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
1101	2024-08-08	Artificial intelligence enhances whole-slide interpretation of PD-L1 CPS in triple-negative breast cancer: A multi-institutional ring study 2024-Sep, Histopathology IF:3.9Q1 DOI:10.1111/his.15205 PMID:38747491	研究论文	本文提出了一种基于深度学习的方法，通过细胞分析和组织区域分析，结合全切片级别的融合，来提高三阴性乳腺癌中PD-L1 CPS的评估一致性和准确性	使用人工智能辅助诊断方法，显著提高了不同级别病理学家在PD-L1 CPS评估中的一致性和重复性	NA	建立一种客观有效且高度可重复的方法来评估三阴性乳腺癌中PD-L1 CPS	三阴性乳腺癌中的PD-L1 CPS	数字病理	乳腺癌	深度学习	深度学习模型	图像	21名来自四个机构的不同级别的病理学家参与评估
1102	2024-08-08	Modern acceleration in musculoskeletal MRI: applications, implications, and challenges 2024-Sep, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-024-04634-2 PMID:38441617	研究论文	本文综述了现代加速技术在肌肉骨骼MRI中的应用、影响和挑战	引入了加速技术如并行成像、同时多切片采集和压缩感知，实现了高达八倍的扫描速度提升，同时保持图像质量和分辨率	实施快速成像协议会影响工作流程、间接成本和MRI技术人员及放射科医生的工作量，需要谨慎管理	探讨加速技术在肌肉骨骼MRI中的应用，以提高患者访问和舒适度，并促进可持续的成像实践	肌肉骨骼MRI的加速技术及其临床应用	医学成像	NA	MRI加速技术，包括并行成像、同时多切片采集和压缩感知	深度学习图像重建	图像	NA
1103	2024-08-07	DF-QSM: Data Fidelity based Hybrid Approach for Improved Quantitative Susceptibility Mapping of the Brain 2024-Sep, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5163 PMID:38649140	研究论文	本文提出了一种基于数据保真度的混合方法DF-QSM，用于改进脑部定量磁化率成像（QSM）	该方法通过两步重建过程，结合深度学习方法和测量局部场的一致性，提高了QSM重建的质量和泛化能力	现有的基于深度学习的QSM方法在训练数据分布上存在偏差，泛化能力有限	改进深度学习在脑部定量磁化率成像中的应用	脑部组织的磁化率	磁共振成像	NA	磁共振成像（MRI）	深度学习模型	图像	不同采集设置下的MRI体积，包括在受限数据设置下训练的深度学习模型
1104	2024-08-07	Comparison between R2'-based and R2*-based χ-separation methods: A clinical evaluation in individuals with multiple sclerosis 2024-Sep, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5167 PMID:38697612	研究论文	本研究评估了基于R2的两种磁化率分离方法（R2-χ-分离和χ-sepnet-R2*）与基于R2'的对应方法在多发性硬化症（MS）患者中的临床应用效果	最近提出的基于R2*的磁化率分离方法仅使用多回波梯度回波（ME-GRE）数据进行磁化率分离，无需额外获取R2图数据，减少了扫描时间并增强了临床实用性	缺少R2信息的影响仍需进一步探索	评估基于R2*的磁化率分离方法作为基于R2'方法的替代方案的可行性	多发性硬化症（MS）患者	计算机视觉	多发性硬化症	多回波梯度回波（ME-GRE）	深度学习模型	图像	未明确提及具体样本数量
1105	2024-08-07	Comparative assessment of established and deep learning-based segmentation methods for hippocampal volume estimation in brain magnetic resonance imaging analysis 2024-Sep, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5169 PMID:38712667	研究论文	本研究评估了两种公开可用的深度学习基础海马体分割方法SynthSeg和TigerBx的性能，并与两种传统技术FreeSurfer-Aseg和FSL-FIRST进行了对比	SynthSeg和TigerBx在分割准确性和可重复性方面与传统工具相当，但在处理速度上具有显著优势，能在不到1分钟内生成结果	NA	评估深度学习基础的海马体分割方法在脑部磁共振成像分析中的性能	海马体体积估计	计算机视觉	NA	磁共振成像(MRI)	深度学习	图像	1447例三维T1加权MRI扫描
1106	2024-08-07	GraphEGFR: Multi-task and transfer learning based on molecular graph attention mechanism and fingerprints improving inhibitor bioactivity prediction for EGFR family proteins on data scarcity 2024-Sep-05, Journal of computational chemistry IF:3.4Q2 DOI:10.1002/jcc.27388 PMID:38713612	研究论文	本研究介绍了GraphEGFR，一个用于增强分子表示和模型架构的深度学习回归模型，以预测针对EGFR家族蛋白的抑制剂生物活性	创新点在于使用图注意力机制与深度卷积神经网络相结合，提升了小规模数据下的生物活性预测能力	深度学习在小数据集上的应用面临过拟合风险，这是本研究的局限之一	研究旨在解决与EGFR家族蛋白相关的癌症药物发现中的挑战	研究对象包括野生型和突变型EGFR家族蛋白的抑制剂	机器学习	肿瘤	深度学习	图神经网络	分子图	NA
1107	2024-08-07	Revolutionizing breast cancer Ki-67 diagnosis: ultrasound radiomics and fully connected neural networks (FCNN) combination method 2024-Sep, Breast cancer research and treatment IF:3.0Q2 DOI:10.1007/s10549-024-07375-x PMID:38853220	研究论文	本研究评估了超声肿瘤栖息地子区域的放射组学特征参数在乳腺癌Ki-67状态诊断中的价值	结合L1,2范数与全连接神经网络(FCNN)算法的使用，提供了一种新的诊断方法	目前的研究仅限于特定医院的数据，样本的多样性可能影响结果的推广性	研究乳腺癌患者中Ki-67状态的诊断价值	528例和232例来自两个不同医院的女性乳腺癌患者的超声图像	数字病理学	乳腺癌	深度学习	全连接神经网络(FCNN)	图像	528例和232例乳腺癌患者的超声图像
1108	2024-08-05	Clinical evaluation of deep learning and atlas-based auto-segmentation for organs at risk delineation 2024 Autumn, Medical dosimetry : official journal of the American Association of Medical Dosimetrists IF:1.1Q3 DOI:10.1016/j.meddos.2023.11.002 PMID:38061916	研究论文	本研究评估了基于深度学习的自动分割技术在癌症不同解剖部位勾画中的临床效果	深度学习自动分割算法在几何指数上比传统的基于地图的自动分割算法更为准确，并显著缩短了轮廓编辑时间	研究样本数量较小，仅涉及四种癌症类型	评估自动分割技术对放射治疗临床工作流的影响	研究对象为30名头颈、乳腺、腹部和前列腺癌患者	医学影像分割	癌症	深度学习自动分割	NA	图像	共120名患者，四种不同类型癌症各30名
1109	2024-08-04	Deep Learning k-Space-to-Image Reconstruction Facilitates High Spatial Resolution and Scan Time Reduction in Diffusion-Weighted Imaging Breast MRI 2024-Sep, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29139 PMID:37974498	研究论文	该研究探讨了基于深度学习的k空间到图像重建方法在乳腺DWI中的应用	提出了一种结合k空间到图像重建的方法，用于减少扫描时间和提高空间分辨率	该研究为回顾性研究，可能存在选择偏倚	研究乳腺扩散加权成像的扫描时间减少与空间分辨率改善	133名女性参与者进行了多参数乳腺MRI检查	数字病理学	乳腺癌	深度学习k空间到图像重建	深度学习模型	影像	133名女性
1110	2024-08-04	Deep-Learning-Based MRI Microbleeds Detection for Cerebral Small Vessel Disease on Quantitative Susceptibility Mapping 2024-Sep, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29198 PMID:38149750	研究论文	本文提出了一个深度学习管道，用于在定量敏感映射(QSM)中自动检测脑微出血(CMB)	该文章提出了一种两阶段的深度学习管道，成功应用于CMB检测，并超越了之前的手工方法	使用的数据仅来自对照组，未提及模型在其他实验条件下的表现	自动检测脑小血管病患者的脑微出血	393名脑小血管病患者中的1843个脑微出血案例	计算机视觉	脑小血管病	定量敏感映射(QSM)	V-Net	MRI图像	393名患者中的1843个脑微出血案例和78名受试者用于外部测试
1111	2024-08-04	RevGraphVAMP: A protein molecular simulation analysis model combining graph convolutional neural networks and physical constraints 2024-Sep, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.06.011 PMID:38972499	研究论文	提出了一种新型无监督模型RevGraphVAMP，用于智能分析分子动力学模拟轨迹	本研究集成了图卷积神经网络和物理约束优化，创新性地引入了注意力机制以评估关键交互区域的重要性	本研究可能在模型推广到其他类型的蛋白质时面临挑战	旨在提高对模拟轨迹数据的分析准确性和生物机制的可解释性	主要研究蛋白质的分子动力学模拟和相应的状态转变预测	数字病理学	自闭症谱系障碍	分子动力学模拟	图卷积神经网络	轨迹数据	应用于两个公共数据集和Shank3-Rap1复合物
1112	2024-08-04	DP-site: A dual deep learning-based method for protein-peptide interaction site prediction 2024-Sep, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.06.001 PMID:38871095	研究论文	该文章介绍了一种名为DP-Site的计算框架，用于预测蛋白质-肽相互作用位点	提出了一个双重深度学习管道，结合了卷积神经网络和长短期记忆网络，在蛋白质-肽相互作用的预测上优于以往的方法	未提及具体的限制因素	通过提出DP-Site方法来改进蛋白质-肽相互作用位点的预测	主要研究对象是蛋白质和其相互作用的肽	计算机视觉	NA	深度学习	卷积神经网络和长短期记忆网络	NA	通过十折交叉验证和独立测试集评估
1113	2024-08-07	Editorial for "Deep Learning k-Space-to-Image Reconstruction Facilitates High Spatial Resolution and Scan Time Reduction in Diffusion-Weighted Imaging Breast MRI" 2024-Sep, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29159 PMID:38009373	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1114	2024-08-04	Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement 2024-Sep, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2023.3313729 PMID:37695975	研究论文	本文介绍了将强化学习应用于标签放置，这是一项在数据可视化中寻求最佳标签位置的复杂任务	提出了一种新的点特征标签放置方法，利用多智能体深度强化学习来学习标签放置策略，这是首个基于机器学习的标签方法	计算时间增加使得该方法比人类专家设计的方法更慢	研究深度强化学习在数据可视化标签放置中的应用	标签放置策略的学习	机器学习	NA	强化学习（RL）	多智能体深度强化学习	文本注释	进行了一项用户研究来评估参与者的主观表现，具体样本数量未给出
1115	2024-08-04	Using dynamic spatio-temporal graph pooling network for identifying autism spectrum disorders in spontaneous functional infrared spectral sequence signals 2024-Sep, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110157 PMID:38705284	研究论文	本文研究动态空间时间图池化网络在自闭症谱系障碍的识别中的应用	提出了一种动态图构建方法，探讨了脑通道之间动态连接关系对自闭症分类的影响	没有提供数据的样本数量和类型	研究动态连接如何影响自闭症的分类	自闭症谱系障碍（ASD）与典型发育（TD）个体的fNIRS数据	机器学习	自闭症	功能性近红外光谱（fNIRS）	动态空间时间图池化神经网络（DSTGPN）	时间序列信号	NA
1116	2024-08-05	Brain-computer interfaces inspired spiking neural network model for depression stage identification 2024-Sep, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110203 PMID:38880343	研究论文	本研究提出了一种基于脑电图的尖峰神经网络模型，用于抑郁症阶段的识别	开发了一种灵感来源于脑机接口的学习模型，克服了传统深度学习方法中的计算量大和缺乏生理解释性的问题	仍然依赖脑电图作为数据源，可能存在数据采集及分析的局限性	提升抑郁症的诊断方法，减少传统方法的主观性与误诊风险	使用脑电图数据进行抑郁症患者与健康个体的分类识别	数字病理学	抑郁症	脑电图（EEG）	尖峰神经网络	脑电图数据	使用128通道电极收集数据，产生了90×90的脑图矩阵
1117	2024-08-05	EEG-based motor imagery channel selection and classification using hybrid optimization and two-tier deep learning 2024-Sep, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110215 PMID:38968976	研究论文	本论文探讨了一种基于脑电图(EEG)的运动想象信道选择与分类的方法	提出了一种结合战争策略优化和猩猩优化算法的混合优化方法，以改善运动想象任务的分类性能	在此处没有提到具体的局限性	旨在提高基于脑电图的运动想象任务的分类准确性和鲁棒性	本研究对象为运动想象行为的脑电图信号	计算机视觉	NA	脑电图(EEG)	卷积神经网络(CNN)和修改后的深度神经网络(M-DNN)	EEG信号	NA
1118	2024-08-05	Adoption of deep learning-based magnetic resonance image information diagnosis in brain function network analysis of Parkinson's disease patients with end-of-dose wearing-off 2024-Sep, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110184 PMID:38838748	研究论文	本研究采用基于卷积神经网络的功能性磁共振成像数据分类模型分析帕金森病患者的脑功能网络。	本研究在卷积神经网络架构上进行了改进，并探讨了帕金森病患者在服药末期Wear-off情况下的脑功能网络变更。	本研究未探讨其他可能影响结果的因素，例如患者的年龄和其他健康状况。	分析帕金森病患者在EODWO状态下的脑功能网络变化。	研究对象为100名帕金森病患者，分为对照组和实验组。	计算机视觉	帕金森病	功能性磁共振成像（fMRI）	卷积神经网络（CNN）	影像	100名帕金森病患者
1119	2024-08-05	An emerging network for COVID-19 CT-scan classification using an ensemble deep transfer learning model 2024-Sep, Acta tropica IF:2.1Q2 DOI:10.1016/j.actatropica.2024.107277 PMID:38878849	研究论文	本文介绍了一种基于人工智能的方法来通过CT扫描诊断COVID-19	提出了一种称为CT6-CNN的网络，并基于此设计了两个集成深度迁移学习模型	未提及具体的局限性	旨在通过CT样本实现COVID-19的早期诊断	使用SARS-CoV-2 CT数据集进行COVID-19的诊断	数字病理学	COVID-19	深度学习	CT6-CNN，集成深度迁移学习模型	图像	2481个CT扫描
1120	2024-08-05	Differentiation of glioblastoma from solitary brain metastasis using deep ensembles: Empirical estimation of uncertainty for clinical reliability 2024-Sep, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108288 PMID:38941861	研究论文	本文开发了一种临床可靠的深度学习模型，以区分胶质母细胞瘤与孤立性脑转移。	通过提供预测不确定性估计和可解释性，提升了深度学习模型的临床可靠性。	模型的高不确定性组在预测性能上表现较差，可能受到数据不平衡的影响。	研究旨在开发一种能够区分胶质母细胞瘤和孤立性脑转移的深度学习模型。	研究对象包括469名患者，其中300名为胶质母细胞瘤患者，169名为孤立性脑转移患者。	深度学习	胶质母细胞瘤	深度集成学习	DenseNet121	多参数MRI	469名患者，包含300名胶质母细胞瘤和169名孤立性脑转移