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
121	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
122	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
123	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
124	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
125	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
126	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
127	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
128	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
129	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
130	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
131	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
132	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
133	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
134	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
135	2024-12-11	SKGC: A General Semantic-Level Knowledge Guided Classification Framework for Fetal Congenital Heart Disease 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3426068 PMID:38985556	研究论文	提出了一种基于语义级知识引导的分类框架SKGC，用于胎儿先天性心脏病的诊断	SKGC框架结合了语义级知识提取模块、多知识融合模块和分类模块，通过少量标注掩码显著提高了分类准确率	实验仅在两个数据集上进行了验证，可能需要更多数据集的验证以证明其通用性	开发一种新的方法来提高胎儿先天性心脏病超声图像的分类准确率	胎儿四腔心超声图像的正常与异常分类	计算机视觉	先天性心脏病	深度学习	CNN	图像	使用了NA-4CH和FEST两个数据集，具体样本数量未明确提及
136	2024-12-11	OVAR-BPnet: A General Pulse Wave Deep Learning Approach for Cuffless Blood Pressure Measurement 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3423461 PMID:38963748	研究论文	本文提出了一种基于深度学习的无袖带血压测量方法，名为OVAR-BPnet，用于从多种脉搏波中捕捉复杂特征并进行血压估计	首次验证了深度学习方法在三种脉搏波（光电容积描记法、前额成像光电容积描记法和桡动脉脉搏波形）上的血压估计性能，并采用了数据增强策略和标签序列正则化策略	NA	开发一种通用的脉搏波深度学习方法，用于无袖带血压测量	脉搏波特征和血压估计	机器学习	心血管疾病	深度学习	CNN、Vision Transformer、多层感知器	脉搏波	多种类型的脉搏波数据
137	2024-12-11	MS-DINO: Masked Self-Supervised Distributed Learning Using Vision Transformer 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3423797 PMID:38968015	研究论文	本文提出了一种名为MS-DINO的自监督掩码采样蒸馏技术，适用于视觉Transformer架构，旨在解决医疗领域中数据稀缺、隐私问题和数据所有权争议	提出了MS-DINO方法，通过自监督掩码采样蒸馏技术，减少了通信需求，增强了隐私保护，并减轻了客户端设备的计算负担	未提及具体限制	解决医疗领域中数据稀缺、隐私问题和数据所有权争议，同时减少通信和计算开销	自监督分布式学习方法在医疗领域的应用	计算机视觉	NA	自监督学习	Transformer	图像	未提及具体样本数量
138	2024-12-11	Review of Machine Learning Techniques in Soft Tissue Biomechanics and Biomaterials 2024-Oct, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-024-00737-y PMID:38956008	综述	本文综述了机器学习技术在软组织生物力学和生物材料中的应用，重点介绍了心血管工程中的应用	机器学习技术在软组织生物力学领域的应用相较于传统方法具有显著优势，尤其是在评估软生物组织和生物材料的机械特性方面	本文主要基于现有文献进行综述，未提出新的算法或模型，且未涉及具体实验验证	探讨机器学习技术在软组织生物力学和生物材料中的应用，尤其是心血管工程中的应用	软生物组织和生物材料的机械特性评估	机器学习	心血管疾病	机器学习	神经网络	图像	NA
139	2024-12-11	PSTNet: Enhanced Polyp Segmentation With Multi-Scale Alignment and Frequency Domain Integration 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3421550 PMID:38954569	研究论文	提出了一种名为PSTNet的新型网络，通过多尺度对齐和频率域集成来增强结肠息肉的分割	引入了频率域信息，并设计了三个关键模块（FCAM、FSAM和CPM）来提高息肉分割的准确性	未提及	提高结肠镜图像中结肠息肉的分割准确性，从而更有效地诊断和管理结直肠癌	结肠息肉的分割	计算机视觉	结直肠癌	深度学习	PSTNet	图像	未提及
140	2024-12-11	Cross-Anatomy Transfer Learning via Shape-Aware Adaptive Fine-Tuning for 3D Vessel Segmentation 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3422177 PMID:38954568	研究论文	本文提出了一种跨解剖结构的迁移学习框架，用于3D血管分割，通过形状感知的自适应微调策略来克服不同解剖结构之间的域偏移问题	提出了一个形状感知的自适应微调策略，并开发了基于高斯的有符号距离图来显式编码血管特定的形状上下文，以辅助分割网络捕捉几何感知知识	实验仅在冠状动脉和脑部血管的小规模数据集上进行了验证，尚未在大规模多解剖结构数据集上进行广泛测试	解决跨解剖结构血管分割中的域偏移问题，提高分割精度	跨解剖结构的血管分割，特别是肝脏、冠状动脉和脑部血管	计算机视觉	NA	迁移学习	3D分割网络	3D图像	两个小规模数据集，包括冠状动脉和脑部血管