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
22421	2024-08-05	Deep Learning for Automated Liver Segmentation to Aid in the Study of Infectious Diseases in Nonhuman Primates 2021-11, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2020.08.023 PMID:32943333	研究论文	本研究探讨了深度学习在非人类灵长类动物感染疾病研究中自动肝脏分割的应用	首次在非人类灵长类动物的全身CT图像中应用先进的CNN算法进行肝脏分割	主要集中在非人类灵长类动物上，可能不适用于其他物种	提升对感染性疾病中肝脏的准确分割和分析能力	37只非人类灵长类动物的82个CT扫描图像	数字病理学	感染性疾病	深度学习	CNN，FPN、VNet和UNet	图像	37只动物的82个扫描
22422	2024-08-05	Converting tabular data into images for deep learning with convolutional neural networks 2021-05-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-90923-y PMID:34059739	研究论文	本研究提出了一种新算法IGTD，将表格数据转换为图像，以便使用卷积神经网络进行深度学习	开发了一种新的算法，能够通过优化特征与像素位置的赋值，将表格数据转换为图像	未提及具体的局限性	研究如何将表格数据有效地转换为图像以供深度学习使用	将癌细胞系的基因表达谱和药物的分子描述符作为研究对象	计算机视觉	癌症	卷积神经网络(CNN)	卷积神经网络(CNN)	图像	使用了基因表达谱和药物分子描述符的多个样本，但具体数量未提供
22423	2024-08-05	MSA-Regularized Protein Sequence Transformer toward Predicting Genome-Wide Chemical-Protein Interactions: Application to GPCRome Deorphanization 2021-04-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.0c01285 PMID:33757283	研究论文	本研究开发了一种新的深度学习框架来预测化学物质与未注释的进化分化蛋白质之间的相互作用	提出了新的方法DISAE，通过结合进化信息和自监督学习，能够从未标记的蛋白质序列中捕获功能关系	研究未能探讨所有可能的化学-蛋白质相互作用，且对数据的依赖可能影响预测的准确性	旨在改进对未注释蛋白质的 ligand 预测并推动 GPCRome 的去孤立化研究	未注释的蛋白质及其与小分子的相互作用	机器学习	NA	自监督学习	DISAE	蛋白质序列	使用了所有蛋白质序列及其多序列比对（MSA）
22424	2024-08-05	A network-based deep learning methodology for stratification of tumor mutations 2021-Apr-09, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaa1099 PMID:33416857	研究论文	本研究开发了一种基于网络嵌入的分层方法，以识别具有临床相关性的患者亚型。	提出了一种网络嵌入的分层方法（NES），能通过基因网络区域的相似性来分类肿瘤亚型。	该研究可能需要在不同数据集中验证其通用性。	旨在通过分析肿瘤突变谱进行肿瘤分层。	分析7344个肿瘤外显子样本的体细胞突变特征。	数字病理学	癌症	网络嵌入方法	lightGBM分类算法	突变配置文件	7344个肿瘤外显子样本
22425	2024-08-05	Harnessing clinical annotations to improve deep learning performance in prostate segmentation 2021, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0253829 PMID:34170972	研究论文	本文评估了使用临床生成的标注来开发高性能前列腺分割模型的有效性	首次展示了未经精炼的临床前列腺标注在其他前列腺分割任务中的模板模型应用显著提升了性能	研究仅限于特定的前列腺数据集，未探索其他类型的肿瘤或疾病数据	提高前列腺图像分割的模型性能	针对前列腺图像的分割任务	计算机视觉	前列腺癌	3D U-Net卷积神经网络 (CNN)	CNN	图像	1620个来自临床的分割标注和两个挑战数据集 (PROMISE12: 50位患者, ProstateX-2: 99位患者)
22426	2024-08-05	An Artificial Intelligence-Assisted Method for Dementia Detection Using Images from the Clock Drawing Test 2021, Journal of Alzheimer's disease : JAD DOI:10.3233/JAD-210299 PMID:34334396	研究论文	本文提出了一种基于时钟绘制测试图像的人工智能辅助痴呆检测方法	创新点在于利用深度学习分析时钟绘制测试图像来预测痴呆状态	尚需进一步验证模型的有效性和可推广性	评估机器学习模型是否可以通过时钟绘制测试图像预测轻度认知障碍或痴呆	研究对象包括3263名认知正常和160名认知受损的参与者	计算机视觉	老年痴呆	深度学习算法	NA	图像	3263名认知正常和160名认知受损的参与者
22427	2024-08-05	Data Augmentation and Transfer Learning to Improve Generalizability of an Automated Prostate Segmentation Model 2020-12, AJR. American journal of roentgenology DOI:10.2214/AJR.19.22347 PMID:33052737	研究论文	本研究开发了一个高质量的前列腺分割模型，能够在多个独立数据集上保持高性能	通过转移学习和数据增强改善了前列腺分割模型在外部中心的泛化能力	模型的性能依赖于测试中心的数据，可能影响通用性	旨在提高自动化前列腺分割模型的泛化能力	648名接受前列腺MRI检查的患者的数据集	数字病理学	前列腺癌	深度学习	2D和3D架构	医学影像	648名患者的数据集
22428	2024-08-05	Predicting RNA SHAPE scores with deep learning 2020-09, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2020.1760534 PMID:32476596	研究论文	本文提出了一种机器学习方法，用于预测体内RNA的SHAPE评分	提出了一种结合RNA二级结构预测结果和核苷酸序列的机器学习方法	未提及具体的样本量和数据来源	提高计算RNA折叠模拟的准确性	体内RNA结构	机器学习	NA	NA	NA	NA	NA
22429	2024-08-05	Generalizing Deep Learning for Medical Image Segmentation to Unseen Domains via Deep Stacked Transformation 2020-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2020.2973595 PMID:32070947	研究论文	本文提出了一种深度堆叠变换的方法，以改进医学图像分割在未见域上的泛化能力	提出了通过在单一源域上进行广泛的数据增强，来模拟特定医学成像模式的预期域偏移，从而提高模型在未见域上的表现	需要在目标域的相关数据（及其注释）上重新训练模型的通用迁移学习和领域适应技术限制了其广泛部署的实际应用	研究医学图像分割模型在不同医院、扫描仪制造商、成像协议和患者人群等变化领域中的泛化能力	对前列腺、左心房和左心室三个不同的3D分割任务进行训练和评估	数字病理	前列腺癌	数据增强	深度学习模型	3D图像	单源域的数据集（10~32个体积），以及一个较大的数据集（465个体积）
22430	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
22431	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
22432	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
22433	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
22434	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
22435	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
22436	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
22437	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
22438	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
22439	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
22440	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