和可解释性	文章未提及具体的限制条件	研究旨在提高化合物-蛋白质相互作用预测的准确性和可解释性	研究对象为化合物及其与蛋白质之间的相互作用	计算机视觉	NA	深度学习	Transformer	结构化数据	多个数据集，包括人类、秀丽隐杆线虫、Davis和KIBA数据集
262	2024-08-04	ResDeepSurv: A Survival Model for Deep Neural Networks Based on Residual Blocks and Self-attention Mechanism 2024-Jun, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-024-00617-y PMID:38489147	研究论文	本文提出了一种基于残差块和自注意力机制的生存模型ResDeepSurv，用于生存分析	该模型结合了神经网络的优势和Cox比例风险回归模型，不需要严格的生存数据基本分布假设	模型可能对非常复杂的风险函数仍然可能存在限制	旨在提供一种提高生存分析性能的新方法	探讨患者协变量与疾病之间的关系及治疗策略的有效性	机器学习	NA	深度学习	残差网络	临床数据	多个公共临床数据集
263	2024-08-04	GEnDDn: An lncRNA-Disease Association Identification Framework Based on Dual-Net Neural Architecture and Deep Neural Network 2024-Jun, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-024-00619-w PMID:38733474	研究论文	本文提出了一种基于深度学习的lncRNA-疾病关联预测框架GEnDDn	GEnDDn结合相似性计算、非负矩阵分解和图注意自编码器提取特征，并通过双网神经架构和深度神经网络进行分类，从而创新性地识别lncRNA-疾病关联	需要进一步的生物医学实验验证以确认结果	识别新的lncRNA-疾病关联，从而更好地理解疾病机制及为癌症靶向治疗和抗癌药物设计提供见解	主要研究lncRNA及其与疾病的关联	数字病理学	肺癌	深度学习	双网神经架构	NA	使用了六种不同的评估指标验证了GEnDDn在四种竞争性lncRNA-疾病关联识别方法上的优越性，并在lncRNADisease和MNDR数据库进行了五折交叉验证
264	2024-08-05	Automating Linear and Angular Measurements for the Hip and Knee After Computed Tomography: Validation of a Three-Stage Deep Learning and Computer Vision-Based Pipeline for Pathoanatomic Assessment 2024-Jun, Arthroplasty today IF:1.5Q3 DOI:10.1016/j.artd.2024.101394 PMID:39071819	研究论文	本研究展示了一种可重复和可扩展的方法，用于分析基于CT的解剖学，以处理髋部和膝部的测量。	开发了一个三阶段的深度学习和计算机视觉管道，能够自动识别和测量髋膝解剖特征。	未提及具体的临床参数整合方法及其对结果的影响。	研究旨在提高CT图像处理的有效性，以改善围手术期的规划和执行。	研究对象为100名接受全膝关节置换术的骨关节炎患者，其预处理的CT扫描数据。	计算机视觉	骨关节炎	深度学习	UNet3+和Attention U-Net	CT图像	100个预处理的CT扫描
265	2024-08-05	Self-Trained Convolutional Neural Network (CNN) for Tuberculosis Diagnosis in Medical Imaging 2024-Jun, Cureus DOI:10.7759/cureus.63356 PMID:39070319	研究论文	本文提出了一种基于卷积神经网络（CNN）的深度学习方法，以提高胸部X光图像中结核病的检测率	文章展示了自训练CNN在检测结核病方面的优势，相较于多种预训练模型的迁移学习，优化了结果	后续工作需重点优化模型，并从本地医院和易感地区获取更大规模的数据集	提高结核病的早期准确检测以促进有效治疗和减少传播	研究对象为包含结核病证据的胸部X光图像以及正常图像	计算机视觉	结核病	深度学习	卷积神经网络（CNN）	图像	7000张胸部X光图像（其中3500张为结核病证据，3500张为正常）
266	2024-08-05	Bibliometric Analysis and Visualization of Scientific Literature on Heart Disease Classification Using a Logistic Regression Model 2024-Jun, Cureus DOI:10.7759/cureus.63337 PMID:39070375	研究论文	本研究通过文献计量分析调查了心脏病分类中使用逻辑回归模型的研究生产力	揭示了心脏病分类领域的研究模式和未来趋势，强调了重要的研究团队和国家	研究只考虑了来自Scopus的数据，排除了其他数据库的文献，并且仅关注2019年后的开发	探讨心脏病分类中逻辑回归模型的研究生产力和影响力	心脏病分类相关的科学文献	机器学习	心脏病	逻辑回归	NA	文献	2331篇文献
267	2024-08-05	Synthetic Genitourinary Image Synthesis via Generative Adversarial Networks: Enhancing Artificial Intelligence Diagnostic Precision 2024-Jun-30, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm14070703 PMID:39063957	研究论文	本研究探讨了生成对抗网络（GAN）在合成罕见泌尿生殖组织图像中的潜力	利用GAN生成高质量合成图像，以增强计算病理模型的训练数据	目前的研究仅集中在八种不同的GU组织，尚需进一步拓展更广泛的组织类型	提高计算病理模型在组织分类、分割和疾病检测方面的性能	八种不同的泌尿生殖组织	计算病理学	NA	生成对抗网络（GAN）	NA	图像	八种不同的GU组织样本
268	2024-08-05	The Approach to Sensing the True Fetal Heart Rate for CTG Monitoring: An Evaluation of Effectiveness of Deep Learning with Doppler Ultrasound Signals 2024-Jun-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070658 PMID:39061740	研究论文	该研究提出了一种利用多普勒超声信号和人工智能的方法来区分胎心率和母体心率。	创新之处在于将多普勒超声与深度学习结合，以提高临床心率监测的准确性。	研究主要基于有限案例的数据，可能影响结果的推广性。	旨在改善心音监测的准确性，减少在产程中错误评估胎儿状态的风险。	研究对象包括425个孕妇案例的数据，涉及胎心和母体脉管信号。	数字病理学	NA	多普勒超声	深度学习模型	信号数据	425个案例，包含30160个胎心数据点和2160个母体脉管数据点
269	2024-08-05	Identification of Calculous Pyonephrosis by CT-Based Radiomics and Deep Learning 2024-Jun-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070662 PMID:39061744	研究论文	本研究评估了基于CT的放射组学和三维卷积神经网络模型在识别结石性脓肾中的表现	结合独立临床因素的机器学习模型表现优于传统临床模型	未提及具体的局限性	急需准确检测结石性脓肾以便进行手术规划并防止严重后果	182名接受治疗的结石性水肾或脓肾的患者	数字病理学	肾脏疾病	CT成像, 放射组学	3D-CNN	医学影像	182名患者
270	2024-08-05	Revolutionizing Pathology with Artificial Intelligence: Innovations in Immunohistochemistry 2024-Jun-27, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm14070693 PMID:39063947	research paper	这篇文章探讨了人工智能在免疫组化分析中的应用和整合	文章强调了深度学习和机器学习算法在免疫组化分析中的创新应用	文章未详细探讨现有算法的局限性和挑战	研究目的是提升病理学中的诊断准确性	研究对象包括乳腺癌、前列腺癌、肺癌、黑色素增生以及血液病等病理	数字病理	乳腺癌, 前列腺癌, 肺癌, 血液病	深度学习, 机器学习	NA	影像	NA
271	2024-08-05	An Innovative Multi-Omics Model Integrating Latent Alignment and Attention Mechanism for Drug Response Prediction 2024-Jun-27, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm14070694 PMID:39063948	研究论文	本文提出了一种用于药物反应预测的多组学模型，集成了潜在对齐和注意力机制	研究创新性地引入了潜在对齐用于信息不匹配的整合，并通过注意力模块捕获不同类型组学数据之间的交互	在某些药物（如mitomycin-C和obatoclax）的反应预测准确性较低	该研究旨在提高药物反应预测的准确性	研究对象为各种组学数据，包括基因突变、拷贝数变异、甲基化和基因表达数据	机器学习	癌症	多组学数据整合	注意力模型	组学数据	NA
272	2024-08-05	A Multi-View Deep Learning Model for Thyroid Nodules Detection and Characterization in Ultrasound Imaging 2024-Jun-25, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070648 PMID:39061730	研究论文	提出了一种基于深度学习的管道来检测和分类甲状腺结节	使用了多视图超声成像并结合YOLOv5和XGBoost模型提升结节分类的准确性	测试集样本量相对较小且是历史数据收集	旨在提高甲状腺结节的检测与分类准确性	使用来自983名患者的甲状腺结节超声图像	计算机视觉	NA	深度学习	YOLOv5, XGBoost	超声图像	983个患者的图像，测试集81个案例
273	2024-08-05	HEAL: High-Frequency Enhanced and Attention-Guided Learning Network for Sparse-View CT Reconstruction 2024-Jun-25, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070646 PMID:39061728	研究论文	提出了一种高频增强和注意力引导的学习网络HEAL，用于稀疏视图CT重建	该论文提出的HEAL网络结合了双域渐进增强模块、通道和空间注意力机制以及高频成分增强正则化项，创新性地提高了重建精度和细节增强	在超稀疏条件下，高频成分的细节恢复仍然存在一定挑战	旨在减少CT成像中的辐射剂量，同时提高稀疏视图重建的图像细节	重点研究CT成像中的稀疏视图重建技术	计算机视觉	NA	深度学习	NA	图像	在不同的超稀疏配置下进行了训练、验证和测试，包括60视图和30视图
274	2024-08-05	Graph-Based Electroencephalography Analysis in Tinnitus Therapy 2024-Jun-25, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines12071404 PMID:39061978	研究论文	本研究旨在通过分析与耳鸣治疗相关的电生理信号数据集来增强对耳鸣的理解和治疗	本研究的创新点在于将EEG信号的不同通道表示为新的图网络表示法，使用图神经网络进行复杂关系的建模	NA	提升耳鸣治疗的理解与效果	治疗耳鸣的患者的EEG信号	数字病理学	耳鸣	EEG	图卷积网络(GCN) 和长短期记忆网络(LSTM)	电生理信号	NA
275	2024-08-05	Automatic Detection of Acute Leukemia (ALL and AML) Utilizing Customized Deep Graph Convolutional Neural Networks 2024-Jun-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070644 PMID:39061726	研究论文	本研究提出了一种利用定制的深度图卷积神经网络自动检测急性白血病的方法	本研究的创新点在于结合图论和卷积神经网络的架构，实现了高达99%的分类准确率	本研究的样本量较小，仅涉及44名患者的670幅图像	旨在开发一种自动化的急性白血病诊断工具	研究对象为急性淋巴细胞白血病（ALL）和急性髓性白血病（AML）	机器学习	急性白血病	深度学习	卷积神经网络（CNN）	图像	44名患者的670幅ALL和AML图像
276	2024-08-05	Deep Learning Evaluation of Glaucoma Detection Using Fundus Photographs in Highly Myopic Populations 2024-Jun-23, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines12071394 PMID:39061968	研究论文	本研究旨在利用深度学习通过眼底照片识别高度近视人群中的青光眼和正常眼	创新点在于使用结合卷积块注意机制的分类模型改进青光眼检测的性能	本研究仅包括在特定医院就诊的患者，可能影响结果的广泛适用性	研究目的在于评估深度学习在高度近视人群中青光眼检测的有效性	研究对象为高达近视患者的眼底照片	计算机视觉	青光眼	深度学习	Convolutional Neural Network (CNN)	图像	3088张眼底照片，包括1540张青光眼组和1548张高近视组
277	2024-08-05	Brain Tumor MRI Classification Using a Novel Deep Residual and Regional CNN 2024-Jun-23, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines12071395 PMID:39061969	研究论文	本文提出了一种新的深度残差区域卷积神经网络用于脑肿瘤分类	创新地结合了区域和边界操作的深度残差网络架构Res-BRNet	未提及该研究的具体局限性	旨在提高脑肿瘤分类的准确性和效率	针对基于MRI扫描的不同种类脑肿瘤进行分类	计算机视觉	脑肿瘤	MRI	CNN	图像	来自Kaggle、Br35H和figshare的多种肿瘤类别的图像数据集
278	2024-08-05	Predicting Drugs Suspected of Causing Adverse Drug Reactions Using Graph Features and Attention Mechanisms 2024-Jun-22, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph17070822 PMID:39065673	研究论文	本文设计了一个可疑药物辅助判断模型来识别不良药物反应中的可疑药物	文章使用图同构网络和注意力机制来提取基于患者人口统计信息、药物信息和不良反应信息的特征	本文未提及模型的具体限制	研究旨在提高对不良药物反应的认知并识别可疑药物	研究对象为在不良事件中可疑的药物	机器学习	心血管疾病	深度学习	图同构网络	文本	使用了来自十个药物发现领域的基准数据集进行验证
279	2024-08-05	Prostate Cancer Diagnosis via Visual Representation of Tabular Data and Deep Transfer Learning 2024-Jun-21, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070635 PMID:39061717	研究论文	本文提出了一种新的机器学习方法，通过临床生物标志物和个性化问卷评估前列腺癌的诊断。	创新性在于首次将卷积神经网络和迁移学习应用于处理表格数据，并通过Tab2Visual建模框架转换为图形表示。	研究可能在样本多样性和临床应用范围上存在局限性。	本研究旨在开发高效的前列腺癌诊断方法，减少对侵入性和高成本程序的依赖。	研究对象为相关的临床生物标志物和个性化问卷数据。	机器学习	前列腺癌	深度转移学习	卷积神经网络 (CNN)	表格数据	样本量与具体样本种类未公开
280	2024-08-05	On Entropic Learning from Noisy Time Series in the Small Data Regime 2024-Jun-28, Entropy (Basel, Switzerland) DOI:10.3390/e26070553 PMID:39056915	研究论文	本研究提出了一种新的方法，用于对有序的噪声数据进行监督分类。	提出了带有马尔可夫正则化的熵稀疏概率逼近（eSPA-Markov）方法，能够同时学习分段模式、熵最优特征空间离散化以及贝叶斯分类规则。	本研究在处理高维非平稳和噪声时间序列时，可能会受到小数据统计量的限制。	研究小数据条件下对噪声时间序列进行有效分类的技术。	对高维的非平稳噪声时间序列进行分类和分析。	机器学习	NA	熵稀疏概率逼近	NA	时间序列	使用了一组玩具学习问题进行验证