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
1061	2024-08-05	DeepSP: Deep learning-based spatial properties to predict monoclonal antibody stability 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.05.029 PMID:38827232	研究论文	本研究开发了一种基于深度学习的模型DeepSP，以预测单克隆抗体的空间特性和稳定性	提出了一种无需进行分子动力学模拟的深度学习替代模型，能够直接基于抗体序列预测空间聚集倾向和空间电荷图	研究模型的表现依赖于已有的抗体序列数据集，可能不适用于所有抗体	旨在提高单克隆抗体开发的效率，并降低计算时间	使用20530个抗体序列数据集来训练DeepSP模型	机器学习	NA	深度学习	卷积神经网络 (CNN)	序列	20530个抗体序列
1062	2024-08-07	AnoChem: Prediction of chemical structural abnormalities based on machine learning models 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.05.017 PMID:38808129	研究论文	本文介绍了一种基于深度学习的计算框架AnoChem，用于评估生成模型提出的分子是否真实	AnoChem能够准确区分真实和生成的分子，其接收者操作特征曲线下的面积得分为0.900	NA	旨在开发一种方法，能够准确评估药物设计中生成模型提出的化学结构	生成模型提出的分子真实性	机器学习	NA	深度学习	NA	化学结构数据	NA
1063	2024-08-07	Improved noise reduction in photon-counting detector CT using prior knowledge-aware iterative denoising neural network 2024-Dec, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.S1.S12804 PMID:38799270	研究论文	本文旨在通过开发一种先验知识感知迭代去噪神经网络（PKAID-Net），减少光子计数探测器（PCD）CT扫描中高分辨率虚拟单能图像（VMIs）的图像噪声	PKAID-Net利用低噪声VMI（如70 keV）作为先验输入，并通过迭代构建改进的训练数据集来提高神经网络的去噪性能	NA	减少光子计数探测器CT扫描中高分辨率虚拟单能图像的图像噪声	光子计数探测器CT扫描中的高分辨率虚拟单能图像	计算机视觉	NA	光子计数探测器CT扫描	神经网络	图像	10例患者冠状动脉CT血管造影检查
1064	2024-08-07	Computational modeling for deciphering tissue microenvironment heterogeneity from spatially resolved transcriptomics 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.05.028 PMID:38800634	研究论文	本文探讨了从空间转录组学数据中解析组织微环境异质性的计算建模方法	文章分类并讨论了基于机器学习、概率模型和深度学习的三类计算方法，并展望了未来计算方法的发展方向	NA	开发计算方法以揭示空间转录组学数据中的组织微环境异质性	空间转录组学数据中的空间域检测和空间解卷积	生物信息学	NA	空间转录组学	机器学习、概率模型、深度学习	转录组学数据	NA
1065	2024-08-07	Contagious infection-free medical interaction system with machine vision controlled by remote hand gesture during an operation 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.05.006 PMID:38800692	研究论文	本文介绍了一种无接触感染的医疗交互系统，通过远程手势控制机器视觉在手术中操作医疗图像	开发了一种集成系统，包括手部地标检测、手部指向和手势识别三个关键模块，以及一种深度增强算法和地标几何约束算法	NA	旨在开发一种无接触感染的医疗交互系统，以减少手术中因直接接触设备而导致的感染风险	医疗图像操作和手势识别技术	计算机视觉	NA	深度学习	CNN	图像	NA
1066	2024-08-07	From explainable to interpretable deep learning for natural language processing in healthcare: How far from reality? 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.05.004 PMID:38800693	综述	本文对医疗领域自然语言处理中可解释和可理解的深度学习进行了全面的范围审查	引入了“可解释和可理解的人工智能”（XIAI）这一术语，并分析了注意力机制作为最普遍的新兴IAI技术，以及结合深度学习与因果逻辑的潜力	大多数XIAI未探索“全局”建模过程，缺乏最佳实践和系统评估及基准	探讨在医疗自然语言处理中实现深度学习模型的可解释性和可理解性	深度学习在医疗自然语言处理中的应用及其可解释性和可理解性	自然语言处理	NA	注意力机制	深度学习模型	文本	NA
1067	2024-08-07	SwinD-Net: a lightweight segmentation network for laparoscopic liver segmentation 2024-12, Computer assisted surgery (Abingdon, England) DOI:10.1080/24699322.2024.2329675 PMID:38504595	研究论文	提出了一种基于跳跃连接、深度可分离卷积和Swin Transformer块的轻量级分割网络SwinD-Net，用于腹腔镜肝脏分割	引入了Swin Transformer块以提取全局信息和捕获高级语义特征，同时通过减少浅层特征图的通道数和去除第一层的跳跃连接来降低计算开销	NA	旨在开发一种轻量级的分割网络，以满足实时计算需求，特别是在计算资源有限的医院环境中	腹腔镜肝脏分割	计算机视觉	NA	深度可分离卷积, Swin Transformer块	SwinD-Net	图像	CholecSeg8k数据集
1068	2024-08-07	A mini-review on perturbation modelling across single-cell omic modalities 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.04.058 PMID:38721585	综述	本文回顾了单细胞组学领域中扰动建模的主要目标，并总结了基于遗传操作如CRISPR或化合物的单细胞扰动新技术，跨越不同组学模式	讨论了大型基础模型在单细胞扰动建模中的兴起，灵感来源于大型语言模型，并介绍了多种计算方法，从经典的统计推断到各种机器学习和深度学习架构	随着工具和数据集的激增，实验生物学家和计算科学家难以跟上这一迅速扩展领域的最新进展	全面掌握外部影响如疾病发作或分子敲除对细胞生理的影响，特别是在转录因子、信号转导器、生物途径和动态细胞状态上	单细胞组学数据中的扰动现象	机器学习	NA	CRISPR	浅层模型、自编码器	单细胞数据	NA
1069	2024-08-07	Finding and following: a deep learning-based pipeline for tracking platelets during thrombus formation in vivo and ex vivo 2024-Dec, Platelets IF:2.5Q2 DOI:10.1080/09537104.2024.2344512 PMID:38722090	研究论文	本文介绍了一种基于深度学习的分析流程，用于在体内和体外血栓形成过程中追踪血小板	该流程包括检测、追踪、追踪准确性评估和血小板指标量化四个步骤，使用深度学习网络进行图像分割和标准粒子追踪算法，提高了追踪准确性	NA	开发一种新的分析流程，用于在血栓形成过程中追踪血小板	血小板在血栓形成过程中的动态行为	计算机视觉	NA	深度学习	CNN	图像	NA
1070	2024-08-07	A contrastive learning approach to integrate spatial transcriptomics and histological images 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.04.039 PMID:38707535	研究论文	本文介绍了一种基于对比学习的模型ConGcR，用于整合基因表达、空间位置和组织形态学数据，以进行数据表示和空间组织结构识别	提出了ConGcR模型，结合图卷积和ResNet作为编码器，并进一步通过图自编码器ConGaR增强模型，以更好地建模空间嵌入表示	NA	旨在有效整合空间多模态数据，提高组织结构识别的准确性	基因表达、空间位置和组织形态学数据	计算机视觉	NA	对比学习	图卷积网络、ResNet	基因表达数据、图像	16个人脑样本、4个鸡心样本、8个乳腺癌样本和30个人类肺部空间转录组样本