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
901	2024-08-09	SASAN: ground truth for the effective segmentation and classification of skin cancer using biopsy images 2024-Aug-01, Diagnosis (Berlin, Germany) DOI:10.1515/dx-2024-0012 PMID:38487874	研究论文	本文提出了一种基于SASAN数据集的皮肤癌诊断方法，通过区域兴趣（ROI）提取来提高分类性能	引入SASAN数据集，专注于ROI提取，以忽略噪声特征并提高模型分类性能	NA	提高皮肤癌自动诊断的准确性	皮肤癌的分割和分类	机器学习	皮肤癌	深度学习	UNet, LinkNet, PSPNet, FPN	图像	包含多样皮肤癌病例的ASAN数据集
902	2024-08-09	Protein multi-level structure feature-integrated deep learning method for mutational effect prediction 2024-Aug, Biotechnology journal IF:3.2Q2 DOI:10.1002/biot.202400203 PMID:39115336	研究论文	本文介绍了一种基于蛋白质多级结构特征的深度学习方法MLSmut，用于预测突变效应	MLSmut方法整合了蛋白质的共进化、序列语义和几何特征，通过两阶段训练策略提高了预测性能	NA	旨在解决定向进化中识别最佳突变位点的挑战	蛋白质的突变效应	机器学习	NA	深度学习	深度学习模型	蛋白质数据	10个单点突变和2个多点突变扫描数据集，以及40-100个实验测量数据
903	2024-08-08	Two-Dimensional Laplace NMR Reconstruction through Deep Learning Enhancement 2024-Aug-07, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.4c05211 PMID:39046081	研究论文	本文提出了一种结合物理知识和数据驱动深度学习的二维拉普拉斯核磁共振（NMR）重建方法	该方法通过构建正向过程模型来模拟多维衰减信号之间的关系，并利用非迭代神经网络算法从合成数据中自动获取先验信息，避免了繁琐的参数调整	NA	改进二维拉普拉斯NMR的处理和重建	二维拉普拉斯NMR信号	机器学习	NA	深度学习	神经网络	NMR信号	NA
904	2024-08-08	Application of artificial intelligence in cancer diagnosis and tumor nanomedicine 2024-Aug-07, Nanoscale IF:5.8Q1 DOI:10.1039/d4nr01832j PMID:39021117	综述	本文综述了人工智能在医学和纳米医学领域的应用，特别是其在癌症诊断中的重要性和挑战	探讨了人工智能在癌症诊断中利用结构化、非结构化和多模态融合数据的关键作用，并介绍了其在纳米医学传感器和纳米肿瘤药物中的应用	文章讨论了人工智能在癌症诊断中面临的挑战，并提出了未来的发展方向	旨在探讨人工智能在癌症诊断中的应用及其对提高癌症检测和患者预后的潜在影响	人工智能在癌症诊断和肿瘤纳米医学中的应用	机器学习	NA	深度学习	卷积神经网络	多模态数据	NA
905	2024-08-08	GalaxyDock-DL: Protein-Ligand Docking by Global Optimization and Neural Network Energy 2024-Aug-07, Journal of chemical theory and computation IF:5.7Q1 DOI:10.1021/acs.jctc.4c00385 PMID:39109987	研究论文	本文介绍了一种基于全局优化和神经网络能量的蛋白质-配体对接方法GalaxyDock-DL，该方法通过深度学习训练能量函数来封装物理效应，从而显著提高对接性能	GalaxyDock-DL方法在训练数据上的过拟合程度较低，且不依赖已知的结合口袋中心位置信息，而是系统地依赖于目标蛋白质-配体复合物的物理性质	NA	提高蛋白质-配体复合体结构预测的性能，并指导生物功能配体的有效设计	蛋白质-配体复合体的结构预测和结合亲和力的预测	生物信息学	NA	深度学习	神经网络	结构数据	NA
906	2024-08-08	Deep learning-based dose prediction for magnetic resonance-guided prostate radiotherapy 2024-Aug-06, Medical physics IF:3.2Q1 DOI:10.1002/mp.17312 PMID:39106418	研究论文	本文开发了一种基于深度学习的剂量预测管道，用于前列腺MR-Linac治疗	利用深度学习技术快速预测剂量分布和剂量学评估标准，以辅助选择适应方法并减少治疗时间	仅在特定条件下进行了验证，可能需要进一步的临床验证	开发一种基于深度学习的剂量预测方法，以优化前列腺MR-Linac治疗的适应性放射治疗	前列腺癌患者接受MR-Linac治疗的剂量分布	机器学习	前列腺癌	深度学习	CNN	图像	35名前列腺癌患者的212张MR图像
907	2024-08-08	Automated Detection of Maxillary Sinus Opacifications Compatible with Sinusitis from CT Images 2024-Aug-06, Dento maxillo facial radiology DOI:10.1093/dmfr/twae042 PMID:39107903	研究论文	本研究开发了一种基于深度学习的自动检测模型，用于从CT图像中诊断上颌窦炎	采用基于You Only Look Once（YOLO）的模型进行物体检测，并通过迁移学习方法和数据增强技术提高了模型的鲁棒性	在挑战性测试数据集上，模型的精确度有所下降	提高上颌窦炎诊断的准确性，区分上颌窦炎、潴留囊肿和正常窦	上颌窦炎、潴留囊肿和正常窦的CT图像	计算机视觉	鼻窦炎	深度学习	YOLOv8n	图像	1080张冠状位CT图像，包括2158个上颌窦，其中1138个正常窦，366个囊肿，654个窦炎
908	2024-08-08	scTab: Scaling cross-tissue single-cell annotation models 2024-Aug-04, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-51059-5 PMID:39098889	研究论文	本文提出了一种名为scTab的自动化细胞类型预测模型，专门针对表格数据，并通过新颖的数据增强方案在大规模单细胞RNA-seq数据集上进行训练	scTab模型能够处理大规模数据集，并通过数据增强方案提高模型在跨组织注释中的泛化能力	NA	开发能够在大规模单细胞RNA-seq数据集上进行跨组织细胞类型预测的自动化模型	单细胞RNA-seq数据的细胞类型预测	机器学习	NA	单细胞RNA-seq	神经网络	表格数据	2220万细胞
909	2024-08-08	PLEKv2: predicting lncRNAs and mRNAs based on intrinsic sequence features and the coding-net model 2024-Aug-02, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-024-10662-y PMID:39095710	研究论文	本文介绍了PLEKv2工具，该工具基于内在序列特征和编码网络模型，用于预测长非编码RNA（lncRNA）和信使RNA（mRNA）	PLEKv2相较于传统工具和基于深度学习的模型，在人类数据集上的预测准确率提高了8.1%至48.9%，并且在跨物种预测中表现出超过90%的准确率	NA	开发一种快速准确的工具来区分lncRNA和mRNA转录本	lncRNA和mRNA	生物信息学	NA	NA	CNN	序列数据	NA
910	2024-08-08	ADHD/CD-NET: automated EEG-based characterization of ADHD and CD using explainable deep neural network technique 2024-Aug, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-023-10028-2 PMID:39104684	研究论文	本研究提出了一种基于脑电图（EEG）的深度学习系统ADHD/CD-NET，用于客观区分注意力缺陷多动障碍（ADHD）、ADHD合并行为障碍（CD）和单纯行为障碍（CD）	本研究首次提出了一种基于EEG的深度学习系统ADHD/CD-NET，能够客观区分ADHD、ADHD合并CD和单纯CD，并通过Grad-CAM技术解释了CNN模型的预测结果	NA	研究目的是开发一种能够客观区分ADHD和CD的深度学习系统，以减少误诊风险	研究对象包括ADHD、ADHD合并CD和单纯CD患者	机器学习	儿童神经发育障碍	脑电图（EEG）	卷积神经网络（CNN）	脑电信号	内部数据集包括45名ADHD患者、62名ADHD合并CD患者和16名CD患者；外部公共数据集包括61名ADHD患者和60名健康对照
911	2024-08-07	Unveil sleep spindles with concentration of frequency and time (ConceFT) 2024-Aug-06, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ad66aa PMID:39042095	研究论文	本文介绍了一种名为'频率和时间集中'（ConceFT）的新型非线性时频分析工具，用于在脑电图（EEG）数据中自动注释睡眠纺锤波并测量其瞬时频率	ConceFT工具能有效减少随机脑电图影响，增强时频表示中的纺锤波可见性，并提供了一种准确的、可解释的基于EEG的睡眠纺锤波检测算法	NA	开发和验证一种新的自动睡眠纺锤波检测算法	睡眠纺锤波及其瞬时频率	NA	NA	Concentration of Frequency and Time (ConceFT)	NA	脑电图（EEG）数据	使用了Dream和Montreal Archive of Sleep Studies (MASS)基准数据库
912	2024-08-07	Linked color imaging with artificial intelligence improves the detection of early gastric cancer 2024-Aug-05, Digestive diseases (Basel, Switzerland) DOI:10.1159/000540728 PMID:39102801	研究论文	本研究开发了一种基于深度学习框架的计算机辅助检测系统（CADe），用于在白光成像（WLI）和链接彩色成像（LCI）模式下检测胃癌（GC），并比较了CADe与内镜医师的性能	CADe系统在LCI模式下检测胃癌的敏感性显著优于WLI模式，并且使用LCI的CADe敏感性显著高于使用LCI的专家内镜医师	NA	开发和评估一种计算机辅助检测系统（CADe），以提高早期胃癌的检测能力	胃癌（GC）的检测	计算机视觉	胃癌	深度学习	NA	图像	9021张图像来自385名患者，116个LCI和WLI视频来自110名患者
913	2024-08-07	The METRIC-framework for assessing data quality for trustworthy AI in medicine: a systematic review 2024-Aug-03, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-024-01196-4 PMID:39097662	综述	本文通过系统回顾评估了医学领域中可信AI的数据质量框架，提出了METRIC框架。	提出了METRIC框架，这是一个专门针对医学训练数据的数据质量框架，包含15个意识维度，有助于减少偏见、增加鲁棒性、提高可解释性。	NA	探讨数据质量在医学深度学习应用中的重要性，并提出一个专门的数据质量框架。	医学领域的深度学习应用的数据质量。	机器学习	NA	深度学习	NA	数据集	从5408项研究中筛选出120项符合条件的记录。
914	2024-08-07	Automatic renal carcinoma biopsy guidance using forward-viewing endoscopic optical coherence tomography and deep learning 2024-Aug-02, Communications engineering DOI:10.1038/s44172-024-00254-9 PMID:39095532	research paper	本文介绍了一种使用前视光学相干断层扫描（OCT）探头和深度学习技术进行自动肾癌活检引导的方法	开发了卷积神经网络用于组织识别，与传统的衰减系数方法相比，提供了更准确的癌预测	NA	旨在提高穿刺肾活检过程中的采样准确性	肾癌和正常肾组织的区分	digital pathology	肾癌	光学相干断层扫描（OCT）	卷积神经网络（CNN）	图像	10个人类肾脏样本，其中9个为恶性肾癌，1个为良性嗜酸性瘤
915	2024-08-07	Deep learning predicts the 1-year prognosis of pancreatic cancer patients using positive peritoneal washing cytology 2024-08-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-67757-5 PMID:39095474	研究论文	本研究利用深度学习技术分析腹腔冲洗细胞学（CY）标本图像，预测胰腺癌患者的一年预后	首次使用Vision Transformer（ViT）和卷积神经网络（CNN）通过腹腔冲洗细胞学标本图像预测胰腺癌患者的一年预后	NA	探索深度学习在腹腔冲洗细胞学标本图像分析中的应用，以预测胰腺癌患者的一年生存率	胰腺癌患者的腹腔冲洗细胞学标本	计算机视觉	胰腺癌	深度学习	Vision Transformer（ViT）和卷积神经网络（CNN）	图像	88名胰腺癌患者的腹腔冲洗细胞学标本
916	2024-08-07	Current genomic deep learning models display decreased performance in cell type-specific accessible regions 2024-Aug-01, Genome biology IF:10.1Q1 DOI:10.1186/s13059-024-03335-2 PMID:39090688	研究论文	本文评估了在具有不同程度细胞类型特异性的染色质可及区域中，基因组深度学习模型的性能	发现基因组深度学习模型在细胞类型特异性可及区域的准确性降低，并提出了通过增加模型容量来提高性能的策略	改进参考序列预测并不总能提高变异效应预测的性能，需要新的策略来提高变异性能	评估基因组深度学习模型在细胞类型特异性染色质可及区域的性能	基因组深度学习模型在细胞类型特异性染色质可及区域的性能	机器学习	NA	深度学习	CNN	DNA序列	数千个输出（细胞类型和表观遗传标记）
917	2024-08-07	An ensemble model for accurate prediction of key water quality parameters in river based on deep learning methods 2024-Aug, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2024.121932 PMID:39043087	研究论文	本研究提出基于季节性和趋势分解（STL）方法的两种集成模型TNX和STNX，利用地理传感时间序列数据预测河流中的水质参数	本研究提出的集成模型TNX和STNX在短步长和长步长水质预测中相较于最佳基线深度学习模型分别提高了2.1%-6.1%和4.3%-22.0%的性能，STNX模型在短步长和长步长预测中分别比TNX模型提高了0.5%-2.4%和2.3%-5.7%的性能	模型解释结果显示，随着预测站点与输入站点距离的增加，七个特定监测站点的显著性降低	提高河流水质参数的短步长和长步长预测精度，并理解复杂空间信息对深度学习模型的影响	溶解氧、总磷和氨氮等水质参数	机器学习	NA	深度学习方法	集成模型（TNX和STNX）	地理传感时间序列数据	七个水质监测站点
918	2024-08-07	Unsupervised deep learning enables real-time image registration of fast-scanning optical-resolution photoacoustic microscopy 2024-Aug, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2024.100632 PMID:39100197	研究论文	开发了一种基于无监督深度学习的注册网络，用于实时图像恢复和注册	该方法能够实时纠正B扫描畸变产生的伪影，并消除相邻和重复图像之间的错位，与传统的基于强度的注册算法相比，计算吞吐量提高了50倍	NA	实现光学分辨率光声显微镜快速扫描图像的实时图像恢复和注册	光学分辨率光声显微镜快速扫描图像	计算机视觉	NA	光声显微镜	深度学习网络	图像	NA
919	2024-08-07	Hybrid brain tumor classification of histopathology hyperspectral images by linear unmixing and an ensemble of deep neural networks 2024-Aug, Healthcare technology letters IF:2.8Q3 DOI:10.1049/htl2.12084 PMID:39100499	研究论文	本文提出了一种混合方法，通过线性解混和深度神经网络集成对组织病理学高光谱图像中的脑肿瘤进行分类	该方法结合了线性解混进行特征提取和深度学习进行分类，实现了88%的平均准确率，减少了计算成本和推理时间	NA	研究目的是通过高光谱成像技术对脑组织样本进行肿瘤和非肿瘤的分类	研究对象是脑组织的组织病理学高光谱图像	数字病理学	脑肿瘤	高光谱成像	深度神经网络	图像	NA
920	2024-08-07	A labelled dataset for rebar counting inspection on construction sites using unmanned aerial vehicles 2024-Aug, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2024.110720 PMID:39100779	研究论文	本文详细介绍了使用深度学习对象检测方法创建用于钢筋计数的标注数据集的过程	本文创新地应用了八种数据增强技术来增强训练数据，并创建了九个不同的数据集	NA	旨在通过无人机图像利用深度学习算法提高钢筋在钢筋混凝土结构中的检查准确性	钢筋计数	计算机视觉	NA	深度学习	对象检测	图像	数据集包含874张原始图像，分为训练集524张，验证集175张，测试集175张