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
21361	2024-08-07	Combining learning and constraints for genome-wide protein annotation 2019-Jun-17, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-019-2875-5 PMID:31208327	研究论文	本文介绍了OCELOT系统，该系统通过结合序列预测器和模糊逻辑规则的一致性层，用于全基因组蛋白质的功能和相互作用注释	OCELOT系统通过整合先验知识，显著提高了预测质量，并在实验中表现优于其他方法	NA	开发一种能够考虑现有知识约束的预测框架，以提高机器生成注释的质量	全基因组蛋白质的功能和相互作用注释	机器学习	NA	NA	NA	序列	酵母基因组
21362	2024-08-07	Deep convolutional neural networks for mammography: advances, challenges and applications 2019-Jun-06, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-019-2823-4 PMID:31167642	综述	本文详细回顾了深度卷积神经网络（CNNs）在乳腺X线摄影图像分析中的应用，包括其优势、局限性和性能	总结了83项研究中应用CNNs在乳腺摄影中的最佳实践，以提高诊断准确性，并深入探讨了用于各种任务的CNNs架构	指出了当前研究中存在的挑战和需要进一步探索的方向	旨在为乳腺摄影研究社区提供当前和未来研究的基石，并指导选择最适合的数据库	乳腺X线摄影图像分析	计算机视觉	乳腺癌	深度学习（DL），卷积神经网络（CNN）	CNN	图像	涉及83项研究
21363	2024-08-07	Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer 2019-06-04, Human reproduction (Oxford, England) DOI:10.1093/humrep/dez064 PMID:31111884	研究论文	本研究开发了一种名为IVY的深度学习模型，能够从原始时间流逝视频中直接预测胎儿心脏妊娠的概率，无需任何手动形态动力学注释或囊胚形态评估。	该模型提供了一个客观且完全自动化的系统，用于从时间流逝视频中预测妊娠概率，避免了传统方法中的人为主观性和变异性。	本研究为回顾性分析，显示了深度学习模型的高预测能力，但其临床影响尚不确定，需要进一步的前瞻性随机对照试验来评估其临床意义。此外，模型目前仅适用于第5天的胚胎，对于第3天移植的情况需要额外调整。	开发一种深度学习模型，用于从时间流逝视频中预测胎儿心脏妊娠的概率。	时间流逝视频和临床结果。	机器学习	NA	深度学习	深度学习模型	视频	10,638个胚胎
21364	2024-08-07	Biomedical Image Processing with Containers and Deep Learning: An Automated Analysis Pipeline: Data architecture, artificial intelligence, automated processing, containerization, and clusters orchestration ease the transition from data acquisition to insights in medium-to-large datasets 2019-06, BioEssays : news and reviews in molecular, cellular and developmental biology IF:3.2Q1 DOI:10.1002/bies.201900004 PMID:31094000	研究论文	本文介绍了一种结合数据管理、人工智能、容器化、集群编排和质量控制的统一分析管道，用于处理中型到大型生物医学图像数据集	提出了一个结合多种技术的新型分析方法，能够加速研究进程	NA	开发一种自动化的分析管道，以简化从数据采集到洞察的过程	中型到大型生物医学图像数据集	计算机视觉	NA	深度学习	NA	图像	NA
21365	2024-08-07	DeepConv-DTI: Prediction of drug-target interactions via deep learning with convolution on protein sequences 2019-06, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1007129 PMID:31199797	研究论文	本文提出了一种基于深度学习的药物-靶点相互作用预测模型DeepConv-DTI，通过在蛋白质序列上进行卷积操作来捕捉参与药物-靶点相互作用的蛋白质局部残基模式	该模型在原始蛋白质序列上执行卷积操作，能够捕捉到更广泛的蛋白质类别中的局部残基模式，并且在预测性能上优于以往基于蛋白质描述符的模型和近期开发的深度学习模型	NA	开发一种新的计算模型，用于提高药物-靶点相互作用的预测准确性	药物-靶点相互作用	机器学习	NA	卷积神经网络(CNN)	CNN	蛋白质序列	大规模的药物-靶点相互作用信息
21366	2024-08-07	PPR-Meta: a tool for identifying phages and plasmids from metagenomic fragments using deep learning 2019-06-01, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giz066 PMID:31220250	研究论文	介绍了一种名为PPR-Meta的工具，利用深度学习技术从宏基因组片段中同时识别噬菌体和质粒	PPR-Meta是首个能够同时高效可靠地识别噬菌体和质粒片段的工具	NA	开发一种能够同时识别宏基因组数据中噬菌体和质粒片段的工具	噬菌体和质粒片段	机器学习	NA	深度学习	Bi-path Convolutional Neural Network	序列	使用人工拼接和真实宏基因组数据进行测试
21367	2024-08-07	Intelligent ICU for Autonomous Patient Monitoring Using Pervasive Sensing and Deep Learning 2019-05-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-44004-w PMID:31142754	研究论文	本研究探讨了使用无处不在的传感技术和人工智能在重症监护室（ICU）中进行自主和细致监测的可行性	本研究展示了使用非侵入性系统对重症患者及其环境进行细致和自主监测的潜力	本研究为试点研究，样本量较小，需要进一步的大规模研究验证	研究在ICU中使用传感技术和人工智能进行自主监测的可行性	重症监护室中的患者及其环境	机器学习	NA	深度学习	NA	图像、声音、光强度	本研究未明确提及具体样本数量
21368	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）
21369	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
21370	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
21371	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
21372	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
21373	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
21374	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
21375	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
21376	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
21377	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
21378	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
21379	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
21380	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