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
21141	2024-08-07	Deep Learning Convolutional Neural Networks for the Automatic Quantification of Muscle Fat Infiltration Following Whiplash Injury 2019-05-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-44416-8 PMID:31138878	研究论文	本研究使用深度学习卷积神经网络（CNN）自动量化鞭打损伤后的肌肉脂肪浸润（MFI）	本研究首次使用CNN模型自动量化MFI，并展示了其高测试可靠性和准确性	NA	研究目的是提高肌肉测量效率和客观性，以便量化监测颈椎及其他疾病中的肌肉特性	研究对象为39名鞭打损伤后3个月的参与者	计算机视觉	颈椎疾病	深度学习卷积神经网络（CNN）	CNN	高分辨率脂肪-水图像	39名参与者（26名女性，平均年龄=31.7±9.3岁）
21142	2024-08-07	The Use of Deep Learning to Predict Stroke Patient Mortality 2019-05-28, International journal of environmental research and public health DOI:10.3390/ijerph16111876 PMID:31141892	研究论文	本文利用深度神经网络通过医疗使用和健康行为数据预测中风患者的死亡率	采用量化缩放的主成分分析（PCA）从医疗记录中提取相关背景特征，并使用深度神经网络（DNN）进行预测	NA	研究如何通过医疗使用和健康行为数据预测中风患者的死亡率	中风患者	机器学习	NA	主成分分析（PCA）	深度神经网络（DNN）	医疗记录数据	15,099名中风患者
21143	2024-08-07	A photometric stereo-based 3D imaging system using computer vision and deep learning for tracking plant growth 2019-05-01, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giz056 PMID:31127811	研究论文	本文介绍了一种基于光度立体技术的低成本便携式3D植物表型平台PS-Plant，用于跟踪和预测不同环境下植物的生长表现	首次将光度立体技术应用于植物表型分析，并开发了定制的计算机视觉算法和深度神经网络架构	NA	提高自动化植物表型分析的准确性，并加速表型与基因型之间的联系	模型植物拟南芥在不同环境下的生长结构	计算机视觉	NA	光度立体技术	深度神经网络	图像	221个手动注释的拟南芥花序，共1,768张图像
21144	2024-08-07	Deep Learning in Image Cytometry: A Review 2019-04, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.23701 PMID:30565841	综述	本文综述了深度学习在细胞和组织样本显微图像数据中的应用	介绍了深度学习与传统图像数据信息提取方法的区别	未提供应用这些方法到自己数据的完整手册	旨在增加对深度学习方法的理解，并强调输入数据要求、计算资源、挑战和局限性	深度学习在图像细胞学中的应用	计算机视觉	NA	深度学习	CNN	图像	NA
21145	2024-08-07	Segmentation of retinal fluid based on deep learning: application of three-dimensional fully convolutional neural networks in optical coherence tomography images 2019, International journal of ophthalmology IF:1.9Q2 DOI:10.18240/ijo.2019.06.22 PMID:31236362	研究论文	本文探讨了一种基于深度学习的视网膜液体分割算法，以实现对视网膜液体患者的准确诊断和治疗	提出了一个三维全卷积神经网络用于视网膜OCT图像的分割，减少了类别不平衡的影响，并实现了端到端的体积图像分割	NA	探索基于深度学习的分割算法，以提高视网膜液体诊断的准确性	视网膜液体	计算机视觉	NA	全卷积神经网络	CNN	图像	NA
21146	2024-08-07	Adversarial Learning of Knowledge Embeddings for the Unified Medical Language System 2019, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:31259009	研究论文	本文提出了一种使用生成对抗网络（GANs）从统一医学语言系统（UMLS）中的知识图谱学习知识嵌入的技术，并展示了其在临床预测模型中的应用	利用生成对抗网络学习UMLS嵌入，提高了临床预测模型的性能	NA	探索如何将UMLS中的知识整合到深度学习方法中	UMLS中的知识图谱，包括Metathesaurus和Semantic Network	机器学习	NA	生成对抗网络（GANs）	GAN	知识图谱	NA
21147	2024-08-07	Objective and Automated Detection of Diffuse White Matter Abnormality in Preterm Infants Using Deep Convolutional Neural Networks 2019, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2019.00610 PMID:31275101	研究论文	本文提出了一种使用深度卷积神经网络自动检测早产儿脑白质异常的方法	采用深度学习方法自动识别T1加权MRI图像上的脑白质异常区域，模型性能优于其他流行的机器学习模型	NA	开发一种客观且自动化的方法来准确识别早产儿的脑白质异常	早产儿的脑白质异常	计算机视觉	NA	深度学习	CNN	图像	95名早产儿用于交叉验证和保留验证，28名早产儿用于外部验证
21148	2024-08-07	Convolutional Neural Networks for Recognition of Lymphoblast Cell Images 2019, Computational intelligence and neuroscience DOI:10.1155/2019/7519603 PMID:31281337	研究论文	本文提出了一种使用卷积神经网络（CNN）识别急性淋巴细胞白血病（ALL）亚型的方法	采用深度学习方法自动提取特征，无需手工设计特征工程	未提及具体限制	探索深度学习方法在识别淋巴细胞和ALL亚型中的可行性	急性淋巴细胞白血病（ALL）的T-淋巴母细胞白血病（pre-T）和B-淋巴母细胞白血病（pre-B）亚型	计算机视觉	白血病	卷积神经网络（CNN）	CNN	图像	未提及具体样本数量
21149	2024-08-07	Fully Automated Segmentation of Lower Extremity Deep Vein Thrombosis Using Convolutional Neural Network 2019, BioMed research international IF:2.6Q3 DOI:10.1155/2019/3401683 PMID:31281832	研究论文	本文提出了一种基于深度学习和对比增强磁共振成像的全自动下肢深静脉血栓分割方法	采用具有编码器-解码器架构的深度学习网络进行DVT分割，相比其他深度学习模型，该CNN模型在DVT分割中表现更优	NA	开发一种有效的全自动下肢深静脉血栓分割方法，以促进诊断和治疗	下肢深静脉血栓	计算机视觉	深静脉血栓	对比增强磁共振成像(CE-MRI)	CNN	图像	58名新诊断的下肢深静脉血栓患者
21150	2024-08-07	How to Agree on a CTC: Evaluating the Consensus in Circulating Tumor Cell Scoring 2018-12, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.23576 PMID:30246927	研究论文	本文介绍了一种开源的循环肿瘤细胞（CTC）评分工具，用于评估不同审查者之间的一致性并促进CTC分类的共识	引入了开源CTC评分工具，并展示了深度学习技术在CTC计数中的应用前景	需要进一步研究以提高计算机识别CTC的准确性	评估循环肿瘤细胞计数的准确性和机构间比较的可行性	循环肿瘤细胞（CTC）的计数和分类	数字病理学	NA	深度学习	NA	图像	100张图像，来自两个不同的平台，由15名审查者和一个专家小组评估
21151	2024-08-07	Deep learning and virtual drug screening 2018-11, Future medicinal chemistry IF:3.2Q3 DOI:10.4155/fmc-2018-0314 PMID:30288997	研究论文	本文探讨了虚拟筛选（VS）与机器学习（ML）的结合，特别是人工神经网络（ANNs）在虚拟筛选中的应用	介绍了使用人工神经网络进行结构基础和配体基础的虚拟筛选，并讨论了如dropout、多任务学习和卷积等技术如何提高ANNs的性能	NA	提高药物发现的效率和准确性	化合物库的虚拟筛选	机器学习	NA	人工神经网络（ANNs）	ANN	化合物数据	NA
21152	2024-08-07	Fast and accurate view classification of echocardiograms using deep learning 2018, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-017-0013-1 PMID:30828647	research paper	本文使用深度学习技术，特别是卷积神经网络，对267个经胸超声心动图中的静态图像和视频进行了15种标准视图的分类	本文首次展示了深度学习在复杂多视图格式超声心动图分类中的高准确性和快速性	NA	验证计算机是否能够学习识别超声心动图的视图，为全面计算机辅助超声心动图解释奠定基础	超声心动图的视图分类	computer vision	NA	深度学习	CNN	image	267个经胸超声心动图
21153	2024-08-07	Scalable and accurate deep learning with electronic health records 2018, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-018-0029-1 PMID:31304302	研究论文	本文提出了一种基于Fast Healthcare Interoperability Resources (FHIR)格式的电子健康记录(EHR)表示方法，并展示了深度学习方法利用这种表示能够准确预测多中心的多项医疗事件，无需特定站点的数据协调。	本文的创新点在于提出了一种新的EHR数据表示方法，并证明了深度学习模型能够利用这种表示方法在多中心环境下进行准确预测，且性能优于传统的临床预测模型。	NA	旨在推动个性化医学和提高医疗质量，通过预测建模与EHR数据结合。	研究对象为EHR数据，特别是来自两个美国学术医疗中心的216,221名成年住院患者的数据。	机器学习	NA	深度学习	神经网络	电子健康记录	216,221名成年患者
21154	2024-08-05	Discovering novel Cathepsin L inhibitors from natural products using artificial intelligence 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.06.009 PMID:39006920	研究论文	本研究采用人工智能和实验方法从天然产品中识别新的Cathepsin L抑制剂	利用深度学习模型和分子对接筛选，发现了新的Cathepsin L抑制剂	临床应用的限制仍然存在	识别新型Cathepsin L抑制剂以用于代谢疾病的治疗	筛选来自天然产品的150种分子以进行实验验证	医药	代谢疾病	人工智能和实验方法	深度学习模型	分子	150种分子
21155	2024-08-05	Tracing the genealogy origin of geographic populations based on genomic variation and deep learning 2024-Sep, Molecular phylogenetics and evolution IF:3.6Q2 DOI:10.1016/j.ympev.2024.108142 PMID:38964594	研究论文	本文开发了一种基于基因组SNP的卷积神经网络方法，以识别地理种群的来源	提出了一种新颖的方法，将全基因组测序与深度学习结合，以提高个体的种群来源追踪准确性	依赖于全面和标准化的基因组参考数据	研究如何利用基因组变异追踪个体的种群来源	文章涉及亚洲蜜蜂、红火蚁和鸡的数据集	机器学习	NA	全基因组测序	卷积神经网络	基因组数据	三个实证数据集和两个模拟种群
21156	2024-08-05	Wavelet Transform, Reconstructed Phase Space, and Deep Learning Neural Networks for EEG-Based Schizophrenia Detection 2024-Sep, International journal of neural systems IF:6.6Q1 DOI:10.1142/S0129065724500461 PMID:39010724	研究论文	本研究提出了一种基于EEG信号的创新专家系统，用于早期诊断精神分裂症	使用重建相空间和连续小波变换最大化正常与精神分裂症个体之间EEG非平稳信号的差异	文章未具体说明样本的多样性和是否考虑其他潜在干扰因素	研究旨在开发一种经济、安全且可靠的EEG测试方法，以早期诊断精神分裂症	针对精神分裂症患者与正常人群的EEG信号进行对比分析	数字病理学	精神分裂症	小波变换	深度学习网络	EEG信号	使用的数据集包含不同个体的EEG信号，具体样本数未提及
21157	2024-08-05	Machine learning for the advancement of genome-scale metabolic modeling 2024-Sep, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2024.108400 PMID:38944218	综述	本文回顾了机器学习在基因组规模代谢建模中的应用与进展	整合不同学科工具和策略，探索生化现象，提升生物工程与生物医学应用	多学科方法论框架的发展主要是独立进行的，这限制了不同领域生物知识的结合	探讨整合多学科工具以提升基因组规模代谢建模的准确性和预测能力	主要研究机器学习与多组学数据在模型重建与分析中的作用	系统生物学	NA	机器学习，深度学习	基因组规模代谢模型(GEM)	组学数据，如转录组学和蛋白质组学	NA
21158	2024-08-05	Deep learning for temporomandibular joint arthropathies: A systematic review and meta-analysis 2024-Aug, Journal of oral rehabilitation IF:3.1Q1 DOI:10.1111/joor.13701 PMID:38757865	meta-analysis	本研究回顾了深度学习模型在颞下颌关节疾病诊断中的应用	该文章评估了深度学习模型在颞下颌关节疾病诊断的高灵敏度和特异性表现	该研究的局限性在于可能存在未被纳入的相关研究	本研究旨在系统评估深度学习在颞下颌关节疾病诊断中的有效性	研究对象是人类关节基础或关节病引起的颞下颌疾病	计算机视觉	NA	深度学习	NA	NA	21项符合条件的研究
21159	2024-08-05	Retina Fundus Photograph-Based Artificial Intelligence Algorithms in Medicine: A Systematic Review 2024-Aug, Ophthalmology and therapy IF:2.6Q2 DOI:10.1007/s40123-024-00981-4 PMID:38913289	综述	本文系统评估了人工智能在视网膜基金照影像中的应用研究	本研究展示了人工智能算法在解读视网膜图像方面的创新应用，具有较高的准确性	本文没有提及具体的算法性能比较或不同数据集的局限性	探讨人工智能在眼科及非眼科疾病中的应用	视网膜基金照影像	计算机视觉	心血管疾病	深度学习	NA	影像	大量临床与影像数据
21160	2024-08-05	Centimeter-Scale Tellurium Oxide Films for Artificial Optoelectronic Synapses with Broadband Responsiveness and Mechanical Flexibility 2024-Jul-16, ACS nano IF:15.8Q1 DOI:10.1021/acsnano.4c04851 PMID:38950148	研究论文	本文介绍了一种由厘米级二氧化碲（TeO）薄膜组成的灵活光电子突触设备，能够检测并展示宽带波长的突触特性	该研究提出了利用光电子特性和机械灵活性的金属氧化物半导体人工突触，强调其在宽带神经形态计算中的应用潜力	未提及具体的测试条件和潜在的长期稳定性问题	探索灵活的光电子突触设备在神经形态计算中的应用	厘米级的二氧化碲薄膜及其光电子突触特性	神经形态计算	NA	光电子技术	NA	NA	NA