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
20741	2024-08-05	Predicting Drugs Suspected of Causing Adverse Drug Reactions Using Graph Features and Attention Mechanisms 2024-Jun-22, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph17070822 PMID:39065673	研究论文	本文设计了一个可疑药物辅助判断模型来识别不良药物反应中的可疑药物	文章使用图同构网络和注意力机制来提取基于患者人口统计信息、药物信息和不良反应信息的特征	本文未提及模型的具体限制	研究旨在提高对不良药物反应的认知并识别可疑药物	研究对象为在不良事件中可疑的药物	机器学习	心血管疾病	深度学习	图同构网络	文本	使用了来自十个药物发现领域的基准数据集进行验证
20742	2024-08-05	Prostate Cancer Diagnosis via Visual Representation of Tabular Data and Deep Transfer Learning 2024-Jun-21, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070635 PMID:39061717	研究论文	本文提出了一种新的机器学习方法，通过临床生物标志物和个性化问卷评估前列腺癌的诊断。	创新性在于首次将卷积神经网络和迁移学习应用于处理表格数据，并通过Tab2Visual建模框架转换为图形表示。	研究可能在样本多样性和临床应用范围上存在局限性。	本研究旨在开发高效的前列腺癌诊断方法，减少对侵入性和高成本程序的依赖。	研究对象为相关的临床生物标志物和个性化问卷数据。	机器学习	前列腺癌	深度转移学习	卷积神经网络 (CNN)	表格数据	样本量与具体样本种类未公开
20743	2024-08-05	Automated detection of anterior crossbite on intraoral images and videos utilizing deep learning 2024-May-03, International journal of computerized dentistry IF:1.8Q2 DOI:10.3290/j.ijcd.b5290567 PMID:38700086	研究论文	本文提出了一种基于卷积神经网络（CNN）的模型，用于自动检测和分类口腔内部图像和视频中的前牙反咬合	采用深度学习模型自动识别前牙反咬合，提供了一种新的自动化解决方案	CNN模型的敏感性低于两位正畸医生的评估	研究口腔内部图像和视频中前牙反咬合的自动检测技术	1865幅口腔内部图像和10个视频，累计时长124秒	计算机视觉	NA	深度学习	卷积神经网络 (CNN)	图像和视频	1865幅图像，10个视频
20744	2024-08-05	Incorporating longitudinal history of risk factors into atherosclerotic cardiovascular disease risk prediction using deep learning 2024-01-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-51685-5 PMID:38296982	研究论文	本研究探讨了使用深度学习模型整合纵向危险因素历史来提高动脉粥样硬化心血管疾病风险预测的效果	首次比较了纵向深度学习模型与传统Pooled Cohort Equations (PCE)在ASCVD风险预测中的效果	未提及模型在不同人群或环境下的推广性和适用性	研究纵向风险因素对动脉粥样硬化心血管疾病风险预测的影响	该研究包含来自四个心血管疾病队列的15,565名没有基线ASCVD的参与者	机器学习	心血管疾病	深度学习	Dynamic-DeepHit	纵向数据	15,565名参与者
20745	2024-08-05	Deep learning-based respiratory muscle segmentation as a potential imaging biomarker for respiratory function assessment 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306789 PMID:39058719	研究论文	本研究开发了一种基于深度学习的自动化方法，用于从CT图像中分割和分类三种类型的呼吸肌肉	提出了一种使用Attention U-Net架构进行呼吸肌肉定量分析的新方法，且呼吸肌肉体积可能作为呼吸功能的潜在成像生物标志物	肌肉密度与肺功能测试参数的相关性较弱，可能限制了其在医学研究中的意义	评估呼吸肌肉的状态及其对肺功能的影响	从3200个个体的约600,000个胸部CT图像中提取的呼吸肌肉	计算机视觉	呼吸系统疾病	计算机断层扫描（CT）	Attention U-Net	图像	3200个个体的约600,000个胸部CT图像
20746	2024-08-05	DeepDRA: Drug repurposing using multi-omics data integration with autoencoders 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0307649 PMID:39058696	研究论文	该文章提出了一种基于多组学数据集成的深度学习模型，用于癌症药物重新利用的预测。	创新点在于使用自编码器降维多组学数据，并结合多任务学习模型与多层感知器进行深度学习。	没有详细说明数据收集的局限性和模型的可扩展性。	研究旨在开发一个深度学习模型，以根据多组学数据预测癌症药物反应并促进药物重新利用。	研究对象是癌症药物的反应和多组学数据。	机器学习	癌症	深度学习、自编码器	多层感知器（MLP）	多组学数据	使用了三个主要数据集：GDSC、CTRP 和 CCLE
20747	2024-08-05	Deep learning-based material decomposition of iodine and calcium in mobile photon counting detector CT 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306627 PMID:39058758	研究论文	本文提出了一种基于深度学习的材料分解方法，用于在移动光子计数检测器CT中分解碘和钙。	创新点在于提出了一种基于Unet架构的MD-Unet模型，能够在使用实时动物数据进行材料分解时提供更高精度的成像。	研究可能受到数据获取的限制，尽管使用了预训练模型和增强策略。	研究的目的是开发一种准确的材料分解技术，以改善基于光子计数检测器的CT成像。	研究对象为使用实时动物数据进行的材料分解。	数字病理学	NA	光子计数检测器CT	Unet	动物数据	NA
20748	2024-08-05	A comprehensive assessment of hurdle and zero-inflated models for single cell RNA-sequencing analysis 2023-09-20, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbad272 PMID:37507115	研究论文	本文开发了一个基于Python的包（TensorZINB），用于解决零膨胀负二项式（ZINB）模型，并系统评估了多种单细胞RNA测序分析模型的表现	提出了一种混合模型类，结合嵌套模型以提升性能，并开发了新的方法将连续分布转换为等价的离散形式	没有提及具体的现实应用场景和额外的生物学验证实验	全面评估单细胞RNA测序分析中不同比例模型的性能	针对单细胞RNA测序数据集开发和优化统计模型	数字病理学	NA	RNA-seq	零膨胀负二项式（ZINB）	基因表达数据	使用了一个真实的单细胞RNA-seq数据集进行评估
20749	2024-08-07	Coronavirus Disease 2019 Deep Learning Models: Methodologic Considerations 2020-09, Radiology IF:12.1Q1 DOI:10.1148/radiol.2020201178 PMID:32243239	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
20750	2024-08-07	nanoTRON: a Picasso module for MLP-based classification of super-resolution data 2020-06-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaa154 PMID:32145010	research paper	本文介绍了nanoTRON工具，这是一个基于图像识别的交互式开源工具，用于超分辨率数据的分类	nanoTRON是第一个带有图形用户界面的深度学习工具，扩展了Picasso软件包	NA	开发一个自动化的工具来分类超分辨率图像数据	超分辨率图像数据	computer vision	NA	深度学习	MLP（多层感知器）	image	NA
20751	2024-08-07	Deep learning-based fully automated detection and segmentation of lymph nodes on multiparametric-mri for rectal cancer: A multicentre study 2020-Jun, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2020.102780 PMID:32512507	研究论文	本研究开发并验证了一种基于深度学习的全自动淋巴结检测和分割模型，用于直肠癌的多参数磁共振成像	本研究首次提出了一种基于多参数磁共振成像的全自动淋巴结检测和分割模型，通过深度学习框架Mask R-CNN实现，显著提高了检测和分割的效率和准确性	本研究仅在单一中心进行了模型训练，并在内部和外部数据集上进行了验证，未来需要在更多中心进行验证以确保模型的泛化能力	开发并验证一种基于深度学习的全自动淋巴结检测和分割模型，以提高直肠癌分期中淋巴结评估的准确性和效率	直肠癌患者的淋巴结	机器学习	直肠癌	多参数磁共振成像（mpMRI）	Mask R-CNN	图像	5789个标注的淋巴结（直径≥3mm）来自293名直肠癌患者
20752	2024-08-07	Deep learning approach for diabetes prediction using PIMA Indian dataset 2020-Jun, Journal of diabetes and metabolic disorders IF:1.8Q4 DOI:10.1007/s40200-020-00520-5 PMID:32550190	研究论文	本文利用PIMA印度数据集，通过深度学习方法预测糖尿病	使用深度学习技术在PIMA数据集上实现了高达98.07%的预测准确率	研究仅使用了PIMA数据集，未涉及其他数据集或更广泛的数据类型	开发一种有效的预测工具，帮助医生早期发现糖尿病并推荐生活方式改变	糖尿病的早期检测和预防	机器学习	糖尿病	深度学习	深度学习	数据集	PIMA数据集
20753	2024-08-07	Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks 2020-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2020.103795 PMID:32568676	研究论文	本研究利用深度学习技术，通过10种卷积神经网络对CT图像进行分析，以快速诊断COVID-19并辅助临床管理	使用10种不同的卷积神经网络模型，特别是ResNet-101和Xception，显著提高了COVID-19的诊断准确性	研究仅限于CT图像分析，未涉及其他诊断方法的比较	开发一种快速有效的COVID-19诊断方法，以辅助高负荷条件下的临床管理	COVID-19患者和其他非COVID-19肺炎患者的CT图像	计算机视觉	COVID-19	深度学习	卷积神经网络	图像	1020张CT切片，包括108名COVID-19患者和86名其他肺炎患者
20754	2024-08-07	Genomic analysis of the natural history of attention-deficit/hyperactivity disorder using Neanderthal and ancient Homo sapiens samples 2020-05-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-65322-4 PMID:32451437	研究论文	本研究利用尼安德特人和古代智人样本的基因组分析，探讨了注意力缺陷多动障碍（ADHD）的自然历史	首次利用古人类样本的基因组数据，结合现代人群的GWAS元分析，探讨ADHD相关等位基因的进化历史	研究主要集中在欧洲人群，可能无法完全代表全球ADHD的遗传特征	验证ADHD相关等位基因在古人类中的进化趋势，并探讨其与环境变化的适应性	ADHD相关等位基因在古人类和现代人类中的分布和进化	遗传学	神经发育障碍	GWAS元分析	近似贝叶斯计算结合深度学习分析	基因组数据	包括超过20,000名ADHD患者和35,000名对照组
20755	2024-08-07	Data-driven analysis using multiple self-report questionnaires to identify college students at high risk of depressive disorder 2020-05-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-64709-7 PMID:32398788	研究论文	本研究利用深度学习、多模态表示和可解释性技术，通过分析临床问卷来诊断抑郁症	提出了一种新的数据驱动方法，通过共享表示模型在同一潜在空间中表示三种不同问卷形式的回答，并比较了无监督和半监督两种数据驱动诊断方法	无监督方法虽然考虑了更多项目，但性能较低，因为它试图最大化组间差异	开发一种新的数据驱动框架，用于分析与抑郁症直接或间接相关的项目，以诊断抑郁症	大学生中的高风险抑郁症患者	机器学习	抑郁症	深度学习	共享表示模型	问卷数据	未明确提及具体样本数量
20756	2024-08-07	Training deep learning algorithms with weakly labeled pneumonia chest X-ray data for COVID-19 detection 2020-May-08, medRxiv : the preprint server for health sciences DOI:10.1101/2020.05.04.20090803 PMID:32511448	研究论文	本文探讨了使用弱标签的肺炎胸片数据训练深度学习算法以检测COVID-19的方法	通过使用弱标签数据增强训练数据分布，提高了卷积神经网络算法在检测COVID-19感染胸片中的性能	NA	开发图像为基础的自动化决策支持工具，以减轻放射学负担	COVID-19感染的胸片检测	计算机视觉	肺部疾病	卷积神经网络	CNN	图像	使用来自公开可用CXR集合的弱标签图像进行数据增强
20757	2024-08-07	A Convolutional Neural Network-Based Approach for the Rapid Annotation of Molecularly Diverse Natural Products 2020-03-04, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.9b13786 PMID:32045230	研究论文	本文首次应用基于NMR的机器学习工具SMART 2.0进行混合物分析，加速发现和表征新的天然产物	采用SMART 2.0工具结合传统和深度学习辅助分析方法，克服了天然产物药物发现中的长期挑战	NA	加速天然产物的发现和表征	海洋丝状蓝藻提取物中的天然产物	机器学习	NA	NMR, MS	CNN	混合物	NA
20758	2024-08-07	Deep learning-enabled point-of-care sensing using multiplexed paper-based sensors 2020, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-020-0274-y PMID:32411827	研究论文	本文介绍了一种基于深度学习的框架，用于设计和量化点-of-care传感器，并以高灵敏度C-反应蛋白测试为例，展示了低成本和快速的纸基垂直流试剂盒	本文提出了一种机器学习框架，用于确定免疫反应点的最佳配置和条件，并在传感膜上进行空间多路复用，以准确推断目标分析物浓度	NA	开发一种成本效益高且便携的点-of-care传感器设计框架	高灵敏度C-反应蛋白测试，用于评估心血管疾病风险	机器学习	心血管疾病	深度学习	机器学习框架	纸基垂直流试剂盒	85个人类样本
20759	2024-08-05	TUnA: an uncertainty-aware transformer model for sequence-based protein-protein interaction prediction 2024-Jul-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae359 PMID:39051117	研究论文	本文提出了一个基于Transformer的模型TUnA，用于预测蛋白质-蛋白质相互作用并评估不确定性	TUnA结合了ESM-2嵌入和光谱标准化神经高斯过程，提供了对未见序列的预测不确定性评估	该模型的通用性可能仍受限于训练集的代表性	研究旨在提高蛋白质-蛋白质相互作用预测的准确性和不确定性评估	研究对象为蛋白质序列及其相互作用	机器学习	NA	NA	Transformer	序列数据	NA
20760	2024-08-05	Multi-modal co-learning with attention mechanism for head and neck tumor segmentation on 18FDG PET-CT 2024-Jul-25, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-024-00670-y PMID:39052194	研究论文	本文提出了一种新的深度学习方法，用于头颈癌的肿瘤分割。	提出的肿瘤区域注意模块充分利用了PET的高灵敏度，并设计了无需分离特征提取和融合功能的网络，利用了上下文信息的多尺度融合。	研究的局限性未在摘要中提及	提高头颈癌的肿瘤分割准确性，以支持放射治疗的有效性。	头颈癌肿瘤的分割，使用18FDG PET-CT影像。	数字病理学	头颈癌	深度学习	NA	医学影像	HECKTOR挑战2021数据集