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
20881	2024-08-05	DeepWalk-aware graph attention networks with CNN for circRNA-drug sensitivity association identification 2024-Jul-19, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elad053 PMID:38061910	研究论文	本文提出了一种基于深度学习的计算方法DGATCCDA，用于识别circRNA-药物敏感性关联	结合DeepWalk和图注意网络，形成深度Walk感知图注意网络，以有效捕获图结构的全局和局部信息	在生物研究中预测circRNA和药物敏感性关联的方法仍然存在时间消耗和成本高的局限性	开发一种新颖的计算方法以提高预测circRNA与药物敏感性关联的效率和准确性	研究对象为circRNAs和药物之间的关联	计算机视觉	NA	深度学习	深度Walk感知图注意网络	特征信息	在5折交叉验证下测试，样本数量未具体说明
20882	2024-08-05	GAM-MDR: probing miRNA-drug resistance using a graph autoencoder based on random path masking 2024-Jul-19, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elae005 PMID:38391194	研究论文	本研究提出了GAM-MDR模型，以利用图自编码器和随机路径掩蔽技术预测miRNA-药物抗性	首次将随机路径掩蔽策略与图自编码器相结合用于推断miRNA-药物抗性	模型的效果可能受到数据采集过程中的错误影响	准确预测miRNA-药物抗性以促进miRNA治疗策略的成功	miRNA和药物节点的表示及其在miRNA-药物网络中的关系	数字病理学	NA	图自编码器，随机路径掩蔽	图自编码器	公共数据集	多个公共数据集
20883	2024-08-05	DeepPRMS: advanced deep learning model to predict protein arginine methylation sites 2024-Jul-19, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elae001 PMID:38267081	研究论文	本研究提出了一种名为DeepPRMS的深度学习模型，用于预测蛋白质的精氨酸甲基化位点	DeepPRMS结合了门控递归单元（GRU）和卷积神经网络（CNN）算法，以提取蛋白质序列中的顺序和空间信息	该研究依赖于独立测试数据集，可能未充分验证在其他数据集上的表现	研究预测蛋白质甲基化位点的方法，以促进相关研究和药物发现	研究对象为蛋白质的初级序列	计算机视觉	NA	深度学习	GRU和CNN	序列数据	基于独立测试数据集进行评估
20884	2024-08-05	A comprehensive review of deep learning-based variant calling methods 2024-Jul-19, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elae003 PMID:38366908	综述	本文综述了基于深度学习的变异检测方法的最新进展	探讨了深度学习在基因组数据中的应用，尤其是在小变异和结构变异检测方面的创新点	尽管概述了优点，但文中也指出了这些方法的局限性	研究基于深度学习的变异检测技术在个性化医学和诊断中的应用	关注基因组数据中的小变异和结构变异	数字病理	NA	深度学习	NA	基因组数据	NA
20885	2024-08-05	Inferring Cellular Contractile Forces and Work using Deep Morphology Traction Microscopy 2024-Jul-19, Biophysical journal IF:3.2Q2 DOI:10.1016/j.bpj.2024.07.020 PMID:39033326	研究论文	本文介绍了一种名为DeepMorphoTM的新型深度学习的牵引力显微技术，用于测量细胞收缩力。	DeepMorphoTM通过只依赖细胞形状序列推断基底位移，避免了对特殊标记基底的需求，从而简化了实验过程。	尽管DeepMorphoTM提供了更简化的方法，但其对特定细胞形状的生物变异性的稳定性可能仍有待提高。	研究细胞收缩力的测量方法，从而改善对细胞行为调控作用的理解。	研究不同细胞类型及其在多种基底材料上的收缩力。	数字病理学	NA	深度学习	NA	图像	涉及多个细胞类型和基底材料
20886	2024-08-05	The contribution of silencer variants to human diseases 2024-Jul-08, Genome biology IF:10.1Q1 DOI:10.1186/s13059-024-03328-1 PMID:38978133	研究论文	本文分析了沉默子变体与人类疾病之间的关联	使用深度学习模型全面剖析了候选沉默子，发现其在与疾病相关变体中的重要性，并提出了新的机制解释	研究仅关注于候选沉默子变体，未涵盖其他调控元件的影响	揭示沉默子变体在各种人类疾病中的作用和机制	约280万候选沉默子和97个人体样本	机器学习	帕金森病、精神分裂症、1型糖尿病	深度学习	NA	基因组数据	97个样本
20887	2024-08-05	Masked cross-domain self-supervised deep learning framework for photoacoustic computed tomography reconstruction 2024-Jul-07, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106515 PMID:39032393	研究论文	该论文介绍了一种掩蔽跨域自监督深度学习框架，用于光声计算机断层成像的重建	提出了一种掩蔽跨域自监督重建策略，克服了有限光声测量缺乏真实标签的问题	实际实施中可能面临成本和性能之间的不可避免的权衡	研究一种新方法以提高光声计算机断层成像的重建质量和效率	聚焦于有限光声测量数据下的图像重建	数字病理学	NA	深度学习	自监督模型	图像	使用了小鼠的体内PACT数据集
20888	2024-08-05	The contribution of silencer variants to human diseases 2024-May-18, medRxiv : the preprint server for health sciences DOI:10.1101/2024.05.17.24307558 PMID:38798661	研究论文	该研究分析了沉默子变异与人类疾病之间的关联	该文章通过深度学习模型对2.8百万候选沉默子进行了全面分析，并发现沉默子变异在某些疾病中的关联性远高于增强子变异	未提及具体的样本多样性和数据来源的局限性	本研究旨在揭示沉默子变异与人类疾病的关系	研究对象是来自多种组织和发育时间点的人类样本	机器学习	帕金森病, 精神分裂症, 疾病1型糖尿病	深度学习	NA	基因组变化数据	97个来自不同组织和发育时间点的人类样本
20889	2024-08-05	Advancements in computer vision and pathology: Unraveling the potential of artificial intelligence for precision diagnosis and beyond 2024, Advances in cancer research DOI:10.1016/bs.acr.2024.05.006 PMID:39032956	研究论文	该文章探讨了计算机视觉与数字病理学的整合，展示了人工智能在精确诊断中的潜力	文章创新地提出了利用深度学习架构和先进算法改善病理学家诊断能力的方法	文章讨论了人工智能在病理学中的技术、实践和伦理局限性	研究人工智能在数字病理学中实现精准诊断和自动化分析的应用	研究对象为病理图像的数字化分析与诊断过程	计算机视觉	NA	人工智能, 机器学习	CNN, U-Net	图像	NA
20890	2024-08-05	Self-supervised deep learning for highly efficient spatial immunophenotyping 2023-Sep, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2023.104769 PMID:37672979	研究论文	该文章提出了一种自监督学习方法，用于高效的细胞免疫表型识别。	文章提出的SANDI模型通过自监督学习显著降低了标注负担，同时维持了细胞表型识别的准确性。	研究的样本数量和标注参考集的规模可能限制了模型的泛化能力。	本研究旨在开发一种高效的细胞免疫表型识别方法，以支持标志物的发现和临床转化。	研究对象是多重免疫组化数据集中的单细胞图像。	数字病理学	卵巢癌	多重免疫组化	自监督学习模型 (SANDI)	图像	涉及2825到15,258个单细胞图像
20891	2024-08-05	Prediction-oriented prognostic biomarker discovery with survival machine learning methods 2023-Jun, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqad055 PMID:37332657	研究论文	本文提出了一系列基于生存机器学习方法的预测导向生物标志物选择框架。	采用了随机生存森林、极端梯度提升、轻量级梯度提升和深度学习生存模型等新型机器学习算法进行生物标志物选择，并将PROMISE方法调整为生存模型(PROMISE-Cox)。	在生存模型中不同特征选择方法的表现需要进一步深入研究。	目标是发现新颖且可靠的预后生物标志物，以预测患者的生存结果。	主要研究对象为不同类型的头颈癌数据中的预后生物标志物。	机器学习	癌症	机器学习算法	随机生存森林、极端梯度提升、轻量级梯度提升、深度学习模型	数据	不同类型的头颈癌数据集（具体样本量未提及）
20892	2024-08-07	Improving interobserver agreement and performance of deep learning models for segmenting acute ischemic stroke by combining DWI with optimized ADC thresholds 2022-Aug, European radiology IF:4.7Q1 DOI:10.1007/s00330-022-08633-6 PMID:35201408	研究论文	研究通过结合弥散加权成像（DWI）与优化表观弥散系数（ADC）阈值，提高急性缺血性卒中（AIS）分割的观察者间一致性和深度学习模型（DLMs）性能	通过结合特定ADC阈值与DWI，显著提高了急性缺血性卒中病变的分割性能和观察者间的一致性	NA	探讨ADC阈值对观察者间一致性和深度学习模型分割急性缺血性卒中性能的影响	急性缺血性卒中（AIS）的分割	机器学习	脑血管疾病	弥散加权成像（DWI）	深度学习模型（DLMs）	图像	训练集包含76名AIS患者，测试集包含145名AIS患者
20893	2024-08-07	Prediction of bone mineral density from computed tomography: application of deep learning with a convolutional neural network 2020-Jun, European radiology IF:4.7Q1 DOI:10.1007/s00330-020-06677-0 PMID:32060712	研究论文	研究使用深度学习模型从无增强的腹部CT图像预测腰椎骨密度	通过深度学习技术，可以从无增强的腹部CT图像中估计腰椎的骨密度	NA	探讨深度学习模型是否能从无增强的腹部CT图像预测腰椎的骨密度	腰椎的骨密度	机器学习	NA	CT	CNN	图像	183名患者，共1665张CT图像，增强后为99,900张图像
20894	2024-08-07	Deep Learning Analysis of Cerebral Blood Flow to Identify Cognitive Impairment and Frailty in Persons Living With HIV 2019-12-15, Journal of acquired immune deficiency syndromes (1999) DOI:10.1097/QAI.0000000000002181 PMID:31714429	研究论文	本研究利用深度学习算法分析脑血流，以识别HIV感染者中的认知障碍和虚弱状态	本研究采用深度神经网络模型，通过特征提取技术识别出对认知障碍和虚弱状态预测最强的脑区	NA	研究目的是通过深度学习算法识别HIV感染者的认知障碍和虚弱状态	研究对象为接受联合抗逆转录病毒治疗的病毒学抑制的HIV感染者	机器学习	HIV感染	深度学习算法	深度神经网络（DNN）	脑血流图像	125名HIV感染者
20895	2024-08-07	Applying a deep learning-based sequence labeling approach to detect attributes of medical concepts in clinical text 2019-12-05, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-019-0937-2 PMID:31801529	研究论文	本文提出了一种基于深度学习的序列标注方法，用于在临床文本中检测医学概念的属性	将属性检测转换为序列标注问题，实现了属性实体识别和关系分类的同时进行	NA	提高临床文本中医学概念属性检测的准确性	医学概念属性检测任务	自然语言处理	NA	NA	Bi-LSTM-CRF	文本	NA
20896	2024-08-07	Comparing biological information contained in mRNA and non-coding RNAs for classification of lung cancer patients 2019-Dec-03, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-019-6338-1 PMID:31796020	研究论文	本文通过分析肺腺癌患者的RNA-seq数据，包括非编码和蛋白质编码RNA，利用深度学习神经网络和其他先进的分类方法，比较了不同类型RNA在癌症分类中的表现。	本研究首次使用非miRNA的ncRNA进行癌症的计算分类，并直接比较了蛋白质编码RNA和非编码RNA的分类能力。	NA	旨在解码人类DNA的意义，这将彻底改变医学和我们对疾病的治疗方式。	肺腺癌患者，一种非小细胞肺癌的组织学亚型。	数字病理学	肺癌	RNA-seq	深度信念网络	RNA数据	肺腺癌患者
20897	2024-08-07	Classification and Visualization of Alzheimer's Disease using Volumetric Convolutional Neural Network and Transfer Learning 2019-12-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-54548-6 PMID:31796817	研究论文	本研究提出了一种基于体积卷积神经网络和迁移学习的方法，用于阿尔茨海默病（AD）的分类和可视化	使用卷积自编码器（CAE）进行无监督学习，并结合监督迁移学习，以及基于梯度的可视化方法来识别与AD和pMCI相关的重要生物标志物	由于神经影像数据稀缺，端到端学习尚未得到广泛关注	促进体积卷积神经网络模型的端到端学习，并实现阿尔茨海默病的分类和可视化	阿尔茨海默病（AD）及其相关认知障碍的分类和关键区域识别	计算机视觉	阿尔茨海默病	体积卷积神经网络（CNN）	CNN	MRI图像	实验基于ADNI数据库进行，具体样本数量未详细说明
20898	2024-08-07	Role of deep learning in infant brain MRI analysis 2019-12, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.06.009 PMID:31229667	研究论文	本文探讨了深度学习算法在婴儿脑部MRI分析中的应用，特别是在脑组织分割和神经发育障碍的早期疾病预测方面的应用	提出了针对婴儿MRI数据特点的深度学习方法，并讨论了如何改进现有解决方案以应对数据量小、类别不平衡和模型解释性不足的问题	存在数据量小、类别不平衡和深度学习模型解释性不足的问题	研究深度学习在婴儿脑部MRI分析中的应用，特别是在脑组织分割和早期疾病预测方面	婴儿脑部MRI数据	机器学习	NA	深度学习算法，特别是卷积网络	CNN	MRI图像	数据量小
20899	2024-08-07	Next generation research applications for hybrid PET/MR and PET/CT imaging using deep learning 2019-Dec, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-019-04374-9 PMID:31254036	综述	本文综述了利用人工智能特别是深度学习算法提高PET/MR和PET/CT混合成像质量的应用	探讨了如何利用AI技术缩短成像时间、减少放射性示踪剂剂量以及进行双示踪剂研究等新可能性	未明确提及	探索AI在提高PET成像质量和利用解剖信息方面的应用	PET/MR和PET/CT混合成像技术	计算机视觉	NA	深度学习	卷积神经网络	图像	NA
20900	2024-08-07	Using deep Siamese neural networks for detection of brain asymmetries associated with Alzheimer's Disease and Mild Cognitive Impairment 2019-12, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.07.003 PMID:31319126	研究论文	本研究利用基于配对侧脑间半球区域的深度孪生神经网络框架，探索全脑体积不对称性在阿尔茨海默病和轻度认知障碍检测中的应用	采用深度孪生神经网络处理低维体积特征，相比使用全脑MR图像的研究，减少了复杂性和计算时间，同时保留了生物信息密度	NA	探索神经解剖体积和形状不对称性作为阿尔茨海默病和轻度认知障碍的临床前成像生物标志物的潜力	阿尔茨海默病和轻度认知障碍的脑不对称性检测	机器学习	阿尔茨海默病	MRICloud	孪生神经网络	图像	使用ADNI和BIOCARD数据集