深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
801	2024-12-15	Deep learning-based body composition analysis from whole-body magnetic resonance imaging to predict all-cause mortality in a large western population 2024-Dec, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2024.105467 PMID:39622188	研究论文	本文开发并测试了一种基于深度学习的框架，用于从全身磁共振成像（MRI）中自动量化体积身体成分测量，并研究其在预测西方大人群全因死亡率中的预后价值	本文首次使用深度学习技术自动量化全身MRI中的体积身体成分测量，并验证其在预测全因死亡率中的预后价值	本文仅在西方人群中进行了验证，尚未在其他人群中进行测试	开发一种基于深度学习的框架，用于自动量化全身MRI中的体积身体成分测量，并评估其在预测全因死亡率中的预后价值	全身MRI中的体积身体成分测量，包括皮下脂肪组织（SAT）、内脏脂肪组织（VAT）、骨骼肌（SM）、骨骼肌脂肪分数（SMFF）和肌内脂肪组织（IMAT）	计算机视觉	NA	深度学习	深度学习框架	图像	36,317名UKBB参与者（平均年龄65.1±7.8岁，年龄范围45-84岁；51.7%为女性；1.7%全因死亡率；中位随访4.8年）和23,725名NAKO参与者（平均年龄53.9±8.3岁，年龄范围40-75；44.9%为女性）	NA	NA	NA	NA
802	2024-12-15	Deep learning-based prediction of nodal metastasis in lung cancer using endobronchial ultrasound 2024-Dec, JTCVS techniques IF:1.7Q2 DOI:10.1016/j.xjtc.2024.09.008 PMID:39669341	研究论文	本文评估了基于深度学习的卷积神经网络在无监督情况下从内窥镜超声视频中自动提取图像，用于预测肺癌淋巴结转移的诊断性能	本文首次使用卷积神经网络从内窥镜超声视频中自动提取图像，进行肺癌淋巴结转移的预测	研究仅基于单中心数据库，未来需要在大规模前瞻性研究中验证算法的有效性	评估基于深度学习的卷积神经网络在预测肺癌淋巴结转移中的诊断性能	肺癌患者的纵隔和肺门淋巴结	计算机视觉	肺癌	卷积神经网络	SqueezeNet	视频	来自单中心数据库的患者和淋巴结数据	NA	NA	NA	NA
803	2024-12-15	Automated crack localization for road safety using contextual u-net with spatial-channel feature integration 2024-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2024.102796 PMID:39669512	研究论文	本文提出了一种基于上下文U-Net深度学习模型的道路裂缝自动定位框架	该框架采用EfficientNet编码器捕捉道路图像中的空间特征和通道特征，并通过自定义的分层注意力机制使模型能够适应不同尺度和分辨率的裂缝定位	NA	提高道路裂缝定位的准确性和及时性，以保障道路安全和维护	道路图像中的裂缝	计算机视觉	NA	深度学习	U-Net	图像	基准数据集和自定义数据集	NA	NA	NA	NA
804	2024-12-15	DCSGMDA: A dual-channel convolutional model based on stacked deep learning collaborative gradient decomposition for predicting miRNA-disease associations 2024-Dec, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108201 PMID:39255626	研究论文	提出了一种基于堆叠深度学习协作梯度分解的双通道卷积模型DCSGMDA，用于预测miRNA与疾病之间的关联	创新点在于使用了堆叠深度学习和梯度分解网络，结合双通道卷积神经网络来挖掘潜在特征，并通过多层感知器进行关联评分	未提及具体的局限性	研究miRNA与疾病之间的关系，以加深对其发病机制的理解，并促进特定疾病的药物研究	miRNA与疾病之间的潜在关联	机器学习	NA	堆叠深度学习、梯度分解网络、卷积神经网络	双通道卷积神经网络、多层感知器	网络数据	使用了基于Human MicroRNA Disease Database (HMDD)的两个数据集进行5折和10折交叉验证实验	NA	NA	NA	NA
805	2024-12-15	Autoencoder-based drug synergy framework for malignant diseases 2024-Dec, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108273 PMID:39522484	研究论文	提出了一种基于自编码器的药物协同作用框架，用于恶性疾病的治疗	提出了AESyn框架，利用词袋编码技术提取药物靶向基因，并通过自编码器提取药物特征，实现了稳定的、与顺序无关的药物协同预测	未提及具体的局限性	寻找有效的药物组合以提高恶性疾病的治疗效果	药物组合及其协同作用	机器学习	恶性疾病	自编码器	自编码器	文本	使用了NCI-ALMANAC和O'Neil数据集的数据	NA	NA	NA	NA
806	2024-12-15	Unveiling the distinctive variations in multi-omics triggered by TP53 mutation in lung cancer subtypes: An insight from interaction among intratumoral microbiota, tumor microenvironment, and pathology 2024-Dec, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108274 PMID:39531992	研究论文	本文研究了TP53突变在肺腺癌和肺鳞癌亚型中引发的多种组学变化，并探讨了肿瘤内微生物群、肿瘤微环境和病理学之间的相互作用	提出了一个基于病理图像的多模态深度学习模型，用于预测TP53突变，并在肺腺癌中取得了较高的AUC值	研究仅限于TCGA和CPTAC数据库中的样本，未涵盖所有可能的肺腺癌和肺鳞癌病例	探讨TP53突变在不同肺部癌症亚型中的影响，并评估深度学习方法在预测TP53突变中的潜力	肺腺癌和肺鳞癌患者的肿瘤内微生物群、肿瘤免疫微环境和病理学特征	数字病理学	肺癌	深度学习	多模态深度学习模型	图像	992名非小细胞肺癌患者的数据来自TCGA，332名非小细胞肺癌患者的数据来自CPTAC	NA	NA	NA	NA
807	2024-12-15	HiMolformer: Integrating graph and sequence representations for predicting liver microsome stability with SMILES 2024-Dec, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108263 PMID:39536405	研究论文	提出了一种结合图和序列表示的混合模型HiMolformer，用于预测分子在肝脏微粒体中的代谢稳定性	首次尝试使用回归方法结合单一SMILES输入来开发小鼠和人类肝脏微粒体预测模型，并整合了基于图和序列的预训练模型	NA	开发一种新的混合模型来预测分子在肝脏微粒体中的代谢稳定性	分子在肝脏微粒体中的代谢稳定性	机器学习	NA	图神经网络（GNN）和Transformer模型	混合模型	分子数据	3498个分子，包含小鼠和人类肝脏微粒体的实验数据	NA	NA	NA	NA
808	2024-12-15	Real-World and Clinical Trial Validation of a Deep Learning Radiomic Biomarker for PD-(L)1 Immune Checkpoint Inhibitor Response in Advanced Non-Small Cell Lung Cancer 2024-Dec, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.24.00133 PMID:39671539	研究论文	本研究开发并验证了一种基于深度学习的放射组学生物标志物，用于预测晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应	首次使用真实世界数据和临床试验数据验证了一种基于深度学习的放射组学生物标志物，用于预测免疫检查点抑制剂治疗的反应	研究仅限于晚期非小细胞肺癌患者，且依赖于特定的CT/PET-CT扫描数据	开发并验证一种新的深度学习放射组学生物标志物，用于预测晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应	晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应	数字病理学	肺癌	深度学习	深度学习特征提取器和生存模型	图像	1829名接受PD-(L)1免疫检查点抑制剂治疗的晚期非小细胞肺癌患者	NA	NA	NA	NA
809	2024-12-14	VAEEG: Variational auto-encoder for extracting EEG representation 2024-Dec-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120946 PMID:39571641	研究论文	本文提出了一种基于变分自编码器（VAE）的EEG信号自监督学习模型VAEEG，用于提取脑活动的有用表示	VAEEG模型在EEG信号的重建性能上表现出色，并能有效提取与青少年脑发育、癫痫发作和睡眠阶段分类相关的潜在特征	NA	研究如何从复杂的EEG信号中提取更直观、简洁且有用的脑活动表示	EEG信号及其在青少年脑发育、癫痫发作和睡眠阶段分类中的应用	机器学习	NA	变分自编码器（VAE）	变分自编码器（VAE）	脑电图（EEG）信号	NA	NA	NA	NA	NA
810	2024-12-14	Deep learning applied to the segmentation of rodent brain MRI data outperforms noisy ground truth on full-fledged brain atlases 2024-Dec-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120934 PMID:39577575	研究论文	本文研究了深度学习模型在啮齿动物脑部MRI数据分割中的应用，发现其性能优于基于噪声标签的全脑图谱	本文首次展示了深度学习模型在啮齿动物脑部MRI数据分割中的应用，能够处理不同动物品系和尺寸的变化，并提供了不确定性估计和可解释性机制	本文仅在啮齿动物脑部MRI数据上进行了验证，尚未在其他类型的脑部图像或其他物种上进行测试	研究深度学习模型在啮齿动物脑部MRI数据分割中的应用，以提高定量分析的准确性	啮齿动物脑部MRI图像的自动分割	计算机视觉	NA	MRI	U-Net, Attention-U-Net, DeepLab	图像	超过10,000张啮齿动物脑部MRI图像	NA	NA	NA	NA
811	2024-12-14	Generative modeling of the Circle of Willis using 3D-StyleGAN 2024-Dec-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120936 PMID:39586344	研究论文	本文使用3D-StyleGAN生成Circle of Willis的Time-of-Flight磁共振血管成像（TOF MRA）数据，以解决医学数据稀缺问题	本文首次将StyleGANv2架构应用于3D，生成高质量且多样化的TOF MRA数据，并在下游任务中展示了其效用	本文未提及生成数据在其他病理数据集或不同医学成像模式中的应用效果	开发一种生成模型，用于合成Circle of Willis的3D TOF MRA数据，以提高深度学习模型在脑血管疾病诊断和治疗中的应用	Circle of Willis的脑血管结构	计算机视觉	脑血管疾病	3D-StyleGAN	StyleGANv2	图像	1782个TOF MRA扫描数据	NA	NA	NA	NA
812	2024-12-14	Differentiating atypical parkinsonian syndromes with hyperbolic few-shot contrastive learning 2024-Dec-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120940 PMID:39586345	研究论文	本文提出了一种新的少样本学习框架，用于在有限的训练数据下区分多系统萎缩帕金森型（MSA-P）和进行性核上性麻痹（PSP）	本文引入了超曲面空间嵌入技术，通过识别非目标分类类别的铁积累模式特征区域，增强了模型的稳定性	本文的实验结果主要基于特定的数据集和模型，可能需要进一步验证其在其他数据集和场景中的泛化能力	解决在有限训练数据下区分非典型帕金森综合征（APS）中不同亚型的挑战	多系统萎缩帕金森型（MSA-P）和进行性核上性麻痹（PSP）	机器学习	神经退行性疾病	少样本学习	对比学习	图像	少量数据样本	NA	NA	NA	NA
813	2024-12-14	Identification, characterization, and design of plant genome sequences using deep learning 2024-Dec-12, The Plant journal : for cell and molecular biology DOI:10.1111/tpj.17190 PMID:39666835	综述	本文综述了深度学习在植物基因组序列分析中的应用，包括基因表达预测、染色质相互作用和表观遗传特征的识别，并详细阐述了基于生成对抗网络、大模型和注意力机制的基序挖掘和功能组件设计与合成	本文详细介绍了基于生成对抗网络、大模型和注意力机制的基序挖掘和功能组件设计与合成，并讨论了深度学习在蛋白质结构和功能预测、基因组预测和大模型应用方面的进展	NA	探讨深度学习在植物生物学中的应用及其未来发展前景	植物基因组序列、基因表达、染色质相互作用、表观遗传特征、蛋白质结构和功能、基因组预测	机器学习	NA	深度学习	生成对抗网络、大模型、注意力机制	基因组序列	NA	NA	NA	NA	NA
814	2024-12-13	Improved Prediction of Ligand-Protein Binding Affinities by Meta-modeling 2024-Dec-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01116 PMID:39576762	研究论文	本文开发了一个框架，通过元建模方法整合基于力场的经验对接模型和基于序列的深度学习模型，以提高配体-蛋白质结合亲和力的预测准确性	本文的创新点在于通过元建模方法整合多种模型，显著提高了结合亲和力的预测性能，并展示了更好的数据库扩展性和灵活性	NA	提高配体-蛋白质结合亲和力的预测准确性	配体-蛋白质结合亲和力	机器学习	NA	元建模	深度学习模型	序列数据	NA	NA	NA	NA	NA
815	2024-12-14	Digital Image Processing to Detect Adaptive Evolution 2024-Dec-06, Molecular biology and evolution IF:11.0Q1 DOI:10.1093/molbev/msae242 PMID:39565932	研究论文	本文探讨了利用数字图像处理技术，特别是α-分子方法，从单倍型比对的图像表示中提取特征，以检测基因组中的适应性进化	本文引入了α-分子技术，如小波分解和曲线分解，这些技术能够从图像中提取多尺度特征，并结合卷积神经网络自动提取重要特征	NA	研究目的是通过数字图像处理技术检测基因组中自然选择的区域	研究对象是基因组数据中的单倍型比对图像	计算机视觉	NA	数字图像处理	卷积神经网络	图像	NA	NA	NA	NA	NA
816	2024-12-14	Artificial intelligence-driven quantification of antibiotic-resistant Bacteria in food by color-encoded multiplex hydrogel digital LAMP 2024-Dec-04, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2024.142304 PMID:39667227	研究论文	本文开发了一种基于人工智能的颜色编码多重水凝胶数字LAMP系统，用于食品中抗生素抗性细菌的定量检测	首次在多重数字LAMP中引入未掺入扩增信号报告物淬灭（QUASR），并利用深度学习模型自动识别和量化荧光点	NA	开发一种新方法用于食品中抗生素抗性细菌的定量检测	食品中的耐甲氧西林金黄色葡萄球菌和耐碳青霉烯类大肠杆菌	NA	NA	数字LAMP	深度学习模型	图像	真实水果和蔬菜样本	NA	NA	NA	NA
817	2024-09-24	Validation of a deep learning model for classification of pediatric pneumonia in Hong Kong 2024-Dec-02, Vaccine IF:4.5Q2 DOI:10.1016/j.vaccine.2024.126370 PMID:39307024	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
818	2024-12-14	Evaluation of deep learning based dose prediction in head and neck cancer patients using two different types of input contours 2024-Dec, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.14519 PMID:39285649	研究论文	本研究评估了基于深度学习的剂量预测方法在头颈癌患者中的应用，使用两种不同类型的输入轮廓	本研究首次使用两种不同类型的输入轮廓（8通道和10通道模型）来评估深度学习在头颈癌患者剂量预测中的表现，并发现10通道模型在某些剂量指标上表现更优	研究样本量较小，仅包括75名患者，且测试集只有10个病例	评估深度学习在头颈癌患者剂量预测中的准确性和可行性	头颈癌患者的剂量预测	机器学习	头颈癌	深度学习	U-net	图像	75名头颈癌患者	NA	NA	NA	NA
819	2024-12-14	Ranking attention multiple instance learning for lymph node metastasis prediction on multicenter cervical cancer MRI 2024-Dec, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.14547 PMID:39369718	研究论文	本文开发了一种基于排名注意力多实例学习（RA-MIL）模型的方法，用于从多中心宫颈癌MRI中预测淋巴结转移	提出了集成卷积神经网络（CNN）和排名注意力池化的RA-MIL模型，用于从T2 MRI中诊断淋巴结转移，并通过可视化信息区域增强模型的可解释性	研究是回顾性的，样本量相对较小，且仅使用了T2加权MRI	开发一种非侵入性且术前预测淋巴结转移的方法	宫颈癌患者的淋巴结转移预测	计算机视觉	宫颈癌	卷积神经网络（CNN）	RA-MIL	图像	300名接受T2加权磁共振成像（MRI）扫描和病理诊断的宫颈癌女性患者	NA	NA	NA	NA
820	2024-12-14	A review of deep learning approaches for multimodal image segmentation of liver cancer 2024-Dec, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.14540 PMID:39374312	综述	本文综述了深度学习技术在肝癌多模态图像分割中的最新进展	探讨了深度学习方法在多模态图像融合分割中的应用，并讨论了各种深度学习架构如卷积神经网络（CNN）和U-Net的优势	强调了当前研究中的挑战，如数据不平衡、模型泛化能力和模型可解释性	探讨深度学习技术在肝癌多模态图像分割中的应用，以提高临床决策的准确性和效率	肝癌的多模态图像分割	计算机视觉	肝癌	深度学习	卷积神经网络（CNN）、U-Net	图像	NA	NA	NA	NA	NA