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
19981	2024-08-07	Deep learning-assisted comparative analysis of animal trajectories with DeepHL 2020-10-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-19105-0 PMID:33082335	研究论文	本研究介绍了DeepHL平台，一个利用深度学习辅助进行动物运动轨迹比较分析的工具	DeepHL平台采用基于注意力机制的深度神经网络，自动检测并突出显示轨迹中特定于某个群体的特征段，帮助生物学家揭示这些特征段的潜在意义	NA	旨在通过深度学习技术辅助生物学家进行动物行为轨迹的比较分析	多种动物（如蠕虫、昆虫、老鼠、熊和海鸟）的运动轨迹	机器学习	NA	深度学习	基于注意力机制的深度神经网络	轨迹数据	多种动物的运动轨迹，范围从毫米到数百公里
19982	2024-08-07	Non-invasive decision support for NSCLC treatment using PET/CT radiomics 2020-10-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-19116-x PMID:33067442	研究论文	本文报道了一种基于F-FDG-PET/CT的深度学习模型，用于非小细胞肺癌（NSCLC）治疗决策支持，特别是EGFR突变状态的预测。	该研究开发了一种非侵入性的深度学习评分（EGFR-DLS），能够精确量化NSCLC患者的EGFR突变状态，有助于指导治疗选择。	NA	旨在开发一种新的方法来帮助指导非小细胞肺癌的治疗选择。	非小细胞肺癌（NSCLC）患者的治疗决策支持。	机器学习	肺癌	PET/CT	深度学习模型	图像	多个机构的患者群体
19983	2024-08-07	Exploration into biomarker potential of region-specific brain gene co-expression networks 2020-10-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-73611-1 PMID:33051491	研究论文	本研究利用GTEx项目的RNA表达数据构建了正常大脑的基因共表达网络（GCN），并基于大脑结构将其整合为六个大脑迷你GCN，以探索其作为生物标志物的潜力	首次构建了基于大脑区域的基因共表达网络，并发现这些网络中的基因在肿瘤中显示出更高的突变率	NA	探索大脑区域特异性基因共表达网络作为生物标志物的潜力	大脑区域特异性基因共表达网络及其在肿瘤中的突变情况	基因组学	脑肿瘤	RNA表达分析	深度学习分类器（Gene Oracle）	基因表达数据	来自GTEx项目的多个大脑区域样本
19984	2024-08-07	AI for radiographic COVID-19 detection selects shortcuts over signal 2020-Oct-07, medRxiv : the preprint server for health sciences DOI:10.1101/2020.09.13.20193565 PMID:32995822	研究论文	本文通过可解释的人工智能技术，揭示了用于检测胸部X光片中COVID-19的深度学习系统依赖于混杂因素而非医学病理特征的问题	首次展示了AI系统在检测COVID-19时可能依赖于非医学相关的“捷径”而非真正的病理特征	揭示了AI系统在不同医院环境下的性能下降问题，表明现有评估方法不足以确保AI系统依赖于医学相关的病理特征	探讨AI在医学影像中检测COVID-19的准确性和鲁棒性	用于检测COVID-19的AI系统及其在不同环境下的表现	计算机视觉	COVID-19	可解释的人工智能	深度学习	图像	NA
19985	2024-08-07	Unveiling COVID-19 from CHEST X-Ray with Deep Learning: A Hurdles Race with Small Data 2020-09-22, International journal of environmental research and public health DOI:10.3390/ijerph17186933 PMID:32971995	研究论文	本研究探讨了使用深度学习技术从胸部X光片中筛查COVID-19患者的可行性，并分析了小数据集带来的挑战	研究提供了关于使用深度学习进行COVID-19分类的CXR图像的方法论指南和统计结果的批判性阅读，并展示了使用较大公共非COVID CXR数据集进行迁移学习引入的偏差	研究受限于当前COVID-19数据集的小规模	验证使用CXR图像有效区分COVID-19的可能性	COVID-19患者的胸部X光片	计算机视觉	COVID-19	深度学习	NA	图像	中等规模的COVID-19 CXR数据集，由意大利北部一家主要急诊医院在COVID-19疫情高峰期间收集
19986	2024-08-07	Application of deep learning for fast detection of COVID-19 in X-Rays using nCOVnet 2020-Sep, Chaos, solitons, and fractals DOI:10.1016/j.chaos.2020.109944 PMID:32536759	研究论文	本文提出了一种基于深度学习神经网络的方法nCOVnet，用于通过分析患者的X射线图像快速检测COVID-19	提出了一种基于深度学习神经网络的快速筛查方法nCOVnet，用于自动分析X射线图像以检测COVID-19	NA	开发一种快速筛查方法以帮助在COVID-19大流行期间进行有效的检测	COVID-19患者的X射线图像	计算机视觉	COVID-19	深度学习	神经网络	图像	NA
19987	2024-08-07	Artificial Intelligence and Health in Nepal 2020-Sep, Nepal journal of epidemiology IF:1.7Q3 DOI:10.3126/nje.v10i3.31649 PMID:33042595	短通讯	本文概述了人工智能、机器学习、深度学习和大数据等关键术语，并强调了人工智能在健康领域的应用对低收入国家如尼泊尔的重要性	强调尼泊尔需要培养本地的人工智能专家，并投资于本地资源，以开发适合国家或南亚地区的解决方案	NA	探讨人工智能在尼泊尔健康领域的应用潜力，并强调尼泊尔教育和卫生系统需要跟踪这些发展并本地化应用	人工智能在健康领域的应用及其对尼泊尔的影响	人工智能	NA	人工智能	NA	大数据	NA
19988	2024-08-07	A Weak and Semi-supervised Segmentation Method for Prostate Cancer in TRUS Images 2020-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-020-00323-3 PMID:32043178	研究论文	本研究旨在开发一种弱监督和半监督深度学习框架，用于在TRUS图像中分割前列腺癌，减轻放射科医生绘制病变边界和在无完整标注数据上训练神经网络的时间消耗	提出了一种结合强监督和弱监督数据的方法，通过迭代更新标签提高分割性能	尽管该方法在弱监督和半监督数据上表现优于仅使用少量强监督数据的方法，但性能提升不如使用完全强监督数据集	开发一种新的深度学习框架，用于在TRUS图像中分割前列腺癌，减少放射科医生的工作负担	前列腺癌在TRUS图像中的分割	计算机视觉	前列腺癌	深度学习	神经网络	图像	102例图像数据集，其中22张用于评估
19989	2024-08-07	Cellular and Molecular Probing of Intact Human Organs 2020-02-20, Cell IF:45.5Q1 DOI:10.1016/j.cell.2020.01.030 PMID:32059778	研究论文	本研究开发了一种名为SHANEL的新方法，用于使坚硬的人体器官透明化，并进行细胞和分子水平的3D研究	SHANEL方法允许对成年人体器官进行透明化处理，并进行深达厘米级的3D组织学研究，同时开发了深度学习管道来快速分析大量细胞	NA	开发一种新技术，以实现对人体复杂组织的细胞和分子水平的3D研究	成年人体器官，包括大脑、肾脏、眼睛和甲状腺，以及转基因猪的胰腺	数字病理学	NA	组织通透化方法	深度学习	图像	多个成年人体器官和转基因猪胰腺
19990	2024-08-07	MULTI-DEEP: A novel CAD system for coronavirus (COVID-19) diagnosis from CT images using multiple convolution neural networks 2020, PeerJ IF:2.3Q2 DOI:10.7717/peerj.10086 PMID:33062453	研究论文	本文提出了一种基于多个卷积神经网络融合的新型计算机辅助诊断系统，用于从CT图像中诊断COVID-19	该系统通过融合多个卷积神经网络，并使用支持向量机分类器和主成分分析来提取和分类深度特征，提高了诊断准确性和效率	公开可用的CT图像数据集的缺乏使得CAD系统的设计具有挑战性	开发一种高效的计算机辅助诊断系统，用于早期检测和准确诊断COVID-19	COVID-19的CT图像	计算机视觉	COVID-19	卷积神经网络	CNN	图像	未明确提及样本数量
19991	2024-08-07	Immune contexture analysis in immuno-oncology: applications and challenges of multiplex fluorescent immunohistochemistry 2020, Clinical & translational immunology IF:4.6Q2 DOI:10.1002/cti2.1183 PMID:33072322	研究论文	本文讨论了基于多重荧光免疫组织化学和深度学习技术的定量图像分析在免疫肿瘤学中的应用和发展，以及在临床环境中有效使用该技术的挑战	介绍了使用Vectra自动化数字病理系统和FCS express流式细胞仪软件进行多重荧光染色肿瘤切片分析的工作流程	讨论了在临床环境中有效使用多重荧光免疫组织化学技术的挑战	理解肿瘤微环境中复杂的免疫结构交互作用，以指导患者选择、临床试验设计、联合治疗和患者管理	肿瘤微环境中的免疫结构分析	数字病理学	肿瘤学	多重荧光免疫组织化学	深度学习	图像	NA
19992	2024-08-07	Deep Learning-Based Human Activity Recognition for Continuous Activity and Gesture Monitoring for Schizophrenia Patients With Negative Symptoms 2020, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2020.574375 PMID:33192706	研究论文	本研究旨在开发一种基于手腕佩戴设备的人类活动识别（HAR）模型，用于评估精神分裂症患者负面症状相关的活动。	本研究首次在临床试验环境中使用手腕佩戴设备来推导基于活动和手势的数字结果测量，以评估精神分裂症患者的负面症状。	研究样本量较小，且仅限于精神分裂症患者，可能限制了结果的普遍性。	开发和验证一种用于监测精神分裂症患者负面症状相关活动的人类活动识别模型。	精神分裂症患者及其负面症状。	机器学习	精神分裂症	NA	NA	活动数据	33名患者
19993	2024-08-07	Automated detection of cerebral microbleeds in MR images: A two-stage deep learning approach 2020, NeuroImage. Clinical DOI:10.1016/j.nicl.2020.102464 PMID:33395960	研究论文	本文提出了一种两阶段深度学习方法，用于在磁共振图像中自动检测脑微出血	该方法结合了基于区域的YOLO阶段用于潜在脑微出血候选检测和三维卷积神经网络（3D-CNN）阶段用于减少假阳性	研究仅使用了高和低平面分辨率的数据进行训练和评估	开发一种有效的自动检测脑微出血的方法	脑微出血的自动检测	计算机视觉	脑血管疾病	深度学习	YOLO, 3D-CNN	图像	72名受试者包含188个脑微出血和107名受试者包含572个脑微出血
19994	2024-08-07	Toward a clinical text encoder: pretraining for clinical natural language processing with applications to substance misuse 2019-11-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocz072 PMID:31233140	研究论文	本文旨在开发用于临床自然语言处理的临床文本编码器，并通过预训练方法在账单代码数据上进行实验，以提高在多种表型任务中的性能	探索了多种神经编码器架构，并通过预训练账单代码数据来解决临床自然语言处理中获取大型数据集的难题	讨论了预训练方法的潜在局限性	开发能够将临床文本编码为可用于多种表型任务的表示的算法	临床文本编码器及其在临床文本分类任务中的应用	自然语言处理	NA	深度学习方法	神经编码器	文本	大量账单代码数据
19995	2024-08-07	Cohort selection for clinical trials using deep learning models 2019-11-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocz139 PMID:31532478	研究论文	本文探讨了使用深度学习模型进行临床试验队列选择的任务，评估了几种深度学习架构的性能	研究了全连接前馈层对不同深度学习架构性能的影响	数据集规模有限，结果没有统计显著性	评估几种深度学习架构在临床试验队列选择任务中的表现	临床试验队列选择	自然语言处理	NA	深度学习	CNN, RNN, CNN-RNN混合架构	文本	数据集规模有限
19996	2024-08-07	DBN Structure Design Algorithm for Different Datasets Based on Information Entropy and Reconstruction Error 2018-Dec-04, Entropy (Basel, Switzerland) DOI:10.3390/e20120927 PMID:33266651	研究论文	本文提出了一种基于信息熵和重构误差的深度信念网络（DBN）结构设计算法	该算法创新性地结合了网络深度和节点数量，并同时对其进行优化	NA	旨在为不同数据集设计合适的DBN结构	DBN的结构设计	机器学习	NA	深度学习技术	深度信念网络（DBN）	图像	使用了三个公共数据集（MNIST, Cifar-10 和 Cifar-100）
19997	2024-08-07	High-fidelity phenotyping: richness and freedom from bias 2018-Mar-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocx110 PMID:29040596	研究论文	本文探讨了电子健康记录表型分析的丰富性和偏差减少	提出从二元分配转向更丰富的表征研究，并探索新的时间方向和抽象表征，包括深度学习	健康护理过程产生的偏差被视为噪音，未被明确研究	研究如何提高电子健康记录表型分析的保真度，包括丰富性和减少偏差	电子健康记录数据及其在表型分析中的应用	生物医学信息学	NA	深度学习	NA	电子健康记录数据	NA
19998	2024-08-04	Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement 2024-Sep, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2023.3313729 PMID:37695975	研究论文	本文介绍了将强化学习应用于标签放置，这是一项在数据可视化中寻求最佳标签位置的复杂任务	提出了一种新的点特征标签放置方法，利用多智能体深度强化学习来学习标签放置策略，这是首个基于机器学习的标签方法	计算时间增加使得该方法比人类专家设计的方法更慢	研究深度强化学习在数据可视化标签放置中的应用	标签放置策略的学习	机器学习	NA	强化学习（RL）	多智能体深度强化学习	文本注释	进行了一项用户研究来评估参与者的主观表现，具体样本数量未给出
19999	2024-08-04	Smart laser Sintering: Deep Learning-Powered powder bed fusion 3D printing in precision medicine 2024-Aug-15, International journal of pharmaceutics IF:5.3Q1 DOI:10.1016/j.ijpharm.2024.124440 PMID:38972521	研究论文	本文介绍了一种深度学习模型，以提高药物载体的选择性激光烧结打印可行性	这是该领域首次开发可解释且经过不确定性优化的深度学习模型，用于预测药物载体的可打印性	SLS技术尚未为制药生产而设计，且需要耗时的试错适应过程	研究旨在利用深度学习优化选择性激光烧结在个性化医学中药物打印的可行性	研究对象为药物和聚合物材料，目的是预测药物载体的印刷可行性	数字医学	NA	选择性激光烧结（SLS）	深度学习模型	NA	NA
20000	2024-08-04	Development of a diagnostic support system for the fibrosis of nonalcoholic fatty liver disease using artificial intelligence and deep learning 2024-Aug, The Kaohsiung journal of medical sciences DOI:10.1002/kjm2.12850 PMID:38819013	研究论文	本研究开发了一个基于人工智能和深度学习的自动化诊断支持系统，用于评价非酒精性脂肪肝病的肝纤维化。	本研究提出了SMART AI-PATHO，这是泰国首个用于NAFLD肝组织分级的人工智能诊断工具，具备满意的性能。	样本规模相对较小，未来需要在更大样本上进行测试以提高准确性。	本研究旨在开发一种自动评估方法，以分析非酒精性脂肪肝病中的脂肪和纤维化。	研究对象为146名非酒精性脂肪肝病患者的核心活检样本。	人工智能	非酒精性脂肪肝病	人工智能、深度学习	NA	组织活检样本	146名参与者