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
1181	2024-08-05	Frequency and phase correction of GABA-edited magnetic resonance spectroscopy using complex-valued convolutional neural networks 2024-Sep, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.05.008 PMID:38744351	研究论文	本研究探讨了复数值输入和复数卷积在GABA编辑磁共振波谱数据的频率和相位校正中的重要性	提出使用复数值输入和复数卷积的CNN模型在GABA编辑磁共振波谱校正中明显优于现有深度学习模型	本研究仅使用模拟和体内数据进行比较，未包含更多类型的数据	确定复数和实数卷积在GABA编辑磁共振波谱数据频率和相位校正中的有效性	GABA编辑MEGA-PRESS数据的频率和相位校正	机器学习	NA	卷积神经网络 (CNN)	复数卷积神经网络 (CC-CNN)	模拟数据和体内数据	NA
1182	2024-08-05	Strong versus Weak Data Labeling for Artificial Intelligence Algorithms in the Measurement of Geographic Atrophy 2024 Sep-Oct, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100477 PMID:38827491	研究论文	本研究旨在理解深度学习模型训练所需的数据标注要求，以测量地理性萎缩。	提出了通过整合大量弱标注图像与少量强标注图像的训练方法，以减少数据标注的成本和时间。	未提供关于数据标注对模型性能影响的详细分析。	研究深度学习模型在测量地理性萎缩中的应用与数据标注要求。	使用AREDS2图像进行模型训练和验证，以及GA临床试验图像进行测试。	机器学习	视网膜疾病	深度学习	卷积神经网络（CNN）	图像	AREDS2数据集（601张）和GlaxoSmithKline测试数据集（156张）
1183	2024-08-07	A deep learning-based quantitative prediction model for the processing potentials of soybeans as soymilk raw materials 2024-Sep-30, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2024.139671 PMID:38761740	研究论文	本文建立了一个基于深度学习的模型，用于定量预测大豆作为豆浆原料的处理潜力	本文提出的深度学习模型能够定量预测大豆的豆浆品质和利润属性，相较于传统的相关分析、回归分析和分类模型，具有更高的预测准确性	模型在预测豆浆气味品质方面仍有改进空间，未来可通过大数据训练进一步优化	解决现有技术在评估大豆潜力方面的局限性，推动豆浆产业更高效和盈利	54种大豆品种及其对应的豆浆	机器学习	NA	深度学习	深度学习模型	化学、质构和感官分析数据	54种大豆品种及其对应的豆浆
1184	2024-08-07	Enhancing plant-based cheese formulation through molecular docking and dynamic simulation of tocopherol and retinol complexes with zein, soy and almond proteins via SVM-machine learning integration 2024-Sep-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2024.139520 PMID:38723573	研究论文	本研究通过分子对接和动态模拟结合机器学习算法，优化植物基奶酪中蛋白质与配体的相互作用，以提高其质地、营养价值和风味特性	本研究首次将分子对接和动态模拟与机器学习算法结合，用于优化植物基奶酪的配方	NA	通过分子对接和动态模拟优化植物基奶酪的配方，以满足可持续发展的需求	主要研究了zein、大豆和杏仁蛋白与生育酚和视黄醇的相互作用	机器学习	NA	分子对接、动态模拟	SVM	蛋白质-配体相互作用数据	NA
1185	2024-08-07	Accurate prediction of hyaluronic acid concentration under temperature perturbations using near-infrared spectroscopy and deep learning 2024-Sep-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.124396 PMID:38733911	research paper	研究利用近红外光谱和深度学习技术准确预测在温度扰动下的透明质酸浓度	引入了基于交集策略的新特征融合方法，并创新性地使用了多策略改进的Walrus优化算法（MIWaOA）来优化深度极限学习机（DELM）的参数	NA	旨在开发一种有效的方法来快速确定透明质酸在不同温度下的适用性	透明质酸（HA）样品的浓度预测	machine learning	NA	近红外光谱分析（NIR）	深度极限学习机（DELM）	光谱数据	大量透明质酸（HA）样品
1186	2024-08-07	Soil data augmentation and model construction based on spectral difference and content difference 2024-Sep-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.124360 PMID:38744226	研究论文	本文提出基于光谱差异和内容差异的样本扩展和模型构建方法，应用于原始样本数量有限的情况，实现了数据增强和深度学习	利用基于最大或最小值的光谱减法获取光谱差异和内容差异，为模型构建提供了一种新的数据形式	NA	开发精准农业和监测土地质量	土壤分析	机器学习	NA	光谱分析	一维卷积神经网络（1D CNN）	光谱数据	小区域有限样本
1187	2024-08-07	A novel method for quantitative determination of multiple substances using Raman spectroscopy combined with CWT 2024-Sep-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.124427 PMID:38754205	研究论文	本文提出了一种新的工作流程，利用拉曼光谱结合连续小波变换（CWT）进行混合溶液的快速定性和定量检测	解决了现有拉曼光谱定量分析算法几乎无法同时准确预测多种物质浓度的问题	NA	开发一种新的方法用于混合溶液中多种物质的定量分析	甲醇-乙醇混合溶液	机器学习	NA	拉曼光谱	MobileNetV3	图像	NA
1188	2024-08-07	Predicting influenza-like illness trends based on sentinel surveillance data in China from 2011 to 2019: A modelling and comparative study1 2024-Sep, Infectious Disease Modelling IF:3.0Q1 DOI:10.1016/j.idm.2024.04.010 PMID:38725432	研究论文	本研究基于2011年至2019年中国哨点监测数据，使用三种模型预测流感样疾病（ILI）趋势，并比较其预测性能	本研究首次比较了广义加性模型（GAM）、基于门控循环单元（GRU）的深度学习混合模型和自回归移动平均-广义自回归条件异方差（ARMA-GARCH）模型在预测流感样疾病趋势方面的性能	模型预测性能随着预测周数的增加而下降	预测中国不同气候特征地区的流感样疾病趋势，并评估和比较三种模型的预测性能	流感样疾病（ILI）趋势	NA	急性呼吸道感染疾病	广义加性模型（GAM）、基于门控循环单元（GRU）的深度学习混合模型、自回归移动平均-广义自回归条件异方差（ARMA-GARCH）模型	GAM、GRU、ARMA-GARCH	哨点监测数据	2011年至2019年中国北京、天津、山西、湖北、重庆、广东、海南和香港特别行政区的哨点监测数据
1189	2024-08-07	Deep learning-based detection of indicator species for monitoring biodiversity in semi-natural grasslands 2024-Sep, Environmental science and ecotechnology IF:14.0Q1 DOI:10.1016/j.ese.2024.100419 PMID:38706811	研究论文	本文开发了一种基于深度学习的对象检测模型，用于识别高自然价值草地中的指示物种，以监测生物多样性	首次利用温室培养的指示植物样本进行深度学习模型的训练，实现了对草地生态系统中植物的实地识别	研究主要集中在温室和实验草地数据上，未来需要进一步验证模型在更广泛自然草地环境中的适用性	探索深度学习技术在草地生物多样性监测中的应用	高自然价值草地中的指示物种	机器学习	NA	深度学习	对象检测模型	图像	包括温室数据、实验草地数据和自然草地数据