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
20401	2024-08-07	Approach for the Design of Covalent Protein Kinase Inhibitors via Focused Deep Generative Modeling 2022-Jan-17, Molecules (Basel, Switzerland) DOI:10.3390/molecules27020570 PMID:35056884	研究论文	本文探讨了通过深度生成模型系统设计共价蛋白激酶抑制剂的方法	结合基于片段的设计和深度生成模型，增强了三维药效团筛选，为药物化学应用提供了一种结合知识元素和深度学习的方法	NA	开发一种计算方法，用于设计共价蛋白激酶抑制剂	共价蛋白激酶抑制剂的设计	机器学习	炎症性疾病，白血病	深度生成模型	深度学习模型	化学结构数据	具体样本数量未明确
20402	2024-08-07	Rapid video-based deep learning of cognate versus non-cognate T cell-dendritic cell interactions 2022-Jan-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-04286-5 PMID:35017558	研究论文	本文展示了使用深度学习快速分类抗原特异性CD8 T细胞视频的能力	该方法通过深度学习模型区分了同源和非同源T细胞与树突状细胞的交互动态，并展示了比传统图像分析技术更高的分类准确性	NA	理解免疫和耐受性，并开发癌症和自身免疫疾病的治疗方法	抗原特异性T细胞与树突状细胞的同源交互	机器学习	癌症, 自身免疫疾病	深度学习	NA	视频	OT-I小鼠的高亲和力抗原特异性CD8 T细胞
20403	2024-08-07	Denoising of pediatric low dose abdominal CT using deep learning based algorithm 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0260369 PMID:35061701	研究论文	本文评估了一种基于深度学习的方法生成的标准剂量CT图像，该方法使用未配对的低剂量CT和标准剂量CT图像进行训练	使用生成对抗网络框架训练未配对数据集，能够从原始低剂量CT图像生成虚拟标准剂量CT图像	NA	评估深度学习方法生成的标准剂量CT图像的质量	低剂量CT和标准剂量CT图像	计算机视觉	NA	生成对抗网络	生成对抗网络	图像	训练集包含42张低剂量CT和42张标准剂量CT图像，验证集包含41张低剂量CT图像，测试集包含33张低剂量CT图像
20404	2024-08-07	DeLUCS: Deep learning for unsupervised clustering of DNA sequences 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0261531 PMID:35061715	研究论文	本文介绍了一种无需序列比对、序列同源性或分类标识的深度学习方法DeLUCS，用于无监督DNA序列聚类	DeLUCS使用频率混沌游戏表示（FCGR）和生成模拟序列FCGR来自我学习数据模式，通过优化多个神经网络实现聚类，显著优于传统的K-means++和高斯混合模型方法	NA	开发一种新的深度学习方法，用于无监督DNA序列聚类	DNA序列的聚类	机器学习	NA	深度学习	神经网络	DNA序列	包括2,500个完整的脊椎动物线粒体基因组、3,200个随机选择的400 kbp长的细菌基因组片段和三个平均1,300个序列的病毒基因组及基因数据集
20405	2024-08-07	Stock prediction based on bidirectional gated recurrent unit with convolutional neural network and feature selection 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0262501 PMID:35120138	研究论文	本文提出了一种基于特征选择、卷积神经网络和双向门控循环单元的混合股票预测模型FS-CNN-BGRU	该模型结合了特征选择、卷积神经网络和双向门控循环单元，能够更好地处理具有时间序列属性的数据，并在实验中显示出优于其他单一模型的性能	NA	提出一种新的混合股票预测模型，以提高预测性能	股票市场的预测	机器学习	NA	卷积神经网络，双向门控循环单元	CNN, BGRU	时间序列数据	NA
20406	2024-08-07	No sonographer, no radiologist: New system for automatic prenatal detection of fetal biometry, fetal presentation, and placental location 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0262107 PMID:35139093	研究论文	本文开发了一种自动化的诊断框架，用于在没有经验丰富的超声技师或解读提供者的情况下，评估胎儿生物测量、胎儿体位和胎盘位置	该系统使用标准化体积扫描成像（VSI）协议和深度学习算法（U-Net），无需专业人员即可进行超声成像和诊断评估	该系统在胎盘位置的诊断准确性为76.7%，相对较低	旨在提高农村和资源匮乏社区的超声成像和诊断的可及性	胎儿生物测量、胎儿体位和胎盘位置的自动评估	计算机视觉	NA	深度学习算法（U-Net）	U-Net	图像	在秘鲁进行的超声检查，由没有超声经验的操作者进行，接受了8小时的培训
20407	2024-08-07	Direct Attenuation Correction Using Deep Learning for Cardiac SPECT: A Feasibility Study 2021-Nov, Journal of nuclear medicine : official publication, Society of Nuclear Medicine IF:9.1Q1 DOI:10.2967/jnumed.120.256396 PMID:33637586	研究论文	本研究展示了使用深度学习（DL）直接进行心脏SPECT心肌灌注成像（MPI）的衰减校正（AC）技术	本研究采用深度学习方法直接从非校正的SPECT生成衰减校正的SPECT，无需额外的图像重建步骤	深度学习方法在所有受试者中的表现不一致，可能是由于不同的衰减量和不同的摄取模式	展示深度学习直接进行SPECT MPI衰减校正的可行性，并减少衰减伪影	心脏SPECT/CT数据集	计算机视觉	心血管疾病	深度学习	卷积神经网络	图像	100个心脏SPECT/CT数据集
20408	2024-08-07	Imaging in focus: An introduction to denoising bioimages in the era of deep learning 2021-Nov, The international journal of biochemistry & cell biology DOI:10.1016/j.biocel.2021.106077 PMID:34547502	综述	本文介绍了深度学习时代下，利用深度学习方法去除生物荧光图像噪声的技术	深度学习方法通过学习示例数据来去噪，提供了一种强大的内容感知方法	NA	旨在深入了解基于深度学习的去噪方法如何运作，并帮助用户选择最适合其应用的工具	荧光显微镜图像中的噪声	计算机视觉	NA	深度学习	NA	图像	NA
20409	2024-08-07	Integrative Analysis of Multi-Omics and Genetic Approaches-A New Level in Atherosclerotic Cardiovascular Risk Prediction 2021-Oct-28, Biomolecules IF:4.8Q1 DOI:10.3390/biom11111597 PMID:34827594	研究论文	本文通过综合多组学和遗传学方法，提出了一种新的动脉粥样硬化心血管疾病风险预测方法	结合多组学数据和人工智能/机器学习策略，提高了动脉粥样硬化心血管疾病预测的准确性和风险评估的可靠性	NA	旨在通过综合分析多组学和遗传学数据，提高动脉粥样硬化心血管疾病的风险预测和诊断	动脉粥样硬化心血管疾病的风险预测和诊断	机器学习	心血管疾病	多组学分析	深度学习	多组学数据	NA
20410	2024-08-07	A stacking ensemble deep learning approach to cancer type classification based on TCGA data 2021-Aug-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-95128-x PMID:34341396	研究论文	本文提出了一种基于一维卷积神经网络（1D-CNN）的堆叠集成深度学习模型，用于对女性常见的五种癌症进行基于RNASeq数据的多类别分类	提出的模型在性能上优于单一的1D-CNN和其他机器学习方法，特别是在使用LASSO进行特征选择后	未明确提及具体限制	提高癌症类型分类的准确性，以辅助早期诊断和治疗策略的设计	女性常见的五种癌症类型	机器学习	乳腺癌, 肺癌, 结直肠癌, 甲状腺癌, 卵巢癌	1D-CNN, LASSO	1D-CNN	RNASeq基因表达数据	数据来自Pan-Cancer Atlas，具体样本数量未明确提及
20411	2024-08-07	A deep-learning method using computed tomography scout images for estimating patient body weight 2021-Aug-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-95170-9 PMID:34341462	研究论文	本文开发并评估了一种基于深度学习的方法，用于从CT（计算机断层扫描）引导图像中自动预测患者体重	提出了一种新的深度学习方法，能够从CT引导图像中准确预测患者体重，这在紧急情况下尤其有用	NA	开发一种时间效率高且准确的方法，用于在CT扫描前估计患者体重	基于1831张胸部和519张腹部CT引导图像及其对应体重，开发和评估深度学习模型	计算机视觉	NA	深度学习	深度学习模型	图像	1831张胸部CT引导图像和519张腹部CT引导图像
20412	2024-08-07	Detection of Alzheimer's disease using ECD SPECT images by transfer learning from FDG PET 2021-Aug, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-021-01626-3 PMID:34076857	研究论文	本研究开发了一种利用深度学习模型从少量SPECT脑灌注图像中自动提取图像特征，以客观评估阿尔茨海默病（AD）的实用方法。	本研究首次将基于PET FDG代谢成像训练的模型迁移到少量SPECT脑灌注图像上，提高了模型的敏感性和准确性。	研究中使用的样本量较小，可能影响模型的泛化能力。	开发一种基于深度学习的模型，利用SPECT脑灌注图像快速且客观地评估阿尔茨海默病。	阿尔茨海默病（AD）的检测和评估。	机器学习	阿尔茨海默病	SPECT成像	Inception v3网络模型	图像	1000例F-18-FDG PET图像用于预训练，不同样本量的训练数据集（100, 200, 400, 800, 1000例）用于预训练。
20413	2024-08-07	Detecting myocardial scar using electrocardiogram data and deep neural networks 2021-Jul-27, Biological chemistry IF:2.9Q3 DOI:10.1515/hsz-2020-0169 PMID:33006947	研究论文	本文提出了一种基于心电图数据和深度神经网络的人工智能方法，用于预测心肌瘢痕的存在	利用深度学习模型结合心电图和临床参数，实现对心肌瘢痕的高精度检测	NA	早期检测心肌病理，提高治疗效果，减少致命病例	心肌瘢痕的检测	机器学习	心血管疾病	深度学习	深度神经网络	心电图时间序列	12导联心电图时间序列数据集
20414	2024-08-07	iMLP, a predictor for internal matrix targeting-like sequences in mitochondrial proteins 2021-Jul-27, Biological chemistry IF:2.9Q3 DOI:10.1515/hsz-2021-0185 PMID:34218542	研究论文	本文介绍了一种名为iMLP的深度学习方法，用于预测蛋白质序列中的内部矩阵靶向类似序列（iMTS-Ls）	iMLP预测器在速度上显著超过现有方法，并提供了一个直观的网络服务和一个独立的命令行工具	NA	开发一种高效的深度学习方法来预测蛋白质序列中的iMTS-Ls	蛋白质序列中的内部矩阵靶向类似序列（iMTS-Ls）	机器学习	NA	深度学习	循环神经网络	蛋白质序列	NA
20415	2024-08-07	Large-scale pharmacogenomic studies and drug response prediction for personalized cancer medicine 2021-Jul-20, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2021.03.007 PMID:34023295	研究论文	本文总结了FDA批准的药物基因组学生物标志物和大规模药物基因组学研究，并全面回顾了药物反应预测中计算方法的最新进展	文章涵盖了网络、机器学习和深度学习技术以及评估免疫治疗反应的策略	讨论了当前面临的挑战并提出了可能的解决方案	提高个性化癌症医学的临床效益	药物基因组学在个性化癌症医学中的应用	药物基因组学	癌症	NA	NA	NA	NA
20416	2024-08-07	Multiomics metabolic and epigenetics regulatory network in cancer: A systems biology perspective 2021-Jul-20, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2021.05.008 PMID:34362682	综述	本文从系统生物学角度探讨了癌症中的多组学代谢和表观遗传调控网络	提出了一个基于当前高通量方法的概念性代谢和表观遗传调控网络（MER-Net），旨在通过观察生物过程、组学数据获取、网络信息分析及与验证数据库知识的整合，揭示新的潜在生物标志物和治疗靶点	NA	旨在揭示新的潜在生物标志物和治疗靶点	癌症中的代谢和表观遗传调控网络	系统生物学	癌症	多组学数据	深度学习模型	多组学数据	NA
20417	2024-08-07	Attention Guided Lymph Node Malignancy Prediction in Head and Neck Cancer 2021-Jul-15, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2021.02.004 PMID:33561508	研究论文	本文提出了一种注意力引导的分类方案（AGC），用于在头颈癌（HNC）放疗中准确分类淋巴结（LN）恶性状态，通过结合人类知识（如LN轮廓）引导模型学习方向，减少对大量训练样本的需求，并在推理阶段不需要精确的LN分割，而是可以突出显示LN附近的区分区域。	本文的创新点在于提出了一种注意力引导的分类方案（AGC），该方案通过结合人类知识引导模型学习方向，减少了对大量训练样本的需求，并在推理阶段不需要精确的LN分割，而是可以突出显示LN附近的区分区域。	NA	本文的研究目的是在头颈癌放疗中准确分类淋巴结恶性状态，以帮助确定治疗目标。	本文的研究对象是头颈癌患者的淋巴结恶性状态。	计算机视觉	头颈癌	NA	注意力引导的卷积神经网络（agCNN）和分类卷积神经网络（cCNN）	图像	129名头颈癌手术患者，包括791个淋巴结
20418	2024-08-07	Lesion segmentation in breast ultrasound images using the optimized marked watershed method 2021-Jun-07, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-021-00891-7 PMID:34098970	研究论文	本文提出了一种基于优化标记分水岭方法的乳腺超声图像病变分割技术	采用自适应形态学蛇（AMS）算法和标记分水岭（MW）方法，提高了病变分割的准确性和敏感性	NA	提高乳腺超声图像病变分割的准确性和效率	乳腺超声图像中的病变区域	计算机视觉	乳腺癌	自适应形态学蛇（AMS）算法	标记分水岭（MW）方法	图像	数据集A包含500张本地医院的乳腺超声图像，数据集B包含205张开源乳腺超声图像
20419	2024-08-07	Deep learning-based attenuation correction for brain PET with various radiotracers 2021-Jun, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-021-01611-w PMID:33811600	研究论文	开发了一种基于深度学习的PET衰减校正（deep AC）框架，用于合成非衰减校正（NAC）PET图像的透射计算机断层扫描（TCT）图像	使用卷积神经网络（CNN）和大量多种放射性示踪剂的数据集，合成TCT图像，提高了PET图像的定量准确性	NA	克服脑部专用PET扫描仪在没有衰减校正获取机制的情况下获取准确μ-map的挑战	脑部PET图像的衰减校正	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	1261个脑部NAC PET和TCT图像（1091个用于训练，70个用于测试）
20420	2024-08-07	Temporal and spectral unmixing of photoacoustic signals by deep learning 2021-Jun-01, Optics letters IF:3.1Q2 DOI:10.1364/OL.426678 PMID:34061089	研究论文	本文报道了一种基于条件生成对抗网络的方法，用于时间解混和光声信号的光谱解混，突破了A线速率的物理限制，为超高速多参数光声显微镜奠定了基础	提出了一种基于深度学习的方法，能够实现时间间隔仅为约38纳秒的光声A线信号解混，突破了传统物理限制	NA	提高多参数光声显微镜的成像速度，以增强其在生物医学中的应用	光声信号的时间和光谱解混	机器学习	NA	光声显微镜	条件生成对抗网络	信号	NA