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
21	2024-12-17	A brief survey on human activity recognition using motor imagery of EEG signals 2024-Oct, Electromagnetic biology and medicine IF:1.6Q4 DOI:10.1080/15368378.2024.2415089 PMID:39425602	综述	本文综述了基于运动想象（MI）和脑电图（EEG）信号的人类活动识别（HAR）方法	本文总结了现有的基于MI-EEG信号的HAR方法，并讨论了研究中的空白和局限性	本文主要讨论了现有技术的局限性，并指出了未来研究的方向	探讨基于MI-EEG信号的HAR方法及其挑战	基于MI-EEG信号的人类活动识别方法	机器学习	NA	脑电图（EEG）	机器学习（ML）和深度学习（DL）模型	信号	50篇研究文章
22	2024-12-17	Segmentation and classification of brain tumor using Taylor fire hawk optimization enabled deep learning approach 2024-Oct, Electromagnetic biology and medicine IF:1.6Q4 DOI:10.1080/15368378.2024.2421202 PMID:39514821	研究论文	本文提出了一种基于Taylor Fire Hawk优化（TFHO）的深度学习方法，用于脑肿瘤的分割和分类	本文创新性地将Taylor系列与Fire Hawk优化器（FHO）结合，形成TFHO，用于脑肿瘤的分割和分类	NA	旨在提高脑肿瘤的早期诊断和准确分类	脑肿瘤	计算机视觉	NA	深度学习	DenseNet	图像	NA
23	2024-12-17	Cross-Slice Attention and Evidential Critical Loss for Uncertainty-Aware Prostate Cancer Detection 2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-72111-3_11 PMID:39677326	研究论文	本文提出了一种新的2.5D跨切片注意力模型，结合证据关键损失，用于在MR图像中进行不确定性感知的前列腺癌检测	创新点包括引入2.5D跨切片注意力模型，利用全局和局部信息，并结合证据关键损失进行证据深度学习，以提高前列腺癌检测的性能和不确定性估计	NA	旨在改进基于深度学习的前列腺癌检测模型，特别是通过引入不确定性估计来辅助临床决策	前列腺癌的MR图像检测	计算机视觉	前列腺癌	深度学习	2.5D跨切片注意力模型	图像	两个不同数据集
24	2024-12-16	Toward a Semi-Supervised Learning Approach to Phylogenetic Estimation 2024-Oct-30, Systematic biology IF:6.1Q1 DOI:10.1093/sysbio/syae029 PMID:38916476	研究论文	本文提出了一种半监督学习方法，用于推断分子进化和重建系统发育树	本文结合了基因组进化随机模拟与一种新的监督深度学习模型，直接分析多序列比对并估计每个位点的进化速率和分歧度，无需已知的系统发育树	本文的方法在复杂速率变化模式下表现优异，但在简单伽马分布下的准确性与基于似然的系统发育推断相当	开发一种新的半监督学习方法，用于更灵活和准确的系统发育分析	分子进化速率参数和系统发育树的重建	机器学习	NA	深度学习	深度学习模型	基因组数据	2600万核苷酸的基因组数据
25	2024-12-16	TAWFN: a deep learning framework for protein function prediction 2024-Oct-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae571 PMID:39312678	研究论文	本文提出了一种结合卷积神经网络（CNN）和图卷积网络（GCN）的深度学习框架TAWFN，用于蛋白质功能预测	本文的创新点在于提出了一种结合CNN和GCN的统一框架TAWFN，通过自适应权重融合网络来提高蛋白质功能预测的准确性	本文的局限性在于仅在PDBset和AFset数据集上进行了实验验证，未来需要在更多数据集上进行测试	本文的研究目的是提高蛋白质功能预测的准确性	本文的研究对象是蛋白质结构及其功能	机器学习	NA	卷积神经网络（CNN）、图卷积网络（GCN）	卷积神经网络（CNN）、图卷积网络（GCN）	蛋白质结构数据	实验使用了PDBset和AFset数据集
26	2024-12-15	Decoding the brain: From neural representations to mechanistic models 2024-Oct-17, Cell IF:45.5Q1 DOI:10.1016/j.cell.2024.08.051 PMID:39423801	研究论文	本文详细介绍了神经编码和解码的重要概念，并强调了用于测量这些概念的数学工具，包括深度学习方法	本文结合深度学习方法，展示了神经编码和解码在运动、视觉和语言处理中的应用	NA	探讨大脑中神经编码和解码的机制及其在不同功能中的应用	大脑中的神经元及其在感知、认知和适应性行为中的作用	神经科学	NA	深度学习	深度学习模型	神经数据	NA
27	2024-12-15	Development and validation of a deep learning algorithm for the prediction of serum creatinine in critically ill patients 2024-Oct, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooae097 PMID:39318762	研究论文	开发并验证了一种用于预测重症监护病房患者血清肌酐的深度学习算法	提出了Nephrocast深度学习模型，能够基于临床数据预测次日血清肌酐水平，优于传统方法	NA	开发和验证一种深度学习模型，用于预测重症监护病房患者的次日血清肌酐水平	重症监护病房中的成年患者	机器学习	急性肾损伤	深度学习	深度学习模型	电子健康记录数据	28191次就诊，对应105718个患者日
28	2024-12-14	Cognitive Dysfunction in the Addictions (CDiA): A Neuron to Neighbourhood Collaborative Research Program on Executive Dysfunction and Functional Outcomes in Outpatients Seeking Treatment for Addiction 2024-Oct-28, medRxiv : the preprint server for health sciences DOI:10.1101/2024.08.30.24312806 PMID:39252904	研究论文	介绍了一个名为Cognitive Dysfunction in the Addictions (CDiA)的综合性研究项目，旨在填补关于成瘾性疾病中执行功能（EF）的知识空白，并促进新的治疗方法	该项目整合了多学科的研究方法，包括临床、基础科学和健康服务研究，并采用了创新的全人建模和深度学习技术	研究结果尚未实际应用于临床实践，且样本量相对有限	旨在深入理解成瘾性疾病中的执行功能，并探索新的生物治疗方法	寻求治疗成瘾的成年患者，年龄范围为18-60岁	神经科学	成瘾性疾病	重复经颅磁刺激、深度学习	深度学习	多模态数据	400名寻求治疗成瘾的成年患者
29	2024-12-14	gRNAde: Geometric Deep Learning for 3D RNA inverse design 2024-Oct-06, bioRxiv : the preprint server for biology DOI:10.1101/2024.03.31.587283 PMID:38826198	研究论文	本文介绍了一种基于几何深度学习的3D RNA逆向设计方法gRNAde	gRNAde使用多状态图神经网络和自回归解码生成候选RNA序列，考虑了3D骨架结构和动态特性，相比传统方法Rosetta在序列恢复率上有所提升	NA	开发一种能够考虑3D几何结构和构象多样性的RNA逆向设计方法	RNA序列和其3D骨架结构	生物信息学	NA	几何深度学习	图神经网络	3D结构数据	14个来自PDB的RNA结构
30	2024-12-14	Leveraging transfer learning for predicting total knee arthroplasty failure from post-operative radiographs 2024-Oct, Journal of experimental orthopaedics IF:2.0Q2 DOI:10.1002/jeo2.70097 PMID:39664926	研究论文	本研究利用深度学习模型预测全膝关节置换术失败，基于术后X光片进行预测	本研究采用了迁移学习微调方法，利用先前开发的用于预测髋关节假体失败的深度学习模型，展示了其在预测膝关节置换术失败中的有效性	本研究仅基于X光片进行预测，未考虑其他可能影响手术失败的因素	开发一种深度学习模型，用于早期识别全膝关节置换术失败，以预防广泛的翻修手术	全膝关节置换术失败的患者	机器学习	NA	迁移学习微调	卷积神经网络（CNN）	图像	两个患者队列，分别用于模型开发和外部验证，每个队列包含失败和未失败的患者
31	2024-12-14	Artificial intelligence-based rapid brain volumetry substantially improves differential diagnosis in dementia 2024 Oct-Dec, Alzheimer's & dementia (Amsterdam, Netherlands) DOI:10.1002/dad2.70037 PMID:39665087	研究论文	本研究评估了一种基于深度学习的人工智能系统在快速脑容量测量中的临床价值，该系统通过自动脑叶分割和年龄性别调整的百分位比较来辅助痴呆的鉴别诊断	本研究展示了人工智能辅助的脑容量测量在提高阿尔茨海默病和额颞叶痴呆诊断准确性方面的显著效果，并显著缩短了处理时间	NA	评估人工智能辅助的快速脑容量测量在痴呆鉴别诊断中的临床价值	55名患者，包括17名阿尔茨海默病患者、18名额颞叶痴呆患者和20名健康对照者	机器学习	阿尔茨海默病	深度学习	NA	图像	55名患者
32	2024-12-13	Deep learning modeling of RNA ac4C deposition reveals the importance of plant alternative splicing 2024-Oct-28, Plant molecular biology IF:3.9Q1 DOI:10.1007/s11103-024-01512-2 PMID:39467957	研究论文	本文利用深度学习技术iac4C预测植物mRNA中的ac4C位点，揭示了ac4C在植物选择性剪接中的重要性	本文首次使用深度学习技术iac4C预测植物mRNA中的ac4C位点，并揭示了ac4C与植物选择性剪接之间的关联	NA	研究ac4C在植物选择性剪接中的作用	植物mRNA中的ac4C位点	机器学习	NA	深度学习	BiGRU和自注意力机制	RNA序列	NA
33	2024-12-13	Detection of Macular Neovascularization in Eyes Presenting with Macular Edema using OCT Angiography and a Deep Learning Model 2024-Oct-24, Ophthalmology. Retina DOI:10.1016/j.oret.2024.10.017 PMID:39461425	研究论文	本文测试了一种人工智能算法在OCT和OCT血管造影（OCTA）图像中检测和分割黄斑新生血管（MNV）的诊断性能	本文提出了一种新的混合多任务卷积神经网络（aiMNV），能够准确检测和分割黄斑新生血管，尤其是在高扫描采样密度下提高了检测灵敏度	6×6毫米扫描的灵敏度低于3×3毫米扫描，原因是扫描采样密度较低	测试人工智能算法在检测和分割黄斑新生血管中的诊断性能	患有黄斑水肿的眼睛，包括未经治疗的渗出性年龄相关性黄斑变性（AMD）、糖尿病性黄斑水肿（DME）或视网膜静脉阻塞（RVO）	计算机视觉	年龄相关性黄斑变性	OCT血管造影（OCTA）	混合多任务卷积神经网络（aiMNV）	图像	114只眼睛，来自112名研究参与者
34	2024-08-07	DeepCCR: large-scale genomics-based deep learning method for improving rice breeding 2024-Oct, Plant biotechnology journal IF:10.1Q1 DOI:10.1111/pbi.14384 PMID:38805625	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
35	2024-12-13	Body composition analysis by radiological imaging - methods, applications, and prospects 2024-10, RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin DOI:10.1055/a-2263-1501 PMID:38569516	综述	本文综述了使用放射学方法对人体组织成分（体成分，BC）进行定量评估的方法、应用和前景	本文介绍了放射学成像方法在体成分分析中的应用，特别是深度学习技术在自动分割不同组织和腔室中的应用	分析工具的可用性和适合AI训练的数据集是本文的限制	向放射学读者介绍体成分分析的不同方法和定义，以促进其应用和传播	人体组织成分的定量评估	NA	NA	MRI, CT	深度学习	图像	NA
36	2024-12-13	Artificial intelligence in respiratory care: perspectives on critical opportunities and challenges 2024-Oct, Breathe (Sheffield, England) DOI:10.1183/20734735.0189-2023 PMID:39660082	评论	本文探讨了人工智能在呼吸护理中的应用及其带来的机遇与挑战	本文提出了在算法共同设计中促进透明度和优先考虑包容性及易理解性的战略努力	本文未提供具体的技术细节或实验结果，主要集中在讨论和展望上	探讨人工智能在呼吸护理中的应用及其对临床医生、患者和社会的影响	人工智能在呼吸护理中的应用及其对临床医生、患者和社会的影响	NA	呼吸系统疾病	NA	NA	NA	NA
37	2024-12-12	Deep learning improves physician accuracy in the comprehensive detection of abnormalities on chest X-rays 2024-10-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76608-2 PMID:39448764	研究论文	本文介绍了一种通过深度学习算法辅助医生全面检测和定位胸部X光片异常的人工智能系统	该人工智能系统获得了FDA批准，能够显著提高医生在胸部X光片异常检测中的准确性，并展示了其在公开数据集上的泛化能力	未提及具体的局限性	研究目的是评估人工智能系统在胸部X光片异常检测中的准确性和对医生诊断能力的提升	研究对象包括放射科医生和非放射科医生在有无AI系统辅助下的胸部X光片异常检测能力	计算机视觉	NA	深度学习算法	NA	图像	使用了大规模数据集进行训练和测试，并在公开数据集上进行了泛化评估
38	2024-12-12	MDNNSyn: A Multi-Modal Deep Learning Framework for Drug Synergy Prediction 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3421916 PMID:38954565	研究论文	本文提出了一种多模态深度学习框架MDNNSyn，用于预测药物协同作用	MDNNSyn利用多层超图神经网络提取拓扑模态特征，并通过相似性策略构建语义模态特征，结合门控神经网络进行多模态融合，从而提高药物协同作用预测的准确性	NA	开发一种能够考虑药物间和细胞系间多种生物关系的计算模型，以提高药物协同作用预测的准确性	药物协同作用预测	机器学习	癌症	多层超图神经网络	多模态融合网络	多源信息	DrugCombDB和Oncology-Screen数据集
39	2024-12-12	DeepFusionCDR: Employing Multi-Omics Integration and Molecule-Specific Transformers for Enhanced Prediction of Cancer Drug Responses 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3417014 PMID:38935469	研究论文	本文介绍了一种名为DeepFusionCDR的新方法，通过无监督对比学习整合多组学特征，并结合分子SMILES特异性变换器来增强癌症药物反应预测	创新点在于整合了多组学数据（包括突变、转录组、甲基化组和拷贝数变异数据）以及分子特异性变换器来提取药物特征，从而提高癌症药物反应预测的准确性	NA	旨在通过多组学融合和分子特异性变换器来增强癌症药物反应的预测	癌症药物反应（CDR）的预测	机器学习	NA	无监督对比学习	多层感知器（MLP）	多组学数据（突变、转录组、甲基化组、拷贝数变异数据）和分子SMILES数据	使用了GDSC数据集和TCGA患者数据
40	2024-12-11	Deep-Learning-Based Segmentation of Cells and Analysis (DL-SCAN) 2024-Oct-23, Biomolecules IF:4.8Q1 DOI:10.3390/biom14111348 PMID:39595525	研究论文	本文介绍了一种基于深度学习的工具DL-SCAN，用于自动分割和分析荧光显微镜图像中的细胞体	DL-SCAN利用深度学习技术实现了对荧光显微镜图像中细胞体的自动分割和分析，解决了传统方法依赖制造商软件、需要大量培训且缺乏自动化能力的问题	NA	开发一种能够自动分割和分析荧光显微镜图像中细胞体的工具，以提高分析效率和客观性	荧光显微镜图像中的细胞体，特别是神经元和星形胶质细胞中的Na和Ca成像数据	计算机视觉	NA	深度学习	NA	图像	NA