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
22261	2024-08-05	Multiresolution Application of Artificial Intelligence in Digital Pathology for Prediction of Positive Lymph Nodes From Primary Tumors in Bladder Cancer 2020-04, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.19.00155 PMID:32330067	研究论文	本研究开发了一种基于人工智能的模型，用于通过数字评估原发肿瘤来识别淋巴结转移的患者	采用新颖的人工智能方法应用于数字病理，以预测膀胱癌患者原发肿瘤中的淋巴结阳性情况	样本量相对较小，尤其是在内部验证组中	研究旨在基于数字病理图像评估原发肿瘤以预测淋巴结转移	研究对象为307名膀胱癌患者，包括294名来自TCGA的患者和13名来自本院的患者	数字病理学	膀胱癌	深度学习	多变量逻辑回归模型	图像	307名患者
22262	2024-08-05	Deep Learning for Automatic Calcium Scoring in CT: Validation Using Multiple Cardiac CT and Chest CT Protocols 2020-04, Radiology IF:12.1Q1 DOI:10.1148/radiol.2020191621 PMID:32043947	研究论文	该文章评估了一种深度学习方法在多种CT检查中自动计算钙得分的性能	提出了一种能适应不同类型CT检查的深度学习钙得分算法，并通过补充代表性图像来验证其效果	未探讨在非常规或其他类型CT协议下的性能表现	评估深度学习方法在各种CT检查中的自动钙得分能力	7240名接受不同类型非增强CT检查的参与者	计算机视觉	心血管疾病	卷积神经网络	CNN	图像	7240名参与者
22263	2024-08-05	Target identification among known drugs by deep learning from heterogeneous networks 2020-Jan-13, Chemical science IF:7.6Q1 DOI:10.1039/c9sc04336e PMID:34123272	研究论文	本文开发了一种深度学习方法deepDTnet，用于从异构网络中识别已知药物的新靶点和药物再利用。	deepDTnet在识别已知药物的新分子靶点方面具有高准确性，超过了以往的最新方法。	未提及研究的具体限制。	研究目的是开发一种有效的药物靶点识别和药物再利用的方法。	研究对象为732种FDA批准的小分子药物。	机器学习	NA	深度学习	NA	NA	732种FDA批准的小分子药物
22264	2024-08-05	Identification of Bacterial Blight Resistant Rice Seeds Using Terahertz Imaging and Hyperspectral Imaging Combined With Convolutional Neural Network 2020, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2020.00821 PMID:32670316	研究论文	本研究探讨了利用太赫兹成像技术和近红外高光谱成像技术识别抗细菌性褐斑病水稻种子的可行性	结合太赫兹成像与卷积神经网络（CNN）的方法在准确性上超过了传统的近红外高光谱成像	未提到具体的样本种类与数量，因此对结果的普遍性需进一步验证	快速识别出抗细菌性褐斑病的水稻种子	抗细菌性褐斑病水稻种子	数字病理学	NA	太赫兹成像和近红外高光谱成像	卷积神经网络（CNN）	高光谱图像和光谱数据	NA
22265	2024-08-05	Predicting tumor cell line response to drug pairs with deep learning 2018-Dec-21, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-018-2509-3 PMID:30577754	研究论文	该文章提出了一种用于预测肿瘤细胞系对药物组合反应的深度学习计算模型	提出了基于残差神经网络的新模型，能够解释94%的反应方差，并且展示了药物描述符在预测中的主要作用	需要更多细胞系的筛选数据以更有效地利用分子特征	旨在建模组合药物活性的预测	对NCI-ALMANAC数据库中的药物组合进行细胞系反应预测	机器学习	NA	深度学习	残差神经网络	NA	60个肿瘤细胞系
22266	2024-08-05	Deep clustering of protein folding simulations 2018-Dec-21, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-018-2507-5 PMID:30577777	研究论文	本文探讨了使用深度学习技术对生物分子模拟进行聚类的问题	该研究采用卷积变分自编码器（CVAE）从长时间尺度的蛋白质折叠模拟中无监督地学习生物物理相关的低维潜在特征	缺乏对其他生物分子系统的适用性验证	旨在通过深度学习技术提取与复杂生物过程相关的定量见解	研究对象为三种模型蛋白质折叠系统，包括Fs肽、villin头部片段和β-β-α（BBA）蛋白	机器学习	NA	CVAE	卷积变分自编码器	模拟数据	三种蛋白质折叠系统的总采样时间超过800μs
22267	2024-08-05	Autosegmentation for thoracic radiation treatment planning: A grand challenge at AAPM 2017 2018-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.13141 PMID:30144101	研究论文	本文报告了2017年美国医学物理学会年会上组织的胸部自动分割挑战的方法和结果	提供了一个基准数据集和评估平台用于胸部CT图像中风险器官的自动分割方法的表现评估	虽然出现了最佳分割结果，但各算法之间在性能上没有显著差异	研究胸部CT图像中风险器官的自动分割方法	参与挑战的算法针对左肺、右肺、心脏、食道和脊髓等风险器官	数字病理学	NA	深度学习	NA	CT图像	60个胸部CT扫描
22268	2024-08-05	Deep learning to predict the lab-of-origin of engineered DNA 2018-08-07, Nature communications IF:14.7Q1 DOI:10.1038/s41467-018-05378-z PMID:30087331	研究论文	本文应用深度学习技术来预测DNA序列的来源实验室	使用卷积神经网络对来自2230个实验室的42,364个工程DNA序列进行训练，提升了来源预测的准确性	来源实验室的识别率仅为48%，而且没有单一的决定性证据来确认DNA序列与某个实验室的关联	研究基因工程技术及其可能的恶意用途，旨在提高DNA来源预测的效率	来自2230个实验室的工程DNA序列	机器学习	NA	深度学习	卷积神经网络	序列数据	42,364个工程DNA序列
22269	2024-08-05	Characterization and quantification of in-vitro equine bone resorption in 3D using μCT and deep learning-aided feature segmentation 2024-Aug, Bone IF:3.5Q2 DOI:10.1016/j.bone.2024.117131 PMID:38777311	研究论文	本研究开发了一种准确的高通量方法来定量马骨吸收体积。	开发了一种基于深度学习的CNN用于3D μCT图像中骨吸收事件的识别，无需预培养成像。	主要基于马骨样本，可能不适用于其他种类的骨骼。	旨在定量分析马骨中的成骨细胞吸收活动。	以马骨切片为研究对象，分析骨吸收的3D表现。	数字病理学	NA	μCT	卷积神经网络（CNN U-Net类似）	3D图像	使用已知吸收区域的档案骨切片进行训练，样本量不详
22270	2024-08-05	Validation of de novo designed water-soluble and transmembrane β-barrels by in silico folding and melting 2024-Jul, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.5033 PMID:38864690	研究论文	本文探讨了基于深度学习的结构预测算法在新设计水溶性和跨膜β桶蛋白的验证中的应用	提出了一种新的基于逐步扰动的预测方法 ('in silico melting')，并强调了不同算法在设计识别和实验预测成功率中的优势	缺乏高质量模型与实验成功之间关系的正式证据	研究深度学习结构预测模型的可解释性及其在复杂蛋白设计中的潜力	研究新设计的水溶性和跨膜β桶蛋白	计算机视觉	NA	深度学习	AlphaFold2, ESMFold	蛋白质结构	实验特征化的新设计水溶性和跨膜β桶蛋白
22271	2024-08-05	Multi-center Dose Prediction Using Attention-aware Deep learning Algorithm Based on Transformers for Cervical Cancer Radiotherapy 2024-Jul, Clinical oncology (Royal College of Radiologists (Great Britain)) DOI:10.1016/j.clon.2024.03.022 PMID:38631974	研究论文	提出了一种基于Transformer的AtTranNet算法用于宫颈癌放射治疗中的剂量预测	开发了针对多个中心的数据集的深度学习算法，能够快速、准确地进行剂量预测	该研究可能无法覆盖所有类型的治疗方案和癌症患者的特征	开发一种强大的深度学习算法以实现宫颈癌体积调制弧治疗的剂量准确预测	367名宫颈癌患者和70名不同处方的子宫内膜癌患者	数字病理学	宫颈癌	深度学习	Transformer	医学影像数据	共367名宫颈癌患者和70名子宫内膜癌患者
22272	2024-08-05	Prediction and visualization of moisture content in Tencha drying processes by computer vision and deep learning 2024-Jul, Journal of the science of food and agriculture IF:3.3Q2 DOI:10.1002/jsfa.13381 PMID:38349009	研究论文	本文利用计算机视觉和深度学习技术检测Tencha干燥过程中的水分含量	将计算机视觉与一维卷积神经网络相结合，新颖地实现了对Tencha干燥过程水分含量的预测与可视化	研究未提及样本多样性和外部验证的范围	旨在提高Tencha干燥过程中水分含量的监测和控制	Tencha干燥过程中的水分含量	计算机视觉	NA	深度学习	一维卷积神经网络（1D-CNN）	图像	NA
22273	2024-08-05	Time series prediction of insect pests in tea gardens 2024-Jul, Journal of the science of food and agriculture IF:3.3Q2 DOI:10.1002/jsfa.13393 PMID:38372506	研究论文	该研究探讨了在茶园中白蝴蝶种群的时间序列预测。	研究使用了三种深度学习算法进行茶园虫害的时间序列预测，特别强调了LSTM-Attention的效果。	对深度学习算法在茶园虫害预测中的应用研究仍然有限。	研究茶园中虫害的时间序列预测，以确保茶叶质量。	主要研究对象是茶园中的白蝴蝶种群。	机器学习	NA	深度学习	LSTM-Attention, LSTM, Informer	时间序列数据	NA
22274	2024-08-05	A deep learning model for DNA enhancer prediction based on nucleotide position aware feature encoding 2024-Jun-21, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.110030 PMID:38868182	研究论文	该文章提出了一种基于深度学习的DNA增强子预测模型PDCNN	PDCNN模型通过统计核苷酸表示提取基因序列中的隐藏特征，增强了预测准确性	当前模型可能无法解决所有类型的基因序列特征	研究深度学习在DNA增强子预测中的应用	基因序列中的DNA增强子	机器学习	NA	深度学习	卷积神经网络	基因序列	NA
22275	2024-08-05	Deep learning model based on contrast-enhanced MRI for predicting post-surgical survival in patients with hepatocellular carcinoma 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e31451 PMID:38868019	研究论文	本文旨在开发基于对比增强MRI数据的深度学习模型，以预测肝细胞癌患者的术后总生存率。	本研究的创新点在于使用三维卷积神经网络（3D-CNN）从MRI图像中提取特征，并结合临床因素建立综合模型，从而提高了预测能力。	该研究仅为回顾性研究，可能存在选择偏倚，并且尚需进一步验证模型的通用性。	研究的目的是提高肝细胞癌患者术后生存率的预测能力。	研究对象为564名接受手术切除的肝细胞癌患者。	计算机视觉	肝癌	对比增强MRI	3D-CNN	图像	共涉及564名手术切除患者，分为训练集（326），测试集（143）和外部验证集（95）
22276	2024-08-05	GSOOA-1DDRSN: Network traffic anomaly detection based on deep residual shrinkage networks 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e32087 PMID:38868050	研究论文	本文提出了一种基于深度残差收缩网络的网络流量异常检测方法GSOOA-1DDRSN	提出了一种改进的鱼鹰优化算法来选取网络流量中最相关和重要的特征，并设计了一维深度残差收缩网络作为分类器	未提及具体的局限性	增强网络流量异常检测的能力	网络流量数据	网络安全	NA	优化算法和深度学习	一维深度残差收缩网络 (1DDRSN)	网络流量数据	使用了NSL-KDD和UNSW-NB15数据集进行验证
22277	2024-08-05	Application of the artificial intelligence system based on graphics and vision in ethnic tourism of subtropical grasslands 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e31442 PMID:38867958	研究论文	本研究旨在通过利用深度学习算法和物联网技术来优化民族旅游资源的评估和决策。	本文改进了现有的深度学习算法，整合了ResNet + Canny + 局部二值模式（LBP）的特征提取算法，并提出智能决策方法。	本研究未提及具体的局限性。	该研究的目的是优化乡村旅游的智能发展技术。	本研究针对蒙古装饰图案进行识别和特征提取。	计算机视觉	NA	深度学习算法，物联网技术	AlexNet, VGGNet, ResNet	图像	NA
22278	2024-08-05	A deep neural network algorithm-based approach for predicting recovery period of accidents according to construction scale 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e32215 PMID:38868011	研究论文	本文提出了一种基于深度神经网络算法预测建筑工地事故恢复期的方法	创新地使用深度神经网络根据施工规模开发事故预测模型	未提及特定的限制因素	旨在提高对建筑工地事故恢复期的预测准确性	建筑工地的事故恢复期	机器学习	NA	深度神经网络 (DNN)	DNN	NA	NA
22279	2024-08-05	Information-hiding cameras: Optical concealment of object information into ordinary images 2024-Jun-14, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adn9420 PMID:38865455	研究论文	我们介绍了一种信息隐藏相机，结合了通过深度学习联合优化的电子解码器	该系统使用衍射光学处理器，将输入图像转换并隐藏成看似普通的模式，具有多种秘密消息的无限组合能力	NA	研究信息隐藏技术在视觉信息安全中的应用	信息隐藏衍射相机在不同光照条件和噪声水平下的性能	计算机视觉	NA	衍射光学处理	深度学习	图像	NA
22280	2024-08-05	Dual-Extraction Modeling: A multimodal deep learning architecture for phenotypic prediction and functional gene mining of complex traits 2024-Jun-13, Plant communications IF:9.4Q1 DOI:10.1016/j.xplc.2024.101002 PMID:38872306	研究论文	本文介绍了一种多模态深度学习架构Dual-Extraction Modeling (DEM)，用于复杂性状的表型预测和功能基因挖掘	提出了双重提取建模方法，能够从异质组学数据集中提取代表性特征，具有优越的准确性和解释性	研究中未提及具体的样本量和数据限制	研究旨在开发一种通用的多模态计算工具，以实现准确的表型预测和特征相关基因的识别	研究对象为复杂性状的表型和影响这些性状的功能基因	机器学习	NA	深度学习	NA	组学数据	NA