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
22701	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）
22702	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
22703	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
22704	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
22705	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
22706	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
22707	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
22708	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
22709	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
22710	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
22711	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
22712	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
22713	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
22714	2024-08-05	A Siamese deep learning framework for efficient hardware Trojan detection using power side-channel data 2024-Jun-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-62744-2 PMID:38844523	研究论文	本文提出了一种新颖的Siamese神经网络框架来检测硬件特洛伊木马	采用了非侵入性的电源侧信道信号处理，且不需要IC的黄金模型	研究中没有提到实际应用中的复杂环境或其他类型的攻击	提高集成电路安全性，检测隐藏的硬件特洛伊木马	使用从Trojan Power & EM Side-Channel数据集中提取的特征进行训练	计算机视觉	NA	电源侧信道信号处理	SNN, LSTM, GRU, CNN	信号数据	使用Trojan Power & EM Side-Channel数据集的样本
22715	2024-08-05	Exploring potential circRNA biomarkers for cancers based on double-line heterogeneous graph representation learning 2024-Jun-06, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02564-6 PMID:38844961	研究论文	本研究提出了一种新的方法CDA-DGRL，用于预测circRNA-疾病关联	该方法通过图网络和双线表示模型整合图节点特征，实现了对局部和全局图网络结构的有效捕捉，解决了现有模型在稀疏局部结构信息利用上的局限性	该研究可能受到现有生物数据稀疏性的限制，尽管提出了方法来缓解这一问题	本研究旨在可靠地识别circRNA-疾病关联，以减少传统生物实验的需求	该研究的对象是circRNA和疾病之间的关联	数字病理学	NA	深度学习框架，图神经网络	图卷积神经网络	生物信息数据	通过对circR2Disease数据集进行五折交叉验证获得结果
22716	2024-08-07	Author Correction: Opportunistic detection of type 2 diabetes using deep learning from frontal chest radiographs 2024-Jun-06, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-49184-2 PMID:38844459	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
22717	2024-08-05	Choroidalyzer: An Open-Source, End-to-End Pipeline for Choroidal Analysis in Optical Coherence Tomography 2024-Jun-03, Investigative ophthalmology & visual science IF:5.0Q1 DOI:10.1167/iovs.65.6.6 PMID:38833259	研究论文	本文开发了一个开源的全自动管道Choroidalyzer，用于光学相干层析中的脉络膜分析	Choroidalyzer通过自动化方法提高了脉络膜、血管和中心凹分割的准确性，是一种客观和标准化的分析工具	本文未涉及不同成像设备和系统疾病对结果的潜在影响	本研究的目的是开发一个脉络膜分析的开源管道	本文的研究对象包括233名受试者，涉及6个系统性疾病队列	数字病理学	NA	OCT	U-Net	图像	5600个OCT B扫描
22718	2024-08-05	Automatic detection of brain tumors with the aid of ensemble deep learning architectures and class activation map indicators by employing magnetic resonance images 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2022.11.010 PMID:36593139	研究论文	本研究旨在通过集成深度学习架构和类激活图指标自动检测脑肿瘤	使用集成深度学习架构（ResNet50, VGG19, InceptionV3和MobileNet）和类激活图（CAMs）作为辅助工具进行脑肿瘤诊断	暂未提及研究的局限性	实现脑肿瘤的自动检测，提高早期诊断的准确性	使用MRI图像检测不同类型的脑肿瘤	计算机视觉	脑癌	MRI	ResNet50, VGG19, InceptionV3, MobileNet	图像	未提及
22719	2024-08-05	Predicting disease-related MRI patterns of multiple sclerosis through GAN-based image editing 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.12.001 PMID:38143166	研究论文	本研究应用 StyleGAN 模型探索与多发性硬化症相关的模式并预测MRI中的疾病进展	使用StyleGAN模型在潜在空间中模拟多发性硬化症的进展，展示了深度学习在医学影像中的潜力	没有提到具体的局限性	研究多发性硬化症的MRI图像模式及其进展预测	多发性硬化症患者和健康对照者的T1加权GRE MRI图像和基于扩散的ADC图	计算机视觉	多发性硬化症	深度学习	StyleGAN	图像	使用多发性硬化症患者和健康对照者的MRI样本
22720	2024-08-05	Artificial intelligence-based analysis of whole-body bone scintigraphy: The quest for the optimal deep learning algorithm and comparison with human observer performance 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.01.008 PMID:36932023	研究论文	本研究开发了深度学习模型，以自动化分析全身骨显像扫描并与人类观察者的表现进行比较	提出了使用深度学习模型自动化分类正常和异常扫描以及区分恶性与非肿瘤性骨病	AI模型在第二项分析中的性能与人类观察者相当，需更多数据来验证	研究旨在提高对全身骨显像扫描的解读效率和准确性	研究对象包括7188名患者中的3772名和2248名参与者	计算机视觉	恶性骨病	深度学习	CNN	医学图像	3772名患者用于第一项分析，2248名患者用于第二项分析