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
921	2024-08-09	DSIL-DDI: A Domain-Invariant Substructure Interaction Learning for Generalizable Drug-Drug Interaction Prediction 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3242656 PMID:37022856	研究论文	本文提出了一种名为DSIL-DDI的领域不变子结构交互学习模块，用于提高药物-药物相互作用预测的泛化性和可解释性	DSIL-DDI模块能够学习药物-药物相互作用的领域不变表示，并能在不同场景下进行有效的泛化预测	NA	提高药物-药物相互作用预测模型的泛化能力和解释性	药物-药物相互作用的预测	机器学习	NA	深度学习	NA	NA	NA
922	2024-08-09	Taming Self-Supervised Learning for Presentation Attack Detection: De-Folding and De-Mixing 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3243229 PMID:37027593	研究论文	本文提出了一种基于自监督学习的演示攻击检测方法DF-DM，通过全局-局部视图结合去折叠和去混合策略，提高模型对未知演示攻击工具的泛化能力	首次证明了模型初始化对演示攻击检测泛化能力的重要性，并提出了一种新的自监督学习方法DF-DM	NA	提高生物识别系统对演示攻击的检测能力，特别是对未知演示攻击工具的泛化能力	演示攻击检测技术	机器学习	NA	自监督学习	NA	图像	在CASIA-FASD和Idiap Replay-Attack数据集上进行训练，评估在OULU-NPU和MSU-MFSD数据集上的表现
923	2024-08-09	Unambiguous and High-Fidelity Backdoor Watermarking for Deep Neural Networks 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3250210 PMID:37028031	研究论文	本文提出了一种明确且高保真的深度神经网络后门水印方案，通过设计确定性依赖的触发样本和标签，提高了水印对抗模糊攻击的鲁棒性，并通过改进后门保真度的评估方法，显著提升了水印的保真度。	本文创新性地设计了确定性依赖的触发样本和标签，使模糊攻击的复杂度从线性增加到指数，同时提出了基于训练数据特征分布和决策边界的新保真度评估方法。	NA	旨在解决深度神经网络水印技术中的后门水印模糊攻击问题，并提高水印的保真度。	深度神经网络的水印技术，特别是后门水印的鲁棒性和保真度。	机器学习	NA	深度学习	CNN	图像	使用了两个版本的ResNet18、WRN28_10和EfficientNet-B0模型，在MNIST、CIFAR-10、CIFAR-100和FOOD-101数据集上进行实验。
924	2024-08-09	Automatic Learning Rate Adaption for Memristive Deep Learning Systems 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3244006 PMID:37027694	研究论文	本文提出了一种用于忆阻深度学习系统的自动学习率调整方法	首次在忆阻深度学习系统中使用自适应学习率进行图像识别，并采用了量化神经网络架构，提高了训练效率且未损失测试精度	NA	旨在通过忆阻器提升混合互补金属氧化物半导体（CMOS）技术在硬件中的性能	忆阻深度学习系统中的学习率调整	机器学习	NA	忆阻器	深度神经网络（DNNs）	图像	NA
925	2024-08-09	A Survey on Offline Reinforcement Learning: Taxonomy, Review, and Open Problems 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3250269 PMID:37030754	综述	本文对离线强化学习进行了分类，回顾了最新的算法突破，并指出了现有基准的特性和不足，同时提出了未来的研究方向	提出了一个统一的分类法来分类离线强化学习方法，并总结了每种方法和方法类在不同数据集属性上的性能	NA	旨在为离线强化学习领域提供一个全面的回顾和未来的研究方向	离线强化学习算法及其在不同数据集上的性能	机器学习	NA	强化学习	NA	数据集	NA
926	2024-08-09	Class-Incremental Learning Method With Fast Update and High Retainability Based on Broad Learning System 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3259016 PMID:37030863	研究论文	本文提出了一种基于广义学习系统的类增量学习方法（BLS-CIL），该方法能够快速更新并高度保留旧类知识	引入了一种新的类相关损失函数，考虑了新旧类之间的相关性，并开发了一种新的递归更新规则（RULL），无需重放所有旧类的示例	NA	旨在开发一种能够快速更新且高度保留旧类知识的类增量学习方法	类增量学习方法在实际应用中的性能	机器学习	NA	广义学习系统	浅层神经网络	图像、表格/数值数据	12个真实世界数据集，包括7个表格/数值数据集和6个图像数据集
927	2024-08-09	Machine learning and deep learning tools for the automated capture of cancer surveillance data 2024-Aug-01, Journal of the National Cancer Institute. Monographs DOI:10.1093/jncimonographs/lgae018 PMID:39102883	研究论文	本文探讨了利用机器学习和深度学习模型自动化从非结构化临床文本中提取癌症监测数据的方法	提出了一种新的方法，利用先进的计算能力自动化数据提取，以填补关键信息缺口并创建一个灵活的平台，可添加新的信息源如基因组学	NA	旨在提高癌症监测数据的自动化提取效率和准确性	非结构化临床文本中的关键数据元素，如病理报告、放射学报告、相关生物标志物信息及复发情况	机器学习	癌症	机器学习, 深度学习	NA	文本	NA
928	2024-08-09	Automated segmentation of liver and hepatic vessels on portal venous phase computed tomography images using a deep learning algorithm 2024-Aug, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.14397 PMID:38773719	研究论文	本研究提出了一种基于深度学习算法的自动分割门静脉期CT图像中肝脏和肝血管的方法	该深度学习算法在分割肝脏和肝血管方面表现优异，显著减少了手动处理时间，提高了分割的准确性	本研究为回顾性研究，使用的是私有数据集，可能存在数据偏倚	旨在开发一种自动化的深度学习分割算法，用于门静脉期CT图像中肝脏和肝血管的分割	肝脏和肝血管的自动分割	计算机视觉	NA	深度学习	深度学习算法	CT图像	训练集413张，验证集52张，测试集50张，独立临床数据集44例
929	2024-08-09	Error detection for radiotherapy planning validation based on deep learning networks 2024-Aug, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.14372 PMID:38709158	研究论文	本文利用深度学习算法对3D剂量分布图进行提取，并创建了一个预测模型，用于分类多种机器模型、治疗方法和肿瘤位置的错误	本文提出的CNN模型在预测放射治疗计划验证中的错误分类方面，相较于传统的GPR方法，表现出更优越的预测能力	NA	利用深度学习算法提高放射治疗计划验证的效率和准确性	3D剂量分布图和放射治疗计划验证中的错误分类	机器学习	NA	深度学习	CNN	3D剂量分布数据	94名肿瘤患者
930	2024-08-09	Neural Network Layer Algebra: A Framework to Measure Capacity and Compression in Deep Learning 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3241100 PMID:37027551	研究论文	本文提出了一种新的框架来测量神经网络的内在属性，特别是卷积网络的能力和压缩性	引入了层代数概念，并基于此提出了层复杂度和层内在能力两个度量标准，这些度量标准独立于网络参数，仅依赖于网络结构	NA	旨在开发一种新的方法来评估神经网络的表达能力和学习能力	神经网络的结构特性和性能	机器学习	NA	NA	CNN	图像	NA
931	2024-08-09	Understanding Short-Range Memory Effects in Deep Neural Networks 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3242969 PMID:37027555	研究论文	本研究探讨了深度神经网络中随机梯度下降（SGD）的短程记忆效应	提出SGD可以被视为由分形布朗运动（FBM）驱动的随机微分方程（SDE）的离散化，这一观点与传统的布朗或Lévy稳定运动驱动模型不同	NA	深入理解SGD的有效性和其在训练过程中的行为	随机梯度下降（SGD）及其在深度学习中的应用	机器学习	NA	随机梯度下降（SGD）	深度神经网络	NA	NA
932	2024-08-09	A Hybrid Neuromorphic Object Tracking and Classification Framework for Real-Time Systems 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3243679 PMID:37027553	研究论文	本文提出了一种实时混合神经形态框架，用于使用基于事件的相机进行对象跟踪和分类	采用混合帧和事件的方法，结合帧基于前景事件密度的区域提议方法，实现硬件友好的对象跟踪方案，并在TrueNorth平台上通过能量高效深度网络进行分类	NA	解决深度学习推理在低功耗嵌入式平台上计算和内存密集的问题	对象跟踪和分类	计算机视觉	NA	基于事件的相机	TrueNorth (TN)	图像	使用原始收集的数据集进行训练和测试
933	2024-08-09	Probabilistic Attention Based on Gaussian Processes for Deep Multiple Instance Learning 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3245329 PMID:37027623	研究论文	本文介绍了一种基于高斯过程的注意力机制（AGP），用于深度多实例学习，提供准确的包级预测和实例级可解释性	AGP模型是一种新颖的概率性注意力机制，基于高斯过程，能够提供不确定性估计，增强对小数据集的鲁棒性	NA	探索在医学领域中，如何通过减少标注工作量来提高多实例学习的性能和不确定性估计	多实例学习在医学图像识别中的应用	机器学习	NA	高斯过程	AGP	图像	在少于100个标签的小数据集上进行了实验验证
934	2024-08-09	STDAN: Deformable Attention Network for Space-Time Video Super-Resolution 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3243029 PMID:37027773	研究论文	本文提出了一种名为STDAN的可变形注意力网络，用于时空视频超分辨率（STVSR）任务	设计了长短期特征插值（LSTFI）模块和时空可变形特征聚合（STDFA）模块，以更好地利用相邻输入帧的信息和动态视频帧中的时空上下文	NA	提高低分辨率（LR）和低帧率（LFR）视频的时空分辨率	时空视频超分辨率	计算机视觉	NA	双向循环神经网络（RNN）	可变形注意力网络	视频	多个数据集
935	2024-08-09	Deep learning-based automatic segmentation of bone graft material after maxillary sinus augmentation 2024-Aug, Clinical oral implants research IF:4.8Q2 DOI:10.1111/clr.14221 PMID:38033189	研究论文	研究深度学习在从锥束计算机断层扫描（CBCT）图像中自动分割上颌窦提升术后移植材料中的准确性和可靠性	提出了一种包含3D V-Net和3D Attention V-Net的深度学习模型，用于自动分割移植材料，其性能显著优于传统手动分割方法	NA	评估深度学习模型在上颌窦提升术后移植材料自动分割中的准确性和效率	上颌窦提升术后的移植材料	计算机视觉	NA	CBCT	3D V-Net, 3D Attention V-Net	图像	100对CBCT扫描（训练集82对，测试集18对）
936	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
937	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
938	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
939	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
940	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