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
301	2024-09-14	FMCA-DTI: a fragment-oriented method based on a multihead cross attention mechanism to improve drug-target interaction prediction 2024-06-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae347 PMID:38810106	研究论文	提出了一种基于多头交叉注意力机制的片段导向方法FMCA-DTI，用于改进药物-靶点相互作用预测	利用多头交叉注意力机制学习不同片段之间的复杂交互特征，并通过分支链挖掘和类别片段挖掘获取药物和蛋白质的多种片段类型	未提及	改进药物-靶点相互作用预测	药物和蛋白质的片段及其相互作用	机器学习	NA	多头交叉注意力机制	多头交叉注意力机制	片段数据	三个基准数据集
302	2024-09-14	Interpretable deep learning in single-cell omics 2024-06-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae374 PMID:38889275	review	本文介绍了单细胞组学技术和可解释深度学习的基本概念，并回顾了应用于单细胞组学研究的最新可解释深度学习模型	本文探讨了在单细胞组学数据分析中提高深度学习模型可解释性的研究进展	本文指出了当前可解释深度学习模型在单细胞组学研究中的局限性，并讨论了未来的发展方向	探讨单细胞组学数据分析中深度学习模型的可解释性问题	单细胞组学数据和深度学习模型	机器学习	NA	深度学习	NA	单细胞组学数据	NA
303	2024-09-14	Deep learning for colorectal cancer detection in contrast-enhanced CT without bowel preparation: a retrospective, multicentre study 2024-Jun, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2024.105183 PMID:38848616	研究论文	本文开发了一种深度学习模型，用于在没有肠道准备的情况下通过增强CT扫描检测结直肠癌，并评估其是否能提高放射科医生的检测性能	本文首次在没有肠道准备的情况下，利用深度学习模型在增强CT扫描中检测结直肠癌，并显著提高了放射科医生的检测准确性	本文仅在回顾性、多中心研究中验证了模型的有效性，未来需要在更多临床环境中进行验证	开发和评估一种深度学习模型，以提高在没有肠道准备的情况下通过增强CT扫描检测结直肠癌的准确性	结直肠癌的检测	计算机视觉	结直肠癌	深度学习	深度学习模型	图像	共使用了1196个癌症样本和1034个正常样本进行模型训练，并在多个测试集中进行了验证
304	2024-09-08	Predicting overall survival and prophylactic cranial irradiation benefit in small-cell lung cancer with CT-based deep learning: A retrospective multicenter study 2024-06, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110221 PMID:38479441	研究论文	开发基于CT的深度学习模型，预测小细胞肺癌患者的总生存期并识别可能从预防性颅脑放疗中受益的患者	首次使用基于CT的深度学习模型预测小细胞肺癌患者的总生存期，并评估预防性颅脑放疗的受益情况	研究为回顾性多中心研究，样本量有限，需进一步前瞻性研究验证	开发和验证基于CT的深度学习模型，以预测小细胞肺癌患者的总生存期并评估预防性颅脑放疗的受益情况	小细胞肺癌患者及其总生存期和预防性颅脑放疗的受益情况	计算机视觉	肺癌	深度学习	全连接神经网络	CT影像	556名小细胞肺癌患者，其中训练集309例，内部验证集133例，外部验证集114例
305	2024-09-07	Deep learning unlocks label-free viability assessment of cancer spheroids in microfluidics 2024-06-11, Lab on a chip IF:6.1Q2 DOI:10.1039/d4lc00197d PMID:38804084	研究论文	本文介绍了一种基于深度学习的无标记、非破坏性方法，用于评估微流控芯片中癌症球体的生存能力	该研究提出了一种基于相位对比图像的深度学习模型，用于无标记、非破坏性的生存能力评估，提供了一种成本效益高、高通量的解决方案	该模型在扩展到训练数据集中未包含的新化合物和细胞系时，结果虽然有希望，但仍需进一步验证	改进治疗剂，精确评估药物疗效	癌症球体的生存能力	计算机视觉	NA	深度学习	深度学习模型	图像	约12000个球体
306	2024-09-07	The Quantitative Evaluation of Automatic Segmentation in Lumbar Magnetic Resonance Images 2024-Jun, Neurospine IF:3.8Q1 DOI:10.14245/ns.2448060.030 PMID:38955536	研究论文	本研究旨在通过开发自动化分割模型，克服腰椎磁共振成像中的挑战，特别是腰椎管狭窄症	引入了一种新的旋转矩阵方法来检测突出的椎间盘，评估硬膜囊压迫，并测量黄韧带厚度	NA	开发一种准确且自动化的分割模型，用于识别腰椎磁共振成像扫描中的解剖结构	腰椎磁共振成像中的解剖结构	计算机视觉	腰椎管狭窄症	深度学习	残差U-Net	图像	539名腰椎管狭窄症患者
307	2024-09-06	A muti-modal feature fusion method based on deep learning for predicting immunotherapy response 2024-06-07, Journal of theoretical biology IF:1.9Q3 DOI:10.1016/j.jtbi.2024.111816 PMID:38589007	研究论文	本文开发了一种基于深度学习的多模态特征融合模型，用于预测免疫治疗反应	本文提出的多模态特征融合模型利用图神经网络将基因网络中的基因关系映射到低维向量空间，并融合生物通路特征和免疫细胞浸润特征，以提高对免疫治疗反应的预测性能	NA	预测免疫治疗反应	癌症患者对免疫检查点治疗的反应	机器学习	NA	图神经网络	多模态特征融合模型	基因网络数据、生物通路特征、免疫细胞浸润特征	五个数据集，涵盖黑色素瘤、肺癌和胃癌等多种癌症类型
308	2024-09-06	MOSAIC: An Artificial Intelligence-Based Framework for Multimodal Analysis, Classification, and Personalized Prognostic Assessment in Rare Cancers 2024-Jun, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.24.00008 PMID:38875514	研究论文	本文介绍了一种基于人工智能的框架MOSAIC，用于罕见癌症的多模态分析、分类和个性化预后评估	MOSAIC框架结合了深度学习和联邦学习技术，提供了比传统统计方法更精确的分类和预后评估	NA	开发和验证一种用于罕见癌症分类和预后评估的人工智能框架	罕见癌症，特别是骨髓增生异常综合征（MDS）	机器学习	血液系统疾病	深度学习	梯度提升生存模型	临床和基因组数据	4427名MDS患者
309	2024-09-05	CT Reconstruction using Diffusion Posterior Sampling conditioned on a Nonlinear Measurement Model 2024-Jun-11, ArXiv PMID:38947914	研究论文	本文提出了一种基于扩散后验采样的非线性测量模型CT重建新方法	该方法通过结合非线性物理模型的测量似然得分函数与扩散先验，实现了无需额外训练的通用非线性CT图像重建	NA	解决非线性CT图像重建的逆问题	CT图像重建技术	计算机视觉	NA	扩散后验采样	扩散模型	图像	在全采样低剂量数据和稀疏视图几何中进行了演示
310	2024-09-05	Epitope Identification of an mGlu5 Receptor Nanobody Using Physics-Based Molecular Modeling and Deep Learning Techniques 2024-Jun-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c01620 PMID:38423996	研究论文	本文提出了一种计算方法，用于识别作为激动剂和正变构调节剂的纳米抗体的表位，并使用物理基础的分子建模和深度学习技术进行验证。	本文首次采用计算方法结合多种结构建模工具和人工智能算法来识别纳米抗体的表位，并进行了实验验证。	实验结构技术虽然有效，但成本高且耗时。	旨在通过计算方法识别纳米抗体的表位，以促进其作为治疗药物的开发。	研究对象为作为激动剂和正变构调节剂的纳米抗体，以及大鼠代谢型谷氨酸受体5。	机器学习	NA	物理基础的分子建模和深度学习技术	人工智能算法	分子结构	NA
311	2024-09-05	The Deep Learning Framework iCanTCR Enables Early Cancer Detection Using the T-cell Receptor Repertoire in Peripheral Blood 2024-Jun-04, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-23-0860 PMID:38536129	研究论文	本文开发了深度学习框架iCanTCR，用于基于T细胞受体（TCR）谱在早期检测癌症	iCanTCR框架能够准确识别早期癌症患者，并能区分多种癌症类型	NA	开发一种基于TCR谱的深度学习框架，用于早期癌症检测	T细胞受体（TCR）谱在早期癌症检测中的应用	机器学习	NA	深度学习	深度学习框架	TCRβ序列	超过2000个公开可用的TCR谱，来自11种癌症和健康对照
312	2024-08-31	Using Vision Transformer for high robustness and generalization in predicting EGFR mutation status in lung adenocarcinoma 2024-Jun, Clinical & translational oncology : official publication of the Federation of Spanish Oncology Societies and of the National Cancer Institute of Mexico IF:2.8Q2 DOI:10.1007/s12094-023-03366-4 PMID:38194018	研究论文	本文提出了一种使用视觉变换器（ViT）模型，通过非侵入性CT图像预测肺腺癌中EGFR突变状态的方法	采用基于自注意力机制的ViT-B/16模型，提高了预测EGFR突变状态的鲁棒性和泛化能力	NA	开发一种准确预测肺腺癌患者EGFR突变状态的深度学习模型	肺腺癌患者的CT图像及其EGFR突变状态	计算机视觉	肺腺癌	NA	ViT	图像	525名患者用于模型训练和验证，30名患者用于外部测试
313	2024-08-30	Radiomics diagnostic performance for predicting lymph node metastasis in esophageal cancer: a systematic review and meta-analysis 2024-Jun-12, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01278-5 PMID:38867143	meta-analysis	本文通过系统综述和荟萃分析评估了放射组学模型在预测食管癌淋巴结转移中的准确性	放射组学作为一种人工智能驱动的医学影像方法，具有变革性的潜力	当前影像方法在准确检测淋巴结转移方面存在局限性	评估放射组学模型预测食管癌淋巴结转移的准确性	食管癌患者的淋巴结转移预测	digital pathology	食管癌	放射组学	NA	影像	719名患者
314	2024-08-27	Federated Learning: A Cross-Institutional Feasibility Study of Deep Learning Based Intracranial Tumor Delineation Framework for Stereotactic Radiosurgery 2024-06, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28950 PMID:37572087	研究论文	本研究探讨了联邦学习（FL）在立体定向放射手术（SRS）中基于深度学习的颅内肿瘤勾画框架的跨机构可行性	提出了一种联邦学习方案，解决了多机构研究中数据分散和隐私保护的问题	在台中荣民总医院的数据中，集中学习（CL）在使用双参数时显著优于联邦学习（FL）	探索联邦学习在立体定向放射手术中肿瘤勾画方案的可行性	506和118名年龄在15-88岁和22-85岁的前庭神经鞘瘤患者；1069和256名年龄在12-91岁和23-85岁的脑膜瘤患者；574和705名年龄在26-92岁和28-89岁的脑转移瘤患者	机器学习	颅内肿瘤	深度学习	CNN	图像	506和118名前庭神经鞘瘤患者，1069和256名脑膜瘤患者，574和705名脑转移瘤患者
315	2024-08-27	Detecting Adverse Pathology of Prostate Cancer With a Deep Learning Approach Based on a 3D Swin-Transformer Model and Biparametric MRI: A Multicenter Retrospective Study 2024-06, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28963 PMID:37602942	研究论文	本研究开发了一种基于3D Swin-Transformer模型和双参数MRI的深度学习方法，用于检测前列腺癌患者的不良病理情况，并进行多中心回顾性研究	使用3D Swin-Transformer网络（TransNet）和结合临床特征的集成模型（TransCL）来提高检测不良病理情况的准确性	研究为回顾性且涉及多中心数据，可能存在数据偏差	开发和比较深度学习模型与临床模型及放射科医生解读在检测前列腺癌不良病理情况中的性能	616名接受根治性前列腺切除术的患者	机器学习	前列腺癌	双参数MRI	Swin-Transformer	影像	616名患者，分为训练组508人和外部验证组108人
316	2024-08-27	Automatic Detection of Perilunate and Lunate Dislocations on Wrist Radiographs Using Deep Learning 2024-Jun-01, Plastic and reconstructive surgery IF:3.2Q1 DOI:10.1097/PRS.0000000000010928 PMID:37467052	研究论文	本研究使用深度学习算法自动检测手腕侧位X光片中的月骨周围和月骨脱位	开发了一种新颖的深度学习算法，用于诊断手腕侧位X光片中的月骨周围和月骨脱位，有望提高临床敏感性，最终防止这些损伤的延迟或漏诊	未提及具体限制	利用计算机视觉技术提高月骨周围和月骨脱位的诊断性能	手腕侧位X光片中的月骨周围和月骨脱位	计算机视觉	NA	深度学习	神经网络	图像	435张手腕侧位X光片
317	2024-08-27	Assessing the Accuracy and Reproducibility of PARIETAL: A Deep Learning Brain Extraction Algorithm 2024-06, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.27776 PMID:34137113	研究论文	评估PARIETAL这一深度学习脑提取算法的准确性和可重复性	PARIETAL算法能够在不同磁共振成像设备和协议下保持高性能，无需重新训练或微调	NA	展示并评估PARIETAL这一预训练的深度学习脑提取方法的临床使用效果	PARIETAL算法的可重复性和在不同制造商扫描仪间的鲁棒性	机器学习	NA	磁共振成像(MRI)	深度学习	图像	21名受试者（12名女性），年龄范围22-48岁，使用三种不同的MRI扫描仪
318	2024-08-07	Editorial for "3D Breast Cancer Segmentation in DCE-MRI Using Deep Learning With Weak Annotation" 2024-06, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28957 PMID:37578324	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
319	2024-08-27	3D Breast Cancer Segmentation in DCE-MRI Using Deep Learning With Weak Annotation 2024-06, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28960 PMID:37596823	研究论文	本文开发了一种使用弱注释的深度学习模型，用于在动态对比增强磁共振成像（DCE-MRI）中进行三维乳腺癌分割	使用弱注释方法节省时间和精力，并开发了基于3D U-Net transformer（UNETR）的深度学习模型	NA	开发一种可靠的深度学习模型，用于在DCE-MRI中进行三维乳腺癌分割	736名乳腺癌女性患者的数据	数字病理学	乳腺癌	DCE-MRI	3D U-Net transformer (UNETR)	图像	736名乳腺癌女性患者，分为开发集（544名）和测试集（192名）
320	2024-08-07	Editorial for "Detecting Adverse Pathology of Prostate Cancer With a Deep Learning Approach Based on a 3D Swin-Transformer Model and Biparametric MRI: A Multicenter Retrospective Study" 2024-06, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28956 PMID:37639187	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA