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
22601	2024-08-05	Comparing and Validating Machine Learning Models for Mycobacterium tuberculosis Drug Discovery 2018-10-01, Molecular pharmaceutics IF:4.5Q1 DOI:10.1021/acs.molpharmaceut.8b00083 PMID:29672063	研究论文	本研究比较和验证了针对分枝杆菌的机器学习模型，用于药物发现	提出了新的贝叶斯模型，与现有的深度学习模型相比显示出相似或更好的性能	仅使用了153个化合物的评估集进行模型测试，样本量可能较小	提高针对分枝杆菌的新药物发现的效率	分枝杆菌活性小分子化合物	机器学习	结核病	机器学习	贝叶斯模型	分子数据	共涉及18886个化合物和153个测试化合物
22602	2024-08-05	Lamisil (terbinafine) toxicity: Determining pathways to bioactivation through computational and experimental approaches 2018-10, Biochemical pharmacology IF:5.3Q1 DOI:10.1016/j.bcp.2018.07.043 PMID:30076845	研究论文	本文研究了Lamisil（特比萘芬）引起的特异性肝毒性及其生物活化途径	通过结合计算建模和实验动力学，首次识别了导致TBF-A生成的途径，从而评估其在特异性药物不良反应中的作用	模型预测与实验研究在直接TBF-A形成的重要性上存在差异	探讨特比萘芬的代谢途径及其生成反应性代谢物TBF-A的机制	特比萘芬及其代谢产物	数字病理学	NA	计算建模和实验动力学	深度学习模型	代谢数据	使用了人肝微粒体的混合样本
22603	2024-08-05	Brain Decoding from Functional MRI Using Long Short-Term Memory Recurrent Neural Networks 2018-Sep, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-030-00931-1_37 PMID:30320311	研究论文	本研究开发了一种基于深度学习的框架，通过LSTM递归神经网络对脑功能状态进行解码	利用LSTM RNN模型，基于个体特定的内在功能网络提取功能特征进行脑解码，克服了以往研究的局限	关于不同认知过程的特定时间点和时间窗口处理可能不够灵活	研究脑功能状态与不同认知过程之间的解码	任务功能成像数据中提取的功能特征	计算机视觉	NA	功能性核磁共振成像	LSTM	图像	使用HCP数据集中的任务fMRI数据进行评估
22604	2024-08-05	Identification of Temporal Transition of Functional States Using Recurrent Neural Networks from Functional MRI 2018-Sep, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-030-00931-1_27 PMID:30320310	研究论文	本研究开发了一种基于深度学习的框架，用于自适应检测功能状态的动态转变	提出了一种在没有任何明确建模假设的情况下，采用递归神经网络进行时间序列建模以检测功能状态的变化	所提出的方法可能对不同类型的 fMRI 数据效果不一	了解支持不同认知过程的大脑功能活动	使用人类连接组项目获取的任务和静息态 fMRI 数据	数字病理学	NA	深度学习	递归神经网络 (RNN)	功能性磁共振成像 (fMRI) 数据	使用来自人类连接组项目的任务和静息态 fMRI 数据
22605	2024-08-05	Detecting Depression Severity by Interpretable Representations of Motion Dynamics 2018-May, Proceedings of the ... International Conference on Automatic Face and Gesture Recognition. IEEE International Conference on Automatic Face & Gesture Recognition DOI:10.1109/FG.2018.00116 PMID:30271308	研究论文	本文开发了一种可解释的方法，自动测量抑郁症的严重程度	使用面部标志的重心坐标和基于李代数的3D头部运动旋转矩阵，使深度学习具有可解释性	未提及具体局限性	研究抑郁症的严重程度测量方法	患有慢性抑郁症史的成年人	机器学习	抑郁症	高斯混合模型（GMM）和Fisher向量编码	多类SVM	面部和头部运动动态数据	涉及慢性抑郁症史的成年人，具体样本量未提及
22606	2024-08-05	Image analysis and machine learning for detecting malaria 2018-04, Translational research : the journal of laboratory and clinical medicine IF:6.4Q1 DOI:10.1016/j.trsl.2017.12.004 PMID:29360430	研究论文	本文概述了用于显微镜疟疾诊断的图像分析和机器学习方法	介绍了深度学习和智能手机技术在未来疟疾诊断中的最新进展	未提及具体的局限性	改善疟疾诊断以减少死亡率	显微镜血液涂片中的寄生虫计数	计算机视觉	疟疾	图像分析软件和机器学习方法	深度学习	图像	未提及样本大小
22607	2024-08-05	NON-RIGID IMAGE REGISTRATION USING SELF-SUPERVISED FULLY CONVOLUTIONAL NETWORKS WITHOUT TRAINING DATA 2018-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/ISBI.2018.8363757 PMID:30079127	研究论文	提出了一种基于全卷积网络(FCN)的新颖非刚性图像配准算法	与大多数现有的深度学习图像配准方法不同，我们的方法在无训练数据的情况下直接估计空间变换	未提及此方法在其他类型图像上的表现	优化和学习待配准图像对之间的空间变换	3D结构脑磁共振(MR)图像	计算机视觉	NA	自监督学习	全卷积网络(FCN)	图像	NA
22608	2024-08-05	Fully Convolutional Neural Networks Improve Abdominal Organ Segmentation 2018-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2293751 PMID:29887665	研究论文	本研究评估全卷积神经网络在T2加权磁共振成像中进行腹部器官分割的适用性	该研究展示了全卷积神经网络在腹部MRI分割中的应用，提供了深度学习相对于经典多图谱方法的优势	研究中使用的训练数据相对有限，且FCNN模型未经过特定训练	研究的目的是改进腹部器官在MRI上的分割效果	研究对象为T2加权MRI中的腹部器官，包括肝脏、脾脏等	计算机视觉	脾肿大	全卷积神经网络（FCNN）	FCNN	医学影像	研究涉及45个T2加权MRI（训练36张，测试9张）和138个T2加权MRI（标记胰腺）
22609	2024-08-05	Learning Implicit Brain MRI Manifolds with Deep Learning 2018-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2293515 PMID:29887659	研究论文	本研究利用深度学习技术探讨正常大脑的隐式流形并生成新的高质量图像	通过使用生成对抗网络（GAN）进行无监督的T1加权脑MRI合成，克服了以往研究对明确相似性度量的假设限制	可能在合成和去噪过程中存在对于特定样本的假设偏差，未考虑所有大脑MRI的多样性	研究脑MRI图像的隐式流形，从而改善图像处理技术	528个2D轴切片的脑MRI样本	计算机视觉	NA	生成对抗网络（GAN）和自编码器	GAN和具有跳跃连接的自编码器	图像	528个脑MRI的2D轴切片
22610	2024-08-05	Computationally Assessing the Bioactivation of Drugs by N-Dealkylation 2018-02-19, Chemical research in toxicology IF:3.7Q2 DOI:10.1021/acs.chemrestox.7b00191 PMID:29355304	研究论文	本文探讨了药物N-去烷基化生物活化的计算评估	首次报告通过结合代谢模型和反应性模型构建的生物活化模型	研究仅基于小型验证集进行测试，可能未涵盖所有药物	研究N-去烷基化在药物代谢中的作用及其生物活化潜力	主要研究人类肝微粒体（HLM）对药物的N-去烷基化反应	计算生物学	NA	深度学习	NA	药物代谢数据	小型验证集的药物分子
22611	2024-08-05	Tumor Margin Classification of Head and Neck Cancer Using Hyperspectral Imaging and Convolutional Neural Networks 2018-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2293167 PMID:30245540	研究论文	本研究利用高光谱成像和卷积神经网络对头颈癌肿瘤边缘进行分类	提出了一种新的方法，通过注册的组织学癌症边缘生成高光谱成像的真实标签，并使用三种不同的CNN架构进行组织分类	样本量有限，仅涉及20名患者，需进一步研究以验证结果	研究高光谱成像在癌症切除后识别肿瘤边缘的能力	来自20名接受癌症切除手术的患者的人体手术标本	计算机视觉	头颈癌	高光谱成像	卷积神经网络	图像	20个患者的手术标本
22612	2024-08-05	A resolution adaptive deep hierarchical (RADHicaL) learning scheme applied to nuclear segmentation of digital pathology images 2018, Computer methods in biomechanics and biomedical engineering. Imaging & visualization DOI:10.1080/21681163.2016.1141063 PMID:29732269	研究论文	本文提出了一种分辨率自适应深层次学习方案，以提高数字病理图像的核分割效率	创新性地结合低分辨率深度学习网络来判断是否需要高放大率，以优化计算效率和精度	未提及使用多种癌症类型或其他病理图像的评估，可能会限制方法的广泛适用性	研究深度学习在数字病理图像核分割中的应用，以提高处理效率	141个ER+乳腺癌图像的核分割任务	数字病理学	乳腺癌	深度学习	深度层次学习模型	图像	141个ER+乳腺癌图像，包含12000个核的专家标注
22613	2024-08-05	Deep Auto-context Convolutional Neural Networks for Standard-Dose PET Image Estimation from Low-Dose PET/MRI 2017-Dec-06, Neurocomputing IF:5.5Q1 DOI:10.1016/j.neucom.2017.06.048 PMID:29217875	研究论文	本文提出了一种深度学习架构，从低质量低剂量PET图像和MRI的T1加权成像中估计高质量标准剂量PET图像。	本研究创新性地结合了低剂量PET图像和MRI数据，通过卷积神经网络的多模块自适应策略实现精准图像估计。	未提及具体的临床试验数据量以及可能的局限性。	降低患者的辐射暴露风险的同时，保持PET图像的高质量。	低剂量PET图像和MRI中的T1加权成像。	计算机视觉	NA	深度学习	卷积神经网络	图像	真实人脑PET/MRI数据
22614	2024-08-05	A two-step convolutional neural network based computer-aided detection scheme for automatically segmenting adipose tissue volume depicting on CT images 2017-Jun, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2017.03.017 PMID:28495009	研究论文	本研究开发并测试了一种基于深度学习的计算机辅助检测方案，能够自动分割CT图像中的亚胚脂肪和内脏脂肪区域	提出了一种两步卷积神经网络（CNN）框架，克服了传统方法对单一CT图像切片评估脂肪区域的限制	该研究使用的CT图像数据集是回顾性收集的，可能受到数据选择偏差的影响	研究目的在于提高CT图像中脂肪区域自动分割的准确性	研究对象为人类的CT图像，尤其是涉及亚胚脂肪区域和内脏脂肪区域的图像	计算机视觉	肿瘤风险	深度学习	卷积神经网络（CNN）	CT图像	2,240个CT切片用于选择，84,000个像素补丁用于分割
22615	2024-08-05	Marginal Shape Deep Learning: Applications to Pediatric Lung Field Segmentation 2017-Feb-11, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2254412 PMID:28592911	研究论文	本文提出了边缘形状深度学习（MaShDL）框架，旨在通过深度分类器实现可变形物体的分割。	该框架结合了统计形状模型的优势和深度学习的自动特征学习架构，是首个使用深度学习框架进行参数化形状学习以 delineate 可变形物体的示范。	尽管该框架在高复杂性多参数估计问题上表现良好，但具体的实现细节和效果在不同场景中的普遍适用性尚需进一步验证。	研究通过深度学习改善 deformable 对象的分割效果。	本研究的对象是314幅正常与异常的小儿胸部 X 光片中的肺野。	数字病理学	肺癌	深度学习	深度分类器	医学影像	314幅小儿胸部 X 光片
22616	2024-08-05	A deep learning based strategy for identifying and associating mitotic activity with gene expression derived risk categories in estrogen receptor positive breast cancers 2017-06, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.23065 PMID:28192639	研究论文	本文探讨了一种基于深度学习的策略，用于识别和关联雌激素受体阳性乳腺癌中的有丝分裂活性与基因表达相关风险类别	提出了一种深度学习分类器，以识别ER+乳腺癌的有丝分裂图像，并与Oncotype DX风险类别相关联	BR等级存在显著的观察者间变异性，可能会影响结果的准确性	开发深度学习分类器以识别ER+乳腺癌全切片图像中的有丝分裂图像	使用174个早期ER+乳腺癌的全切片图像进行研究	数字病理学	乳腺癌	深度学习	支持向量机	图像	174个全切片图像
22617	2024-08-05	Deep ensemble learning of sparse regression models for brain disease diagnosis 2017-04, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2017.01.008 PMID:28167394	研究论文	本文提出了一种结合稀疏回归模型和深度学习的新框架用于阿尔茨海默病和轻度认知障碍的诊断和预后	这是第一个将稀疏回归模型与深度神经网络结合的工作	NA	研究稀疏回归与深度学习在脑疾病诊断中的应用	阿尔茨海默病和轻度认知障碍患者	机器学习	阿尔茨海默病	NA	深度卷积神经网络	脑成像数据	ADNI队列的样本
22618	2024-08-05	Imaging-based enrichment criteria using deep learning algorithms for efficient clinical trials in mild cognitive impairment 2015-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1016/j.jalz.2015.01.010 PMID:26093156	研究论文	本文介绍了一种新的多模态影像标志物，用于预测轻度认知障碍患者未来的认知和神经衰退	提出了一种新的深度学习算法（随机去噪自编码器标志物，rDAm），用于临床试验中识别最有可能受益的轻度认知障碍患者群体	研究可能未能考虑所有类型的轻度认知障碍患者，限制了结果的通用性	提高在轻度认知障碍患者中进行临床试验的效率和发现治疗效果的能力	轻度认知障碍患者，尤其是可能在试验期间恶化并受益于治疗的个体	计算机视觉	阿尔茨海默病	正电子发射断层扫描（PET），结构磁共振成像	随机去噪自编码器	多模态影像数据	使用ADNI2 MCI数据，样本数量减少至少五倍
22619	2024-08-05	Predicting effects of noncoding variants with deep learning-based sequence model 2015-Oct, Nature methods IF:36.1Q1 DOI:10.1038/nmeth.3547 PMID:26301843	研究论文	本研究开发了一种基于深度学习的算法框架DeepSEA，用于从序列预测非编码变体的功能效应	提出了一种新算法，能够直接从大规模染色质剖析数据中学习调控序列编码，从而以单核苷酸敏感性预测序列变化的染色质效应	NA	预测非编码变体的功能效应	非编码变体，包括表达数量性状位点（eQTL）和与疾病相关的变体	计算机视觉	NA	深度学习	NA	序列数据	大规模染色质剖析数据
22620	2024-08-05	Randomized denoising autoencoders for smaller and efficient imaging based AD clinical trials 2014, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-319-10470-6_59 PMID:25485413	研究论文	本文探讨如何利用随机去噪自编码器(rDA)提高阿尔茨海默病临床试验的效率	提出了一种新颖的深度学习模型rDA，它考虑了方差，并在样本大小估计上显著优于基于多核学习的策略	未提及具体的局限性	提高阿尔茨海默病的影像学临床试验效率	针对阿尔茨海默病的预测性测量和样本大小估计	机器学习	阿尔茨海默病	深度学习	随机去噪自编码器(rDA)	影像	NA