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
21081	2024-08-05	Adaptive Sampling Methods for Molecular Dynamics in the Era of Machine Learning 2023-12-21, The journal of physical chemistry. B DOI:10.1021/acs.jpcb.3c04843 PMID:38081185	评论	本文探讨了在分子动力学中应用的自适应采样算法	提出了一种仅通过在特定种子上重新启动MD轨迹来增强采样的自适应采样算法	本文讨论了自适应采样方法的不足之处	研究旨在改善分子动力学中蛋白质构象变化的采样	重点关注自适应采样算法及其在真实系统中的应用	计算机视觉	NA	深度学习技术	NA	NA	NA
21082	2024-08-05	A Hybrid Deep Learning Approach to Identify Preventable Childhood Hearing Loss 2023 Sep-Oct 01, Ear and hearing IF:2.6Q1 DOI:10.1097/AUD.0000000000001380 PMID:37318215	研究论文	这项研究评估了机器学习在自动分类中耳的鼓膜图形中的效用，以便利资源匮乏社区中的普通人引导的鼓膜测量	该研究使用混合深度学习模型在儿童听力筛查中实现了与听力学家相当的中耳疾病检测性能	该研究只涉及来自阿拉斯加农村地区的特定听力筛查人群，可能限制了模型的普适性	评估机器学习在家庭引导鼓膜测量中的应用，以识别可预防的儿童听力损失	研究对象为1635名来自阿拉斯加农村地区的学龄儿童	计算机视觉	听力损失	机器学习	混合深度学习模型	鼓膜图	4810对鼓膜图形和1635名儿童
21083	2024-08-05	Unlocking the Potential: Predicting Redox Behavior of Organic Molecules, from Linear Fits to Neural Networks 2023-Aug-08, Journal of chemical theory and computation IF:5.7Q1 DOI:10.1021/acs.jctc.3c00355 PMID:37463673	综述	本文讨论了有机分子的还原和氧化电位预测的现代技术	探讨了从线性拟合到神经网络的不同预测方法，超越常规的第一性原理计算和热力学循环	未详细讨论每种方法的适用范围和具体局限性	研究有机分子的还原氧化行为预测方法	还原活性有机分子及其在不同应用中的表现	化学	NA	机器学习	神经网络	数据集	目前可用的还原活性有机分子数据集及其实验和计算性质
21084	2024-08-05	Enhancing Opioid Bioactivity Predictions through Integration of Ligand-Based and Structure-Based Drug Discovery Strategies with Transfer and Deep Learning Techniques 2023-Aug-07, bioRxiv : the preprint server for biology DOI:10.1101/2023.08.04.552065 PMID:37609329	研究论文	本文探讨了通过结合基于配体和基于结构的药物发现策略与迁移和深度学习技术来提高阿片类生物活性预测的有效性	创新点在于使用结合的分子描述符构建稳健的深度学习模型，以提升阿片类配体在各个OR亚型上的生物活性预测	研究可能面临样本不足以实现充分预测性能的问题	旨在发现更好的阿片类药物以降低成瘾潜力	研究对象为阿片受体（OR）亚家族中的配体	计算机视觉	NA	深度学习	NA	分子描述符	NA
21085	2024-08-05	Structure-based prediction of T cell receptor:peptide-MHC interactions 2023-Jan-20, eLife IF:6.4Q1 DOI:10.7554/eLife.82813 PMID:36661395	研究论文	本文评估了基于结构的模型在T细胞受体与肽-MHC相互作用预测中的潜力	利用深度神经网络的AlphaFold模型生成TCR:肽-MHC相互作用的结构模型	尽管当前的预测准确性较高，但在广泛的实际应用中仍需大量工作	研究T细胞受体对肽-MHC相互作用特异性的预测	T细胞受体与肽-MHC相互作用	计算机视觉	NA	深度学习	AlphaFold	NA	NA
21086	2024-08-07	Probing the 3D architecture of the plant nucleus with microscopy approaches: challenges and solutions 2019-12, Nucleus (Austin, Tex.) DOI:10.1080/19491034.2019.1644592 PMID:31362571	研究论文	本文探讨了使用高至超分辨率显微镜和图像处理技术来解析植物细胞核的三维结构，并提出了相应的挑战和解决方案	本文引入了高至超分辨率显微镜和图像处理技术，以实现对植物细胞核三维结构的最佳空间和时间分辨率的定量和细胞特异性分析	NA	解码影响细胞反应和身份的核组织原则	植物细胞核的三维结构	数字病理学	NA	高至超分辨率显微镜，图像处理	NA	图像	NA
21087	2024-08-07	Automatic 3D Bi-Ventricular Segmentation of Cardiac Images by a Shape-Refined Multi- Task Deep Learning Approach 2019-09, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2019.2894322 PMID:30676949	研究论文	本文提出了一种结合多任务深度学习和图谱传播的形状精细化双心室分割方法，用于短轴心脏磁共振体积图像的自动分割	该方法通过2.5D全卷积网络结合计算优势和3D空间一致性，并设计了精细化步骤以明确施加形状先验知识，提高分割质量	NA	开发一种自动化的形状精细化双心室分割方法，以提高心脏磁共振图像分割的准确性和 anatomical smoothness	心脏磁共振图像中的双心室分割	计算机视觉	NA	深度学习	全卷积网络（FCN）	图像	1831名健康受试者和649名肺动脉高压受试者
21088	2024-08-07	Deep Learning to Improve Breast Cancer Detection on Screening Mammography 2019-08-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-48995-4 PMID:31467326	研究论文	本文开发了一种深度学习算法，用于在筛查乳腺X线摄影中准确检测乳腺癌	采用端到端训练方法，减少了对罕见病灶注释的依赖，并展示了模型在不同乳腺X线摄影平台间的迁移能力	NA	提高乳腺癌筛查中乳腺X线摄影的检测准确性	乳腺癌检测	机器学习	乳腺癌	深度学习	全卷积网络	图像	独立测试集包括来自Digital Database for Screening Mammography (CBIS-DDSM)的数字化胶片乳腺X线摄影图像和来自INbreast数据库的全场数字乳腺摄影(FFDM)图像
21089	2024-08-07	Reverse active learning based atrous DenseNet for pathological image classification 2019-Aug-28, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-019-2979-y PMID:31455228	研究论文	本文提出了一种基于深度反向主动学习（DRAL）和空洞密集网络（ADN）的病理图像分类训练策略	提出的DRAL通过移除训练集中的错误标记块来提高分类准确性，ADN结合空洞卷积和密集块进行多尺度特征提取	NA	提高深度学习模型在部分标记错误的训练数据集上的性能	病理图像分类	数字病理学	NA	深度学习	DenseNet	图像	使用了BACH、CCG和UCSB三个病理数据集进行评估
21090	2024-08-07	Accurate and instant frequency estimation from noisy sinusoidal waves by deep learning 2019-Aug-15, Nano convergence IF:13.4Q1 DOI:10.1186/s40580-019-0197-y PMID:31414287	研究论文	本文使用深度学习网络从带有噪声的正弦波中估计频率	设计了一个三层神经网络，能够从与白噪声混合的正弦波中提取频率，并展示了如何将模型泛化到其他频率范围	NA	开发一种能够从噪声正弦波中准确且快速估计频率的方法	带有噪声的正弦波	机器学习	NA	深度学习网络	神经网络	波形数据	10万个波形用于训练和测试模型
21091	2024-08-07	scAlign: a tool for alignment, integration, and rare cell identification from scRNA-seq data 2019-08-14, Genome biology IF:10.1Q1 DOI:10.1186/s13059-019-1766-4 PMID:31412909	research paper	本文介绍了一种名为scAlign的无监督深度学习方法，用于单细胞RNA测序数据的整合，能够处理部分重叠或完整的细胞标签，并估计跨数据集的每个细胞基因表达差异	scAlign方法在跨数据集的细胞类型特异性表达和细胞类型组成变化方面表现出色，具有高度的鲁棒性	NA	开发一种新的数据整合方法，用于识别不同条件或物种间细胞类型特异性的基因表达差异，以及批次效应校正	单细胞RNA测序数据	machine learning	NA	scRNA-seq	deep learning	基因表达数据	NA
21092	2024-08-07	HENA, heterogeneous network-based data set for Alzheimer's disease 2019-08-14, Scientific data IF:5.8Q1 DOI:10.1038/s41597-019-0152-0 PMID:31413325	研究论文	本文介绍了一种基于异构网络的阿尔茨海默病数据集（HENA），并展示了使用图卷积网络（深度学习方法）分析大型异构生物数据集的应用。	提出了一个基于异构网络的阿尔茨海默病数据集（HENA），并展示了如何利用图卷积网络进行分析。	NA	旨在通过整合不同领域的实验数据，为阿尔茨海默病的研究提供一个系统的视角。	阿尔茨海默病及其相关痴呆症的机制和潜在药物靶点。	生物信息学	阿尔茨海默病	图卷积网络	图卷积网络	异构生物数据集	NA
21093	2024-08-07	Machine learning applications in prostate cancer magnetic resonance imaging 2019-08-07, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-019-0109-2 PMID:31392526	综述	本文综述了机器学习（ML）在前列腺磁共振成像（MRI）中的最新应用	介绍了深度学习（DL）这一特殊类型的机器学习，包括其模仿人类神经网络的结构及其‘黑箱’特性	临床应用仍需在不同扫描仪供应商、场强和机构中进行更强大的验证	旨在概述机器学习在前列腺MRI中的应用	前列腺MRI中的机器学习应用	机器学习	前列腺癌	磁共振成像（MRI）	深度学习（DL）	图像	NA
21094	2024-08-07	Beginnings of Artificial Intelligence in Medicine (AIM): Computational Artifice Assisting Scientific Inquiry and Clinical Art - with Reflections on Present AIM Challenges 2019-Aug, Yearbook of medical informatics DOI:10.1055/s-0039-1677895 PMID:31022744	review	本文回顾了医学领域中人工智能（AI）的起源及其发展历程，特别是早期基于知识的方法与机器学习方法的交替使用，并探讨了当前深度学习在AI中的应用及其面临的挑战。	文章强调了深度学习在医学AI中的新兴作用，以及它如何改变传统的基于知识的方法。	尽管深度学习在医学AI中取得了许多成功，但仍面临科学挑战，如如何结合脑科学、认知和语言模型，以及如何在不影响人类判断和专业知识的情况下应用这些进展。	旨在概述医学AI的早期发展及其后续进展，并从当前的‘AI-深度学习热潮’角度探讨其在生物医学研究和临床推理中的应用。	研究对象包括医学AI的历史发展、不同模型在临床实践与生物医学科学中的应用，以及当前AI在生物医学应用中的挑战。	machine learning	NA	Deep Learning	Deep Learning	text	NA
21095	2024-08-07	A clinically applicable approach to continuous prediction of future acute kidney injury 2019-08, Nature IF:50.5Q1 DOI:10.1038/s41586-019-1390-1 PMID:31367026	研究论文	本文开发了一种深度学习方法，用于连续预测未来急性肾损伤的风险	该模型能够提供预测的置信度评估和每个预测的关键临床特征列表，以及临床相关血液测试的预测未来轨迹	NA	实现对患者未来恶化风险的连续更新和准确预测，以便及时干预	急性肾损伤，一种常见且可能危及生命的疾病	机器学习	肾脏疾病	深度学习	深度学习模型	电子健康记录	703,782名成年患者，涵盖172个住院和1,062个门诊站点
21096	2024-08-07	Single-Particle Diffusion Characterization by Deep Learning 2019-07-23, Biophysical journal IF:3.2Q2 DOI:10.1016/j.bpj.2019.06.015 PMID:31280841	研究论文	本文利用深度学习技术对单粒子扩散轨迹进行分类，以推断导致异常扩散的潜在过程	本文采用神经网络对单粒子轨迹进行分类，并展示了其在估计Hurst指数和扩散系数方面的应用，相比传统的时间平均MSD分析，具有更高的准确性和更少的步骤需求	NA	开发一种简单的方法，利用多条短轨迹准确评估扩散过程	单粒子扩散轨迹	机器学习	NA	深度学习	神经网络	轨迹数据	模拟数据和实验数据，包括多条短轨迹（最少25步）和极短轨迹（10步）
21097	2024-08-07	Automatic CNN-based detection of cardiac MR motion artefacts using k-space data augmentation and curriculum learning 2019-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2019.04.009 PMID:31055126	研究论文	本文提出了一种基于k空间数据增强和课程学习的自动检测心脏磁共振（CMR）电影图像中运动伪影的方法	提出了一种基于k空间合成伪影创建的数据增强方案和基于合成伪影严重程度的预定义课程学习方法	仅在UK Biobank数据集的一个子集上进行了评估，可能需要进一步验证其在其他数据集上的性能	开发自动检测心脏磁共振图像中运动伪影的技术	心脏磁共振电影图像中的运动伪影	计算机视觉	NA	k空间数据增强	3D-CNN和LRCN	图像	3510张心脏磁共振图像
21098	2024-08-07	A high-bias, low-variance introduction to Machine Learning for physicists 2019-May-30, Physics reports DOI:10.1016/j.physrep.2019.03.001 PMID:31404441	综述	本文为物理学家提供了一个易于理解和直观的机器学习核心概念和工具的介绍	强调了机器学习与统计物理之间的自然联系，并使用Python Jupyter笔记本引入现代ML/统计包	NA	为物理学家介绍机器学习的核心概念和工具	机器学习的基本概念和高级主题	机器学习	NA	NA	神经网络	数据集	使用物理启发的数据集（如Ising模型和蒙特卡罗模拟的质子-质子碰撞的超级对称衰变）
21099	2024-08-07	Fast and robust active neuron segmentation in two-photon calcium imaging using spatiotemporal deep learning 2019-04-23, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.1812995116 PMID:30975747	研究论文	本文提出了一种利用3D卷积神经网络对双光子钙成像视频中的活性神经元进行快速且鲁棒的自动分割方法	该方法利用了双光子钙成像视频中的全时空信息，并在多种双光子显微镜数据集上展示了其优于现有技术的性能，与手动分割相当	NA	开发一种自动、快速且可靠的活性神经元分割方法，以支持实时行为研究中的神经信号分析	双光子钙成像视频中的活性神经元	计算机视觉	NA	双光子显微镜	3D卷积神经网络	视频	多种双光子显微镜数据集
21100	2024-08-07	Evolutionarily informed deep learning methods for predicting relative transcript abundance from DNA sequence 2019-03-19, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.1814551116 PMID:30842277	研究论文	本文开发了两种考虑进化关系的方法，用于改进从DNA序列预测相对转录本丰度的深度学习模型	本文提出的两种方法考虑了生物系统内的进化依赖性，通过基因家族引导的分割和直系同源对比，提高了预测的准确性并减少了假阳性	NA	开发和验证考虑进化关系的深度学习方法，以提高从DNA序列预测mRNA表达水平的准确性	mRNA表达水平预测	机器学习	NA	深度学习	深度学习模型	DNA序列	不同基因家族和直系同源基因