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
20561	2024-08-07	Integrate multi-omics data with biological interaction networks using Multi-view Factorization AutoEncoder (MAE) 2019-Dec-20, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-019-6285-x PMID:31856727	研究论文	本文开发了一种名为Multi-view Factorization AutoEncoder (MAE)的方法，该方法能够结合多组学数据和生物交互网络，以揭示疾病背后的分子途径	本文创新性地将领域知识如分子交互网络融入到训练目标中，通过引入良好的归纳偏差来提高模型的泛化能力	由于'大p小n'问题（即高维特征的小样本），仅使用多组学数据训练大规模泛化的深度学习模型非常具有挑战性	旨在解决多组学数据深度学习中的过拟合问题，并探索分子特征与临床特征之间的复杂关系	多组学数据和生物交互网络	机器学习	NA	深度学习	AutoEncoder	多组学数据	小样本
20562	2024-08-07	A deep neural network approach to predicting clinical outcomes of neuroblastoma patients 2019-12-20, BMC medical genomics IF:2.1Q3 DOI:10.1186/s12920-019-0628-y PMID:31856829	研究论文	本文提出了一种基于图方法特征提取和深度神经网络的策略，用于预测神经母细胞瘤患者的临床结果	采用图方法进行特征提取，结合深度神经网络模型，提高了预测准确性	研究主要集中在神经母细胞瘤数据集上，可能需要进一步验证在其他疾病数据集上的适用性	开发一种新的方法来预测患者的临床结果，并理解疾病发病机制和治疗反应的生物学机制	神经母细胞瘤患者的临床结果预测	机器学习	神经母细胞瘤	深度学习	深度神经网络 (DNN)	组学数据	四个神经母细胞瘤数据集
20563	2024-08-07	SigUNet: signal peptide recognition based on semantic segmentation 2019-Dec-20, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-019-3245-z PMID:31861981	research paper	本研究提出了一种基于语义分割的信号肽识别方法SigUNet，该方法使用不含全连接层的卷积神经网络，并在真核生物数据上表现出优于现有信号肽预测器的性能。	本研究首次将复杂的卷积神经网络应用于信号肽识别，并提出了模型简化和数据增强的方法来改善预测性能。	NA	开发一种准确的信号肽识别器，并展示如何利用其他领域的先进网络进行信号肽识别。	信号肽的识别及其在蛋白质分类中的应用。	computer vision	NA	NA	CNN	sequence	NA
20564	2024-08-07	A temporal visualization of chronic obstructive pulmonary disease progression using deep learning and unstructured clinical notes 2019-12-17, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-019-0984-8 PMID:31842874	研究论文	本文提出了一种使用深度学习和非结构化临床笔记来可视化慢性阻塞性肺病（COPD）进展的方法	本文提出了一种四层深度学习模型，利用专门配置的循环神经网络捕捉不规则时间间隔片段，并创建了一个COPD进展的时间可视化图谱	NA	旨在描述COPD患者在死亡前疾病进展的时间，并生成一个描述COPD不同阶段症状和体征的时间可视化图	COPD患者	机器学习	慢性阻塞性肺病	深度学习	循环神经网络	文本	15,500名COPD患者
20565	2024-08-07	Estimating Rates of Progression and Predicting Future Visual Fields in Glaucoma Using a Deep Variational Autoencoder 2019-12-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-54653-6 PMID:31792321	研究论文	本文开发了一种深度学习算法，利用深度变分自编码器（VAE）来提高青光眼视觉场损失进展速率的估计和未来模式的预测	使用深度VAE在检测进展速率和预测未来视觉场模式方面表现出显著优势	NA	提高青光眼视觉场损失进展速率的估计和未来模式的预测	青光眼患者的视觉场损失	机器学习	青光眼	深度变分自编码器（VAE）	VAE	视觉场数据	29,161个视觉场数据来自3,832名患者
20566	2024-08-07	CRIP: predicting circRNA-RBP-binding sites using a codon-based encoding and hybrid deep neural networks 2019-12, RNA (New York, N.Y.) DOI:10.1261/rna.070565.119 PMID:31537716	研究论文	本文开发了CRIP工具，用于预测circRNA上的RBP结合位点，采用基于密码子的编码方案和混合深度神经网络结构	首次提出基于机器学习的计算工具CRIP，用于预测circRNA上的RBP结合位点，并采用了创新的基于密码子的编码方案和混合深度学习架构	NA	理解circRNA的调控功能，特别是circRNA与RNA结合蛋白（RBP）的相互作用	circRNA与RBP的结合位点	机器学习	NA	NA	CNN和RNN	序列	37个数据集，每个数据集对应一个RBP的结合位点序列片段
20567	2024-08-07	How theory and design-based research can mature PBL practice and research 2019-12, Advances in health sciences education : theory and practice IF:3.0Q2 DOI:10.1007/s10459-019-09940-2 PMID:31720879	研究论文	本文探讨了如何通过理论和基于设计的研究来成熟化问题导向学习（PBL）的实践和研究	提出了基于设计的研究（DBR）作为一种新的方法来桥接理论和实践，通过重新设计基于理论的教学实践并与各利益相关者紧密合作来调查这些实践	没有一种万能的解决方案来解决PBL中遇到的问题，且应谨慎得出哪种PBL方法最佳的结论	旨在更好地将PBL实践与情境性、建构性、自我导向性和协作性学习的理论或原则相结合	问题导向学习（PBL）的实践和研究	NA	NA	NA	NA	NA	NA
20568	2024-08-07	Tumor tissue classification based on micro-hyperspectral technology and deep learning 2019-Dec-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.006370 PMID:31853405	研究论文	本文利用微型高光谱成像技术，结合深度学习模型，对胃癌组织进行分类研究	提出了一种基于深度学习模型的胃癌组织分析方法，并展示了CNN在提取肿瘤组织深层光谱-空间特征方面的优势	NA	探索高光谱技术在肿瘤组织病理诊断中的应用	胃癌组织与正常组织的分类	机器学习	胃癌	微型高光谱成像技术	CNN	高光谱数据	30名胃癌患者
20569	2024-08-07	Deep learning for quality assessment of retinal OCT images 2019-Dec-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.006057 PMID:31853385	研究论文	本研究首次提出了一种基于信号完整性、位置和有效性的OCT图像质量评估（OCT-IQA）系统，并使用四种CNN架构进行训练和评估	首次提出了一种基于深度学习的OCT图像质量评估系统，并通过实验证明了其在提高视网膜病变检测准确性方面的有效性	NA	开发一种自动化的OCT图像质量评估系统，以提高视网膜病变检测的准确性	视网膜OCT图像的质量评估	计算机视觉	NA	深度学习	CNN	图像	使用了两个随机创建的测试数据集，其中一个数据集经过OCT-IQA系统筛选，仅包含高质量图像，另一个数据集混合了高质量和低质量图像
20570	2024-08-07	Learning to see stuff 2019-Dec, Current opinion in behavioral sciences IF:4.9Q1 DOI:10.1016/j.cobeha.2019.07.004 PMID:31886321	研究论文	本文探讨了无监督深度学习在解释复杂外观材料（如纺织品和食品）视觉感知中的应用	提出了一种新的框架，通过学习高效准确地编码和预测视觉输入，而不是估计物理量如反射率或光照	文章未明确提及具体限制	解释人类如何学习识别复杂外观的材料	复杂外观的材料，如纺织品和食品	计算机视觉	NA	无监督深度学习	神经网络	图像	未明确提及具体样本数量
20571	2024-08-07	Latest advances in aging research and drug discovery 2019-11-21, Aging DOI:10.18632/aging.102487 PMID:31770722	综述	本文综述了衰老研究及药物发现的最新进展，并介绍了相关领域的年度会议系列	文章强调了人工智能，特别是深度学习在衰老研究中的应用，以及多家公司将衰老研究纳入其业务模型的创新策略	NA	旨在更好地理解与衰老相关的多层次变化，并探索治疗与年龄相关疾病的新干预措施	衰老过程中的分子、细胞、器官、组织、生理、心理及社会学变化	NA	老年病	深度学习	NA	NA	NA
20572	2024-08-07	Classification of brain tumor isocitrate dehydrogenase status using MRI and deep learning 2019-Oct, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.6.4.046003 PMID:31824982	研究论文	本文提出了一种使用深度学习和T2加权磁共振成像（MRI）自动预测脑肿瘤异柠檬酸脱氢酶（IDH）状态的方法	首次展示了仅使用T2w MRI通过深度学习方法预测IDH突变状态的可行性	需要解决随机化过程中的数据泄露问题，以避免分类准确性的向上偏差	开发一种非侵入性的方法来预测脑肿瘤的IDH突变状态	脑肿瘤的IDH突变状态	计算机视觉	脑肿瘤	MRI	二维密集连接模型	图像	260名受试者（120名高级别和140名低级别胶质瘤）
20573	2024-08-05	Effect of MR head coil geometry on deep-learning-based MR image reconstruction 2024-Oct, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30130 PMID:38647191	研究论文	本研究探讨了在使用深度学习（DL）图像重建方法时，平行成像施加的几何线圈约束是否可以放宽。	本文章的创新点在于提出了相比传统非深度学习方法，深度学习图像重建方法在几何线圈设计约束方面的灵活性。	本研究的限制在于只对两种线圈配置进行了评估，未考虑其他可能影响重建性能的因素。	本文旨在比较深度学习方法与传统方法在MR图像重建中的表现，特别是在处理线圈重叠时的能力。	研究对象为不同几何配置的头部线圈，包括8通道和32通道线圈。	数字病理学	NA	深度学习	NA	图像	NA
20574	2024-08-07	Comment on "Utilizing deep learning for automated detection of oral lesions: A multicenter study" 2024-Sep, Oral oncology IF:4.0Q2 DOI:10.1016/j.oraloncology.2024.106932 PMID:38968726	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
20575	2024-08-05	A multiview deep learning-based prediction pipeline augmented with confident learning can improve performance in determining knee arthroplasty candidates 2024-Aug, Knee surgery, sports traumatology, arthroscopy : official journal of the ESSKA DOI:10.1002/ksa.12221 PMID:38713857	研究论文	本文提出了一种基于多视图深度学习的膝关节置换预测管道，以确定合适的手术候选者	结合了YOLOv3、ResNet-18和自信学习的深度学习管道显著提高了对膝关节置换候选者的预测精度	外部验证集的样本较少，仅包含134个膝关节	开发和评估一个基于三视图X光片的膝关节置换预测管道	正在进行TKA、UKA或非手术干预的患者的X光和手术数据	计算机视觉	膝关节骨关节炎	深度学习	多视图卷积神经网络	图像	总共1779个膝关节
20576	2024-08-05	Accelerating Polymer Discovery with Uncertainty-Guided PGCNN: Explainable AI for Predicting Properties and Mechanistic Insights 2024-Jul-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00555 PMID:38953249	研究论文	本研究提出了一种可解释的聚合物图卷积神经网络（PGCNN）模型，能够准确预测聚合物属性	结合了证据深度学习与PGCNN，定量预测的不确定性并通过不确定性引导的主动学习实现样本高效训练	研究中可能存在不足的数据和代表性编码问题	加速新聚合物的发现并提高对聚合物的机制理解	聚合物的不同属性及其单体组成	机器学习	NA	深度学习	图卷积神经网络（GCN）	实验数据样本和RadonPy数据集	一百万个假设聚合物和来自实验的数据样本
20577	2024-08-05	Prediction of Vacuum Ultraviolet/Ultraviolet Gas-Phase Absorption Spectra Using Molecular Feature Representations and Machine Learning 2024-Jul-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00676 PMID:38938209	research paper	本文介绍了一种使用分子特征表示和机器学习预测气相真空紫外/紫外吸收光谱的方法	引入了新的分子特征（称为ABOCH）以更好地捕捉pi键合、芳香性和卤素化，显示出优于基于深度学习的方法的预测性能	研究中对比的方法主要集中在机器学习模型，未详细讨论量子化学方法的局限性	旨在开发一种高效的机器学习方法来预测气相真空紫外/紫外吸收光谱	以1397种挥发性和半挥发性化合物的分子结构和相应的吸收光谱为研究对象	机器学习	NA	机器学习	随机森林回归	结构数据文件（.sdf）和吸收光谱	1397种挥发性和半挥发性化合物
20578	2024-08-05	Versatile Framework for Drug-Target Interaction Prediction by Considering Domain-Specific Features 2024-Jul-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00403 PMID:38976879	研究论文	提出了一种通过考虑领域特定特征来预测药物-靶标相互作用的框架	通过结合领域通用和领域特定特征来增强DTI预测模型的泛化能力	未能访问未见领域的数据，限制了模型的适用范围	加速药物-靶标相互作用的预测，促进药物发现	药物-靶标相互作用的预测模型	机器学习	NA	深度学习	集成模型	数据集	四个基准数据集
20579	2024-08-05	Enhancing Chemical Reaction Monitoring with a Deep Learning Model for NMR Spectra Image Matching to Target Compounds 2024-Jul-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00522 PMID:38979856	研究论文	本文开发了一种深度学习模型MatCS，用于根据NMR光谱图像直接预测目标化合物的结构	提出了一个创新的二元分类模型MatCS，以解决现有化学合成技术中结构阐明效率低的问题	当前方法在处理相似分子结构光谱时仍面临挑战，且对化学库的依赖可能限制其应用	提高化学反应监测的效率，直接预测NMR光谱与目标化合物结构之间的关系	针对NMR光谱图像和目标化合物的分子结构的预测	机器学习	NA	NMR光谱分析，图注意网络，图卷积网络	Graph Attention Networks，Graph Convolutional Networks，ResNet101	图像	NA
20580	2024-08-05	Docking Score ML: Target-Specific Machine Learning Models Improving Docking-Based Virtual Screening in 155 Targets 2024-Jul-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00072 PMID:38958413	研究论文	本文介绍了一种新颖的Docking Score ML，为针对155种靶标的虚拟筛选提供更准确的分子对接评分。	提出了一种基于超过200,000个对接复合物分析的机器学习模型，显著提高了虚拟筛选的准确性。	尚未讨论特定靶标外的应用效果以及可能存在的普适性不足。	旨在提高药物发现中的分子对接虚拟筛选的准确性。	重点分析了癌症治疗的155种已知靶标的分子对接复杂体。	机器学习	癌症	监督学习与深度学习	图卷积网络（GCN）	生物活性数据	超过200,000个对接复合物来自155个靶标