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
20981	2024-08-07	Automatic choroidal segmentation in OCT images using supervised deep learning methods 2019-09-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-49816-4 PMID:31527630	研究论文	本文提出了一系列基于补丁和全卷积的深度学习方法，用于自动分割OCT图像中的脉络膜边界	利用深度学习方法自动分割脉络膜边界，提高了分析效率和准确性	需要进一步优化网络架构和对比度增强方法以最大化性能	开发可靠和准确的方法来自动分割OCT图像中的脉络膜组织边界	OCT图像中的脉络膜边界	计算机视觉	NA	深度学习	CNN	图像	大量OCT图像
20982	2024-08-07	Traffic Speed Prediction: An Attention-Based Method 2019-Sep-05, Sensors (Basel, Switzerland) DOI:10.3390/s19183836 PMID:31491921	研究论文	本文提出了一种基于时间聚类和层次注意力机制的交通速度预测方法（TCHA），以解决传统深度学习方法在交通速度预测中忽略空间和环境因素的问题	该方法通过时间聚类区分交通环境，并利用层次注意力机制提取每个时间步的特征，从而提高预测准确性	NA	提高智能交通系统中的短期交通速度预测准确性	交通速度预测	计算机视觉	NA	深度学习	注意力机制	交通数据	特定区域的交通数据
20983	2024-08-07	Predicting functional variants in enhancer and promoter elements using RegulomeDB 2019-09, Human mutation IF:3.3Q2 DOI:10.1002/humu.23791 PMID:31228310	研究论文	本文介绍了一种名为Score of Unified Regulatory Features (SURF)的计算模型，用于预测增强子和启动子元件中的功能性变异	SURF模型在第五次基因组解释关键评估的“调控饱和”挑战中表现最佳，并且通过RegulomeDB查询的功能基因组数据特征提高了预测准确性	NA	开发和验证一种新的计算模型，用于预测调控区域中的功能性变异	增强子和启动子元件中的功能性变异	NA	NA	大规模并行报告分析	深度学习模型	DNA序列	NA
20984	2024-08-07	Robust Self-Adaptation Fall-Detection System Based on Camera Height 2019-Aug-30, Sensors (Basel, Switzerland) DOI:10.3390/s19173768 PMID:31480384	研究论文	本研究构建了一个包含多种日常活动和跌倒事件的数据集，并研究了相机/传感器高度对跌倒检测准确性的影响	提出了一种增强跟踪和去噪的Alex-Net（ETDA-Net）来提高跟踪和去噪性能，并分类跌倒和非跌倒事件	NA	研究相机/传感器高度对跌倒检测准确性的影响	日常活动和跌倒事件	计算机视觉	NA	深度学习	CNN	图像	数据集中的每个活动由八名参与者在八个方向上进行，并使用深度相机在五个不同高度拍摄
20985	2024-08-07	Deep learning enables automatic quantitative assessment of puborectalis muscle and urogenital hiatus in plane of minimal hiatal dimensions 2019-Aug, Ultrasound in obstetrics & gynecology : the official journal of the International Society of Ultrasound in Obstetrics and Gynecology IF:6.1Q1 DOI:10.1002/uog.20181 PMID:30461079	研究论文	本文利用深度学习技术自动分割并量化评估经会阴超声图像中的耻骨直肠肌和尿生殖裂孔	首次使用卷积神经网络（CNN）自动分割并量化耻骨直肠肌和尿生殖裂孔的尺寸	NA	开发一种自动且观察者独立的方法来测量尿生殖裂孔和耻骨直肠肌的尺寸	耻骨直肠肌和尿生殖裂孔的尺寸	计算机视觉	NA	深度学习	CNN	图像	1318个三维和四维经会阴超声体积数据集，来自253名未产妇
20986	2024-08-07	Skin Lesion Segmentation in Dermoscopic Images with Combination of YOLO and GrabCut Algorithm 2019-Jul-10, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics9030072 PMID:31295856	研究论文	本文提出了一种结合YOLO和GrabCut算法的新型有效皮肤病变分割方法	该方法通过四个步骤实现皮肤病变分割，并在ISBI 2017数据集上实现了90%的灵敏度，优于其他基于深度学习的方法	NA	旨在提高计算机系统对皮肤癌早期和准确诊断的能力	皮肤病变在皮肤镜图像中的自动分割	计算机视觉	皮肤癌	YOLO, GrabCut	CNN	图像	使用了PH2和ISBI 2017两个公开数据集
20987	2024-08-07	A convolutional neural network for fast upsampling of undersampled tomograms in X-ray CT time-series using a representative highly sampled tomogram 2019-May-01, Journal of synchrotron radiation IF:2.4Q3 DOI:10.1107/S1600577519003448 PMID:31074449	研究论文	本文提出了一种基于深度学习的超分辨率方法，称为上采样深度神经网络（UDNN），用于提高X射线CT时间序列中欠采样断层图像的上采样质量	该方法利用高采样断层图像的数据集来学习低采样和高采样断层图像之间的端到端映射，从而提高断层图像重建的质量	该方法需要针对不同类型的样本进行快速重新训练，且依赖于高采样断层图像的数据集	旨在提高X射线CT时间序列中欠采样断层图像的上采样质量	X射线CT时间序列中的欠采样断层图像	计算机视觉	NA	X射线CT	卷积神经网络	断层图像	两个80GB的断层图像数据集
20988	2024-08-07	Predicting pregnancy using large-scale data from a women's health tracking mobile application 2019-May, Proceedings of the ... International World-Wide Web Conference. International WWW Conference DOI:10.1145/3308558.3313512 PMID:31538145	研究论文	本文利用女性健康追踪移动应用程序的大规模数据，开发了四种模型（包括逻辑回归模型和三个LSTM模型）来预测女性怀孕的概率	利用女性健康追踪移动应用程序的数据，首次展示了从移动健康追踪数据中预测怀孕的可行性，并开发了一种从深度学习模型中提取时间趋势的技术	NA	探索利用女性健康追踪移动应用程序的数据预测怀孕的可行性	女性怀孕概率	NA	NA	LSTM	逻辑回归模型, LSTM模型	数据日志	7900万条日志，来自65,276名女性
20989	2024-08-07	Towards Machine Learning Prediction of Deep Brain Stimulation (DBS) Intra-operative Efficacy Maps 2019-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2509728 PMID:31602087	研究论文	本文提出了一种基于机器学习的方法，通过卷积神经网络对磁共振成像（MRI）中的每个体素进行分类，以预测深部脑刺激（DBS）手术中的疗效图	本文将DBS手术中的疗效预测问题重新定义为分类问题，并使用基于补丁的卷积神经网络进行分类，相较于基于注册的方法，提高了分类性能	尽管本文的方法显示出改进，但仍需要进一步的验证	改进DBS手术前的规划和个性化治疗策略	187名患者的2,869个刺激坐标及其相关的3D补丁和疗效评分	机器学习	NA	磁共振成像（MRI）	卷积神经网络（CNN）	图像	187名患者，2,869个刺激坐标
20990	2024-08-07	Cortical graph neural network for AD and MCI diagnosis and transfer learning across populations 2019, NeuroImage. Clinical DOI:10.1016/j.nicl.2019.101929 PMID:31491832	研究论文	本研究利用结合皮质厚度和几何信息的谱图卷积神经网络（graph-CNN），基于ADNI-2队列的3089个T1加权MRI数据，识别轻度认知障碍（MCI）和阿尔茨海默病（AD），并评估其在不同人群中的预测可行性	本研究首次展示了将基于一个人群训练的AD/MCI分类器迁移到其他人群的可行性，并发现结合皮质几何信息的CNN有潜力提高分类性能	NA	探索机器学习与神经影像数据结合在早期诊断MCI和AD中的应用，并评估分类器在不同人群中的预测能力	轻度认知障碍（MCI）和阿尔茨海默病（AD）的诊断	机器学习	阿尔茨海默病	谱图卷积神经网络（graph-CNN）	CNN	MRI图像	ADNI-2队列3089个样本，ADNI-1队列3602个样本，亚洲队列347个样本
20991	2024-08-07	An artificial intelligent diagnostic system on mobile Android terminals for cholelithiasis by lightweight convolutional neural network 2019, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0221720 PMID:31513631	research paper	本文提出了一种基于Android移动终端的轻量级卷积神经网络人工智能诊断系统，用于胆结石识别	该系统针对移动设备的计算能力和存储容量限制，设计了轻量级的卷积神经网络MobileNetV2，实现了高效的胆结石识别	训练任务在PC上完成，移动终端仅执行识别任务	开发适用于移动设备的人工智能诊断系统，用于胆结石的识别	胆结石的CT图像	machine learning	胆结石	卷积神经网络	CNN	image	从山东省第三医院收集的胆结石CT图像数据集
20992	2024-08-07	Integration of Machine Learning Methods to Dissect Genetically Imputed Transcriptomic Profiles in Alzheimer's Disease 2019, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2019.00726 PMID:31552082	研究论文	本研究利用组织特异性的cis-eQTL基因表达预测模型，对808个样本的基因型进行分析，并通过无监督和有监督的机器学习方法解析 imputed 转录组数据，以识别潜在的生物学关联。	研究首次将变分自编码器和支持向量机分类器结合，用于组织特异性基因优先级排序，并发现这种组合可以提高深度学习分类器的准确性。	尽管使用了深度学习分类模型，但由于eQTL变异的遗传力较低，预测能力相对较低，且分类能力高度依赖于网络结构。	旨在通过机器学习技术解析阿尔茨海默病的遗传 imputed 转录组数据，以更好地理解其生物学基础。	研究对象包括对照组、轻度认知障碍患者和阿尔茨海默病患者。	机器学习	阿尔茨海默病	cis-eQTL基因表达预测模型	变分自编码器、支持向量机、循环神经网络	转录组数据	808个样本
20993	2024-08-07	Extraction of chemical-protein interactions from the literature using neural networks and narrow instance representation 2019-01-01, Database : the journal of biological databases and curation DOI:10.1093/database/baz095 PMID:31622463	研究论文	本文采用深度学习方法从生物医学文献中提取化学-蛋白质相互作用，基于在BioCreative VI CHEMPROT任务中的参与进行了多种改进	使用简单的深度学习模型和非常窄的关系实例表示，仅使用最短依赖路径中的最多10个单词及其相应的依赖边	NA	改进从生物医学文献中检索和自动提取关系的方法，以收集越来越多的已发表作品中的结构化信息	化学-蛋白质相互作用	自然语言处理	NA	深度学习	双向长短期记忆循环网络或卷积神经网络	文本	测试集上的F1-score为0.6306
20994	2024-08-07	Translational AI and Deep Learning in Diagnostic Pathology 2019, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2019.00185 PMID:31632973	综述	本文综述了人工智能在病理学中的应用，特别是深度学习技术在细胞成像和诊断病理学实际应用中的创新	介绍了深度学习技术在病理学中的不同方法，以及推动这一创新的公共挑战和新兴应用	NA	探讨人工智能在临床实践中的转化，特别是如何无缝集成到数字病理工作流程中，以提高诊断效率和准确性	深度学习技术在病理学中的应用	数字病理学	NA	深度学习	NA	图像	NA
20995	2024-08-07	Deep Leaning Based Multi-Modal Fusion for Fast MR Reconstruction 2018-Nov-29, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2018.2883958 PMID:30507491	研究论文	本文提出了一种基于深度学习的多模态融合方法，用于快速磁共振成像重建	首次通过深度学习融合多模态磁共振成像数据以加速特定目标图像的重建	NA	加速磁共振成像过程并减少运动伪影	T1加权图像和欠采样的T2加权图像	计算机视觉	NA	深度学习	Dense-Unet	图像	3D T2加权图像体积，欠采样率为8
20996	2024-08-05	Decoding phenotypic screening: A comparative analysis of image representations 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.02.022 PMID:38510976	研究论文	本文旨在利用JUMP-CP数据集开发高通量筛选数据的通用表示模型	提出了一种使用自监督学习的方法，能够提供更鲁棒的表征，并优化训练策略	研究可能面临的数据集限制和适用性问题	开发用于高通量筛选数据的通用表示模型	主要针对使用U2OS细胞和CellPainting协议生成的数据	数字病理学	NA	深度学习	自监督学习模型	图像	使用了来自多个联盟伙伴的数据
20997	2024-08-05	Deep learning-based voxel sampling for particle therapy treatment planning 2024-Jul-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad5bba PMID:38917844	研究论文	本文提出了一种基于深度学习的体素采样方法来改善粒子治疗的治疗计划	引入了一种不依赖于特定患者输入的深度学习模型，以实现最佳体素采样	使用了70名头颈癌患者的数据进行训练，可能限制了模型的泛化能力	旨在通过优化体素选择过程来提高粒子治疗的计算效率	研究对象为接受碳离子治疗的头颈癌患者	数字病理学	NA	人工智能（AI）基础设施	深度学习模型	治疗计划数据	70名头颈癌患者（50名用于训练，10名用于验证，10名用于测试）
20998	2024-08-05	Uncertainty quantification via localized gradients for deep learning-based medical image assessments 2024-Jul-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad611d PMID:38981594	研究论文	本研究介绍了一种新的基于梯度的不确定性量化方法，用于深度学习医学图像评估.	提出了一种新的后处理不确定性量化方法，克服了现有方法的局限，能够增强用户对临床模型的信任.	研究主要集中在转移疾病的分界，可能不适用于其他类型的医学图像评估.	旨在提高深度学习医学图像评估模型的可靠性和用户信任.	研究对象为深度学习模型在医学图像评估中的应用，包括转移性疾病的检测.	数字病理学	NA	深度学习	NA	图像	四个临床相关实验的性能评估
20999	2024-08-05	CGMega: explainable graph neural network framework with attention mechanisms for cancer gene module dissection 2024-Jul-17, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-50426-6 PMID:39013885	研究论文	提出一种解释性图神经网络框架CGMega，以进行癌症基因模块分解	开发了基于图注意力的深度学习框架CGMega，超越当前癌症基因预测方法，并有效整合多组学信息	NA	研究癌症基因模块的分解及其在癌症发展中的作用	应用CGMega于乳腺癌细胞系和急性髓系白血病患者	数字病理学	急性髓系白血病	深度学习	图神经网络	基因组数据	乳腺癌细胞系和急性髓系白血病患者的样本
21000	2024-08-05	Identifying rice field weeds from unmanned aerial vehicle remote sensing imagery using deep learning 2024-Jul-16, Plant methods IF:4.7Q1 DOI:10.1186/s13007-024-01232-0 PMID:39014411	研究论文	本文提出了一种名为RMS-DETR的多尺度特征增强DETR网络，用于识别水稻田杂草	通过在DETR模型中添加多尺度特征提取分支，提升了对水稻田杂草的识别能力	引入多尺度特征层导致模型计算增加，降低了模型推理速度	旨在提高水稻田杂草的精确识别能力，以便于精准喷药	水稻田中的杂草	计算机视觉	NA	深度学习	DETR	图像	构建的水稻田杂草数据集和DOTA公共数据集