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
461	2024-08-05	Deep Learning-Based Assessment of Built Environment From Satellite Images and Cardiometabolic Disease Prevalence 2024-Jun-01, JAMA cardiology IF:14.8Q1 DOI:10.1001/jamacardio.2024.0749 PMID:38691380	研究论文	本研究探讨了基于卫星图像的建成环境与心脏代谢疾病流行率之间的关联	通过卷积神经网络提取的建成环境特征与心脏病、中风和慢性肾病的流行率显著相关	本研究局限于特定城市和横断面设计，可能无法全面反映全国情况	研究城市中基于图像的建成环境与心脏代谢疾病流行率之间的关系	使用谷歌卫星图像分析数据来关联心脏病、中风和慢性肾病的流行率	数字病理学	心血管疾病	卷积神经网络、轻梯度提升机	卷积神经网络	图像	31,786张空中图像，覆盖789个普查区
462	2024-08-05	Justifying the prediction of major soil nutrients levels (N, P, and K) in cabbage cultivation 2024-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2024.102793 PMID:38957375	研究论文	本研究预测有机卷心菜种植中的土壤养分水平	首次使用深度学习模型及切线 sigmoid 转换函数进行土壤养分预测，并提供了数学理论支持	没有关于数据来源和样本量的详细说明	证明切线 sigmoid 转换函数在土壤养分预测中的有效性	研究重点为有机种植中的氮、磷、钾土壤养分水平	机器学习	NA	深度学习	深度神经网络	NA	NA
463	2024-08-05	The Role of Artificial Intelligence in Healthcare: Enhancing Coronary Computed Tomography Angiography for Coronary Artery Disease Management 2024-Jun, Cureus DOI:10.7759/cureus.61523 PMID:38957241	综述	本综述旨在探讨人工智能在冠状动脉CT血管造影中的潜力，以帮助冠状动脉疾病的管理	本研究创新性在于探讨将人工智能技术（如机器学习和深度学习）融入CCTA，提高诊断准确性和操作效率	本领域在数据保护、算法透明度和标准化编码标准等方面仍面临挑战	本研究的目的是提高冠状动脉疾病的诊断和管理效率	本研究对象是冠状动脉CT血管造影（CCTA）图像及其分析	计算机视觉	冠状动脉疾病	机器学习，深度学习	NA	图像	NA
464	2024-08-05	FoldPAthreader: predicting protein folding pathway using a novel folding force field model derived from known protein universe 2024-06-11, Genome biology IF:10.1Q1 DOI:10.1186/s13059-024-03291-x PMID:38862984	研究论文	FoldPAthreader是一种新的蛋白质折叠通路预测方法。	文章提出了一种新颖的折叠力场模型，通过研究已知蛋白质宇宙中的蛋白质进化与折叠之间的内在关系来推动预测。	没有提及具体局限性。	研究蛋白质折叠通路的预测。	研究对象是蛋白质及其折叠模式。	计算机视觉	NA	蒙特卡洛取向采样	NA	蛋白质折叠路径数据	30个示例目标
465	2024-08-05	Improving the enzymatic activity and stability of N-carbamoyl hydrolase using deep learning approach 2024-Jun-04, Microbial cell factories IF:4.3Q1 DOI:10.1186/s12934-024-02439-5 PMID:38834993	研究论文	本文通过深度学习方法开发了一款理性设计软件“Feitian”，以增强DCase的酶活性和热稳定性	开发了一款新的理性设计软件“Feitian”，基于kcat预测，成功构建了增强酶活性的三点突变体DCase-M3	预测准确度约为50%，可能限制了模型的广泛应用	提高DCase的酶活性和热稳定性	D-amino acids合成过程中使用的DCase酶	机器学习	NA	深度学习	NA	NA	六个单点突变体
466	2024-08-05	A deep learning approach for mental health quality prediction using functional network connectivity and assessment data 2024-Jun, Brain imaging and behavior IF:2.4Q2 DOI:10.1007/s11682-024-00857-y PMID:38340285	研究论文	本研究利用静态功能网络连接数据和深度学习模型预测个体的心理健康质量	将静态功能网络连接数据与深度学习相结合，提出一种新的心理健康质量评估方法	尚未提及研究的局限性	评估个体的心理健康质量并揭示其神经模式	研究对象为UK Biobank数据集中的参与者	机器学习	精神健康	功能磁共振成像 (fMRI)	深度学习模型	静态功能网络连接数据	参与者样本数量未具体提及
467	2024-08-05	Bidirectional Encoder Representations from Transformers in Radiology: A Systematic Review of Natural Language Processing Applications 2024-Jun, Journal of the American College of Radiology : JACR IF:4.0Q1 DOI:10.1016/j.jacr.2024.01.012 PMID:38302036	评论	该文章系统评估了BERT在放射学中的影响和应用。	揭示了BERT在放射学报告分类和自动协议分配中的新兴应用。	纳入的研究主要是回顾性的，未涉及前瞻性研究。	研究BERT在放射学领域的应用和影响。	通过系统评价获取与BERT模型相关的放射学文献。	自然语言处理	NA	BERT	NA	文本	共筛选出597个结果，其中30个符合纳入标准
468	2024-08-05	Image-Based Detection of Adulterants in Milk Using Convolutional Neural Network 2024-Jun-25, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.4c01274 PMID:38947804	研究论文	本研究展示了一种利用卷积神经网络检测牛奶掺假物质的方法	提出了一种基于蒸发模式的深度学习模型，能够高效识别不同类型和浓度的牛奶掺假物质	对某些掺假物质的检测可能受到浓度和类型的限制	研究牛奶中掺假物质的检测方法	氨基硫酸盐、尿素、油和表面活性剂等多种牛奶掺假物质	计算机视觉	NA	深度学习、卷积神经网络（CNN）	卷积神经网络（CNN）	图像	使用不同浓度的掺假牛奶样本进行实验
469	2024-08-05	A deep learning based encoder-decoder model for speed planning of autonomous electric truck platoons 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e31836 PMID:38947471	研究论文	本文提出了一种基于深度学习的编码器-解码器模型，用于优化自主电动卡车编队的速度规划	创新点在于使用序列到序列编码器-解码器模型考虑多种约束条件来获得自主电动卡车编队的速度轮廓	现有对卡车编队的数据驱动解决方案的研究较为有限，且基于第一原则的解决方案仍然具有挑战性	研究旨在优化电动卡车编队的速度规划，以提高长途操作中的能源利用效率	研究对象为自主电动卡车编队及其在不同约束条件下的速度规划	机器学习	NA	深度学习	编码器-解码器模型	时间序列数据	使用各种已知高速公路驾驶循环进行模型训练
470	2024-08-05	A two-stage transformer based network for motor imagery classification 2024-06, Medical engineering & physics IF:1.7Q3 DOI:10.1016/j.medengphy.2024.104154 PMID:38697881	研究论文	本论文提出了一种基于两级变换器的架构，用于运动意象分类。	提出了一种新颖的通道集群交换数据增强技术，以及两级深度学习架构的组合。	样本数量有限，可能影响深度学习架构的训练效果。	提高基于脑-机接口的运动意象分类性能。	电生理信号（EEG）用于分类受试者的运动意图。	机器学习	神经退行性疾病	EEG信号处理和深度学习	变换器模型，EEGNet以及TabNet	电生理信号	NA
471	2024-08-05	Personalized surgical recommendations and quantitative therapeutic insights for patients with metastatic breast cancer: Insights from deep learning 2024-Jun, Cancer innovation DOI:10.1002/cai2.119 PMID:38947759	研究论文	这项研究旨在为转移性乳腺癌患者提供个性化的手术建议和定量治疗见解	引入了一种深度生存回归模型，整合了多种因果推断方法，能够个性化推荐手术	未提及具体的局限性	识别最适用的深度学习模型，以确定能从手术中受益的转移性乳腺癌患者	5269名女性转移性乳腺癌患者	深度学习	转移性乳腺癌	深度生存回归与混合效应模型	深度学习模型	临床数据	5269名女性转移性乳腺癌患者
472	2024-08-05	Assessing the risk of takeover catastrophe from large language models 2024-Jun-30, Risk analysis : an official publication of the Society for Risk Analysis IF:3.0Q1 DOI:10.1111/risa.14353 PMID:38945529	研究论文	本文对大型语言模型（LLMs）造成接管灾难的风险进行了分析	首次对实际的AI系统与潜在的接管灾难风险进行比较	当前的LLMs能力明显不足以导致接管灾难	研究大型语言模型可能导致的接管灾难风险	大型语言模型及其特征	自然语言处理	NA	深度学习算法	NA	文本	NA
473	2024-08-05	A deep learning-based algorithm for pulmonary tuberculosis detection in chest radiography 2024-06-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65703-z PMID:38942819	研究论文	本研究评估了一种基于深度学习的算法在胸部X光片中检测肺结核的有效性	提出了一种使用Google可教机器的深度神经网络图像分类工具来预测胸部X光片中肺结核的概率	在同时考虑其他非结核异常的情况下，算法的准确度有所下降	评估深度学习算法在检测肺结核方面的有效性	分析348个肺结核X光片与3806个正常X光片的数据集	数字病理学	肺结核	深度学习	深度神经网络	影像	348个肺结核胸片和3806个正常胸片，外部验证250个胸片
474	2024-08-05	Prostate cancer diagnosis based on multi-parametric MRI, clinical and pathological factors using deep learning 2024-06-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65354-0 PMID:38942817	研究论文	本研究使用深度学习方法结合多参数MRI、临床和病理因素对前列腺癌进行诊断	首次将多参数MRI与临床和病理数据结合使用深度学习提高前列腺癌诊断的准确性	研究仅基于来自一所医院的数据，可能影响结果的广泛适用性	提高前列腺癌的早期诊断准确性	343名前列腺癌患者的数据	医学影像分析	前列腺癌	深度学习	ResNet50	多参数MRI图像	343名患者
475	2024-08-05	Variable data structures and customized deep learning surrogates for computationally efficient and reliable characterization of buried objects 2024-Jun-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65996-0 PMID:38942986	研究论文	本研究通过深度学习代理建模方法，表征埋 buried 物体。	提出了一种深度回归网络（DRN），在与传统网络模型相比下，该模型的计算效率提高了大约 13 倍。	关于原始 B 扫描数据和 B 扫描轮廓处理步骤的使用在物体特征化中导致高计算成本，这可能成为一个挑战。	该研究旨在通过深度学习技术高效可靠地表征埋藏物体。	研究对象为不同半径、不同位置（深度和横向位置）埋藏在不同色散地下介质中的物体。	数字病理学	NA	全波电磁模拟	深度回归网络（DRN）	图像	NA
476	2024-08-05	High-precision object detection network for automate pear picking 2024-Jun-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65750-6 PMID:38942940	research paper	本研究提出了一种高精度的物体检测网络，用于自动化梨采摘任务	创新点在于提出了HDMNet网络，结合了语义聚焦注意机制和变形感知特征金字塔网络，提高了检测准确性	当前方法仍需在复杂环境下的适应性和多样性验证	旨在提高自动化梨采摘的检测精度和实时性	研究对象为自动化梨采摘中的梨果物体	计算机视觉	NA	深度学习	YOLOv8	图像	NA
477	2024-08-05	CPSign: conformal prediction for cheminformatics modeling 2024-Jun-28, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-024-00870-9 PMID:38943219	研究论文	CPSign是一个用于化学信息学建模的完全实现的顺应预测开源软件	CPSign结合了顺应预测和概率预测的方法，支持多种建模技术，并提供易于使用的可视化功能	未提及具体的局限性	提供一个综合的软件工具，以便在化学结构上进行数据预处理、建模和预测	化学信息学中的数据和模型	化学信息学	NA	顺应预测	支持向量机（SVM）	化学数据	多项研究中使用，但具体样本大小未提及
478	2024-08-05	Deep learning-based prediction of plant height and crown area of vegetable crops using LiDAR point cloud 2024-06-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65322-8 PMID:38942825	研究论文	本文开发了一种深度学习框架，用于预测蔬菜作物在不同生长阶段的植物高度和冠幅	提出了一种结合LSTM和GRU的混合深度学习模型，显著提高了对冠幅的预测准确性	LSTM和GRU模型在捕捉结构参数变化方面存在局限，且在临近收获的高级生长阶段预测质量较低	开发和应用深度学习框架以预测蔬菜作物的植物高度和冠幅	针对番茄、茄子和卷心菜进行研究	数字农业	NA	LiDAR点云	LSTM和GRU的混合模型	点云数据	五个时间点的实验研究农场数据
479	2024-08-05	Multimodal explainable artificial intelligence identifies patients with non-ischaemic cardiomyopathy at risk of lethal ventricular arrhythmias 2024-06-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65357-x PMID:38937555	研究论文	本文提出了一种多模态深度学习模型，用于预测非缺血性心肌病患者的心律失常风险	本研究的创新之处在于将LGE心脏磁共振成像、心电图和临床数据整合到一个模型中，以提高心律失常预测的准确性	研究的局限性在于仅使用两个三级医院的数据，可能影响模型的广泛适用性	研究的目的是开发一种多模态风险预测模型，以帮助预防非缺血性心肌病患者的突发性心脏死亡	研究对象为289名在植入ICD之前接受了短轴LGE-MRI扫描和12导联心电图的患者	计算机视觉	心血管疾病	LGE MRI	深度风险模型 (DEEP RISK)	图像和临床数据	289名患者
480	2024-08-05	Modeling 0.6 million genes for the rational design of functional cis-regulatory variants and de novo design of cis-regulatory sequences 2024-Jun-25, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2319811121 PMID:38889146	研究论文	本文开发了PhytoExpr，一个深度学习框架，可预测植物mRNA丰度和物种	提出了通过深度学习实现植物调控序列的合理设计和变异体发现	对输入序列的分析依赖于深度学习模型的训练数据和算法	旨在无专家干预或先前领域知识的情况下设计植物调控DNA序列	17种主要植物门类的代表性物种	计算机视觉	NA	深度学习	NA	序列	600,000个基因