深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
1001	2024-08-07	A robust transformer-based pipeline of 3D cell alignment, denoise and instance segmentation on electron microscopy sequence images 2024-Jun, Journal of plant physiology IF:4.0Q1 DOI:10.1016/j.jplph.2024.154236 PMID:38621330	研究论文	本文提出了一种基于深度学习的3D细胞对齐、去噪和实例分割的完整流程框架，用于从连续电子显微镜图像中重建植物组织	该框架包括五个阶段：图像注册、图像增强和去噪、基于Transformer的神经网络进行语义分割、基于超体素聚类的实例分割以及重建结果的自动分析和统计评估，提供了高精度和高计算效率的3D细胞重建	NA	研究植物细胞发育的定量分析，特别是从体细胞到生殖细胞命运转变的调控机制	植物细胞的超微结构及其在发育过程中的复杂形态变化	计算机视觉	NA	电子显微镜成像	Transformer	图像	使用了拟南芥花药的早期减数分裂阶段的植物组织数据集	NA	NA	NA	NA
1002	2024-08-07	Predicting dust pollution from dry bulk ports in coastal cities: A hybrid approach based on data decomposition and deep learning 2024-Jun-01, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2024.124053 PMID:38677458	研究论文	本文提出了一种基于数据分解和深度学习的混合方法，用于预测沿海城市干散货港口的粉尘污染	本文引入了港口运营数据作为输入特征，并采用二次分解与重组（SDR）策略减少数据非平稳性，同时使用基于双阶段注意力机制的序列到序列（DA-Seq2Seq）模型自适应选择相关特征并捕捉长期时间依赖	NA	旨在提高对干散货港口粉尘污染的预测准确性，以便及早识别风险并采取预防措施	沿海城市干散货港口的粉尘污染	机器学习	NA	深度学习	DA-Seq2Seq	时间序列数据	使用了来自中国北部一个干散货港口的数据集	NA	NA	NA	NA
1003	2024-08-07	Deep learning-based skin care product recommendation: A focus on cosmetic ingredient analysis and facial skin conditions 2024-Jun, Journal of cosmetic dermatology IF:2.3Q2 DOI:10.1111/jocd.16218 PMID:38411029	研究论文	本文提出了一种基于深度学习的方法，用于分析化妆品成分并结合AI皮肤分析，为消费者推荐个性化的护肤产品	本文创新地结合了深度神经网络和皮肤分析模型，以优化个人化的化妆品推荐	NA	旨在提出一种基于化妆品成分分析的个性化护肤产品推荐方法	化妆品成分分析和面部皮肤状况	机器学习	NA	深度学习	深度神经网络	图像	NA	NA	NA	NA	NA
1004	2024-08-07	Construction of deep learning-based convolutional neural network model for automatic detection of fluid hysteroscopic endometrial micropolyps in infertile women with chronic endometritis 2024-Jun, European journal of obstetrics, gynecology, and reproductive biology DOI:10.1016/j.ejogrb.2024.04.026 PMID:38703449	研究论文	本研究构建了一个基于深度学习的卷积神经网络（CNN）模型，用于自动检测不孕症女性慢性子宫内膜炎患者的宫腔镜液体检查中的子宫内膜微息肉（EMiP）。	本研究首次开发了一种基于深度学习的CNN模型，用于自动检测与慢性子宫内膜炎相关的子宫内膜微息肉，提供了一种更少侵入性的诊断系统。	NA	开发一种更少侵入性的诊断系统，用于慢性子宫内膜炎的诊断。	不孕症女性慢性子宫内膜炎患者的宫腔镜液体检查中的子宫内膜微息肉。	机器学习	不孕症	卷积神经网络（CNN）	CNN	图像	244名不孕症女性	NA	NA	NA	NA
1005	2024-08-07	Deepm6A-MT: A deep learning-based method for identifying RNA N6-methyladenosine sites in multiple tissues 2024-Jun, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.03.004 PMID:38485031	研究论文	本文提出了一种基于双向门控循环单元（Bi-GRU）和卷积神经网络（CNN）的改进方法Deepm6A-MT，用于预测RNA N6-甲基腺苷（m6A）修饰位点	Deepm6A-MT通过两个输入通道提高了预测准确性和效率，其中一个通道使用嵌入层后接Bi-GRU和CNN，另一个通道使用单热编码、二核苷酸单热编码和核苷酸化学性质编码	NA	开发一种新的深度学习方法，以提高RNA m6A修饰位点的预测性能	RNA m6A修饰位点	机器学习	NA	双向门控循环单元（Bi-GRU）和卷积神经网络（CNN）	Bi-GRU和CNN	RNA序列	NA	NA	NA	NA	NA
1006	2024-08-07	Deep learning methods in biomedical informatics 2024-Jun, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.04.002 PMID:38588786	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1007	2024-08-07	DEEP-EP: Identification of epigenetic protein by ensemble residual convolutional neural network for drug discovery 2024-Jun, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.04.004 PMID:38621436	研究论文	本文提出了一种基于深度学习的新模型，用于准确预测表观遗传蛋白（EP）	引入了基于深度学习的模型，结合DDE编码和ERCNN模型，实现了对EP的精确预测	NA	旨在通过深度学习技术加速表观遗传蛋白的研究和药物发现	表观遗传蛋白（EP）	机器学习	NA	深度学习	ERCNN	蛋白质序列	两个不同的数据集	NA	NA	NA	NA
1008	2024-08-07	Language model based on deep learning network for biomedical named entity recognition 2024-Jun, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.04.013 PMID:38641084	研究论文	本文提出了一种基于BiLSTM-CRF架构的多任务学习框架，结合语言模型用于生物医学命名实体识别，通过差异化编码和多任务学习方法提高实体识别性能	模型使用语言模型设计差异化编码，获取动态词向量以区分不同数据集中的词汇，并通过多任务学习方法共享不同类型实体的动态词向量	深度学习方法需要大量训练数据，数据不足会影响模型识别性能	解决生物医学命名实体识别任务中多义词和数据不足的问题	生物医学文本中的命名实体	自然语言处理	NA	深度学习	BiLSTM-CRF	文本	四个典型训练集	NA	NA	NA	NA
1009	2024-08-07	A deep learning based multi-model approach for predicting drug-like chemical compound's toxicity 2024-Jun, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.04.020 PMID:38702021	研究论文	本研究开发了多种深度学习模型，用于评估不同类型的化合物毒性，包括急性毒性、致癌性、hERG心脏毒性、肝毒性和致突变性	利用图卷积网络（GCN）回归模型和多个GCN二元分类模型，针对不同类型的毒性进行预测，并集成了这些模型到一个虚拟筛选流程中，以识别潜在的低毒性药物候选物	NA	通过早期和准确的化合物毒性预测，减少药物开发过程中的成本和风险	化学化合物的毒性预测	机器学习	NA	图卷积网络（GCN）	GCN	化合物数据	使用了批准的药物数据集来确定预测分数的适当阈值	NA	NA	NA	NA
1010	2024-08-07	Convolutional neural network allows amylose content prediction in yam (Dioscorea alata L.) flour using near infrared spectroscopy 2024-Jun, Journal of the science of food and agriculture IF:3.3Q2 DOI:10.1002/jsfa.12825 PMID:37400424	研究论文	本研究利用近红外光谱技术结合卷积神经网络预测山药粉中的直链淀粉含量	首次使用卷积神经网络成功预测山药粉中的直链淀粉含量	PLS方法未能成功预测直链淀粉含量	验证卷积神经网络在预测山药粉直链淀粉含量方面的可靠性和效率	山药粉中的直链淀粉含量	机器学习	NA	近红外光谱技术	卷积神经网络	光谱数据	186份山药粉样品	NA	NA	NA	NA
1011	2024-08-07	Financial impact of incorporating deep learning reconstruction into magnetic resonance imaging routine 2024-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111434 PMID:38520806	研究论文	本文评估了将深度学习重建算法应用于磁共振成像常规流程对财务影响的实用性和经济可行性	本文首次详细分析了深度学习重建算法在磁共振成像中的应用，相较于传统扩容方法，如增加扫描仪或提高周末设备利用率，能显著降低运营成本	NA	研究深度学习重建算法在磁共振成像中的应用对医院运营成本的影响	深度学习重建算法在磁共振成像中的应用	机器学习	NA	深度学习重建算法	深度学习	NA	涉及五台磁共振成像扫描仪	NA	NA	NA	NA
1012	2024-08-07	Deep learning reconstruction for turbo spin echo to prospectively accelerate ankle MRI: A multi-reader study 2024-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111451 PMID:38593573	研究论文	评估深度学习重建技术在加速踝关节磁共振成像中的应用效果	深度学习重建技术（DLR-TSE）在踝关节MRI中显著缩短了采集时间，同时提高了图像质量并减少了伪影和噪声	NA	评估深度学习重建技术在踝关节MRI中的应用效果	踝关节MRI的采集时间、图像质量和病变检测能力	计算机视觉	NA	深度学习重建技术（DLR-TSE）	NA	图像	56名患者	NA	NA	NA	NA
1013	2024-08-07	Thin-slice elbow MRI with deep learning reconstruction: Superior diagnostic performance of elbow ligament pathologies 2024-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111471 PMID:38636411	研究论文	本研究比较了1毫米切片厚度的MRI与深度学习重建（DLR）和3毫米切片厚度的MRI在肘部肌腱和韧带病理诊断中的图像质量和诊断性能	使用深度学习重建技术提高了1毫米切片厚度MRI在诊断肘部肌腱和韧带病理中的性能	研究为回顾性研究，且样本量较小	评估不同切片厚度和深度学习重建技术对肘部MRI图像质量和诊断性能的影响	肘部肌腱和韧带的病理	计算机视觉	NA	MRI	深度学习重建（DLR）	图像	53名患者	NA	NA	NA	NA
1014	2024-08-07	Using deep learning to optimize the prostate MRI protocol by assessing the diagnostic efficacy of MRI sequences 2024-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111470 PMID:38640822	研究论文	本研究利用深度学习技术评估和优化前列腺MRI协议的诊断效能	通过深度学习模型比较加速和完整MRI协议的诊断性能，发现省略特定DWI序列可以减少扫描时间而不影响诊断质量	NA	探索使用深度学习优化前列腺MRI协议的方法	前列腺MRI协议的诊断效能	机器学习	前列腺癌	MRI	深度学习模型	图像	840名患者	NA	NA	NA	NA
1015	2024-08-07	Deep learning-based radiomics of computed tomography angiography to predict adverse events after initial endovascular repair for acute uncomplicated Stanford type B aortic dissection 2024-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111468 PMID:38648727	研究论文	本研究旨在构建一个结合深度学习衍生的计算机断层扫描血管造影（CTA）放射组学特征和临床生物标志物的预测模型，以预测急性未复杂化的斯坦福B型主动脉夹层（uTBAD）患者在接受初始胸主动脉腔内修复术（TEVAR）后的不良事件（AEs）	本研究创新性地将深度学习基础的放射组学与临床指标相结合，用于预测急性uTBAD患者术后不良事件	NA	构建一个预测模型，结合CTA的放射组学特征和临床生物标志物，预测急性uTBAD患者术后不良事件	急性未复杂化的斯坦福B型主动脉夹层（uTBAD）患者	机器学习	心血管疾病	计算机断层扫描血管造影（CTA）	三维深度卷积神经网络（CNN）	图像	369名接受TEVAR治疗的急性uTBAD患者	NA	NA	NA	NA
1016	2024-08-07	Single particle mass spectral signatures from on-road and non-road vehicle exhaust particles and their application in refined source apportionment using deep learning 2024-Jun-20, The Science of the total environment DOI:10.1016/j.scitotenv.2024.172822 PMID:38688364	研究论文	本研究收集了道路和非道路车辆的颗粒物，并使用单颗粒气溶胶质谱法分析其化学成分，通过自适应共振理论神经网络对数据进行分组，建立移动源的质谱数据库，并开发了一种基于深度学习的气溶胶颗粒分类模型（DeepAerosolClassifier），用于源解析。	本研究开发了一种高度自动化的源解析模型，无需特征选择，实现了端到端的操作，适用于精细和在线的颗粒物源解析。	NA	更新源解析的源谱以满足当前需求，并开发一种基于深度学习的气溶胶颗粒分类模型。	道路和非道路车辆的颗粒物及其化学成分。	机器学习	NA	单颗粒气溶胶质谱法	深度学习模型	质谱数据	NA	NA	NA	NA	NA
1017	2024-08-07	Automatic offline-capable smartphone paper-based microfluidic device for efficient biomarker detection of Alzheimer's disease 2024-Jun-15, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2024.342575 PMID:38740448	研究论文	本文介绍了一种基于智能手机的离线微流控纸基分析装置，用于阿尔茨海默病的早期筛查和生物标志物检测	该平台采用深度学习辅助的智能手机控制旋转结构，实现μPADs上的自动化c-ELISA，并集成了YOLOv5模型进行高精度检测	NA	开发一种低成本、高效率的离线智能手机平台，用于在资源有限地区进行阿尔茨海默病的快速检测	阿尔茨海默病及其生物标志物β-淀粉样蛋白1-42	机器学习	阿尔茨海默病	c-ELISA	YOLOv5	图像	38个人工血浆样本（健康：19，不健康：19，N = 6）	NA	NA	NA	NA
1018	2024-08-07	VENet: Variational energy network for gland segmentation of pathological images and early gastric cancer diagnosis of whole slide images 2024-Jun, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108178 PMID:38652995	研究论文	本文提出了一种名为VENet的变分能量网络，用于病理图像中的腺体分割和全切片图像中的早期胃癌诊断	VENet结合了变分数学模型和深度学习方法的数据适应性，有效平衡了边界和区域分割，并能在大尺寸全切片图像中可靠地分割和分类腺体	NA	解决腺体分割中边界和区域分割结果不理想的问题，并辅助早期胃癌诊断	病理图像中的腺体分割和全切片图像中的早期胃癌诊断	数字病理学	胃癌	深度学习	变分能量网络（VENet）	图像	在2015 MICCAI腺体分割挑战（GlaS）数据集、结直肠腺癌腺体（CRAG）数据集和南方医院自收集数据集上进行了评估，包括69张全切片图像（WSIs）	NA	NA	NA	NA
1019	2024-08-07	RegWSI: Whole slide image registration using combined deep feature- and intensity-based methods: Winner of the ACROBAT 2023 challenge 2024-Jun, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108187 PMID:38657383	research paper	本文提出了一种两步混合方法，用于不同染色全幻灯片图像（WSI）的自动配准，该方法结合了深度学习和特征基于的初始对齐算法以及基于强度的非刚性配准	该方法无需对特定数据集进行微调，可直接用于任何所需的组织类型和染色，并且在ACROBAT 2023挑战赛中获得第一名	NA	提高通过融合不同可见结构产生的互补信息来进行诊断和预后的自动配准	不同染色的全幻灯片图像（WSI）的自动配准	digital pathology	NA	深度学习	NA	image	使用了三个公开数据集进行评估：Automatic Nonrigid Histological Image Registration Dataset (ANHIR)、Automatic Registration of Breast Cancer Tissue Dataset (ACROBAT) 和 Hybrid Restained and Consecutive Histological Serial Sections Dataset (HyReCo)	NA	NA	NA	NA
1020	2024-08-07	Brain tumor detection using proper orthogonal decomposition integrated with deep learning networks 2024-Jun, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108167 PMID:38669717	研究论文	本研究通过将正交分解（POD）与卷积神经网络（CNN）结合，用于从磁共振成像（MRI）扫描的2D图像中有效识别脑肿瘤	首次将POD与CNN集成用于脑肿瘤检测，特别是在使用有限MRI扫描数据的情况下	NA	开发一种自动可靠的技术，以帮助医疗从业者及时诊断患者	脑肿瘤的自动检测	计算机视觉	脑肿瘤	磁共振成像（MRI）	卷积神经网络（CNN）	图像	NA	NA	NA	NA	NA