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
1021	2024-12-18	Tibetan Plateau grasslands might increase sequestration of microbial necromass carbon under future warming 2024-06-04, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06396-y PMID:38834864	研究论文	本研究探讨了青藏高原草地在未来变暖条件下微生物腐殖质碳（MNC）的固碳能力变化	首次使用基于堆叠自编码器的深度学习模型，预测了青藏高原草地在当前和变暖条件下的MNC总体分布	研究基于大范围采样和已发表的观察数据，可能存在数据偏差	探讨青藏高原草地在变暖条件下的土壤碳固存能力变化	青藏高原草地的微生物腐殖质碳（MNC）	NA	NA	深度学习模型	堆叠自编码器	环境变量	大范围采样和已发表的观察数据
1022	2024-12-18	SOFB is a comprehensive ensemble deep learning approach for elucidating and characterizing protein-nucleic-acid-binding residues 2024-06-03, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06332-0 PMID:38830995	研究论文	本文提出了一种名为SOFB的综合集成深度学习方法，用于阐明和表征蛋白质-核酸结合残基	本文创新性地构建了从自然语言到生物语言的语言学习模型，捕捉蛋白质序列的潜在关系，并结合不同卷积层和Bi-LSTM的集成深度学习序列网络，优化特征表示和分类	NA	设计基于蛋白质序列信息的计算模型，以识别蛋白质中的核酸结合位点	蛋白质中的核酸结合残基	机器学习	NA	集成深度学习	Bi-LSTM	序列	多个DNA/RNA核酸结合残基数据集
1023	2024-12-18	Magnetic Resonance Spectroscopy Quantification Aided by Deep Estimations of Imperfection Factors and Macromolecular Signal 2024-06, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2024.3354123 PMID:38224519	研究论文	本文提出了一种结合线性最小二乘法和深度学习的磁共振波谱（MRS）定量方法，以提高定量精度	首次将线性最小二乘法与深度学习结合用于MRS定量，显著提高了对未见过的代谢物浓度的泛化能力	未提及具体限制	提高磁共振波谱技术在生物医学检测中的定量精度	磁共振波谱信号中的代谢物定量	生物医学检测	NA	磁共振波谱（MRS）	神经网络	信号	20名健康受试者的体内数据
1024	2024-12-18	A Spatiotemporal Deep Learning Framework for Scalp EEG-Based Automated Pain Assessment in Children 2024-06, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2024.3355215 PMID:38231823	研究论文	本文提出了一种基于头皮脑电图（EEG）的时空深度学习框架，用于儿童疼痛的自动评估	首次开发了一种基于头皮EEG的自动化疼痛评估方法，该方法客观、标准化且一致	NA	解决儿童疼痛评估中主观、不一致和不连续的问题	儿童疼痛评估	机器学习	NA	脑电图（EEG）	Transformer	脑电图数据	33名儿童患者
1025	2024-08-07	Author Correction: Optimized model architectures for deep learning on genomic data 2024-May-23, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06318-y PMID:38783006	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1026	2024-12-18	Ultrasound imaging based recognition of prenatal anomalies: a systematic clinical engineering review 2024-05-07, Progress in biomedical engineering (Bristol, England) DOI:10.1088/2516-1091/ad3a4b PMID:39655845	综述	本文综述了基于超声成像的产前异常识别技术，探讨了人工智能在提高筛查效率和准确性方面的应用	本文提出了基于深度学习的可解释人工智能框架，用于构建超声视频流中的异常筛查结果图表，并连接缺陷与可能的变形	本文未详细讨论具体的技术实现细节和临床验证结果	探讨工程技术在提高产前筛查效率和准确性方面的应用	产前超声成像中的胎儿异常识别	计算机视觉	NA	人工智能（AI）、可解释人工智能（XAI）	深度学习	图像、视频	NA
1027	2024-12-18	Frequency Domain Channel-Wise Attack to CNN Classifiers in Motor Imagery Brain-Computer Interfaces 2024-05, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3344295 PMID:38113159	研究论文	本文提出了一种基于频域的通道级攻击方法，用于攻击运动想象脑机接口中的卷积神经网络分类器	本文的创新点在于提出了一种基于频域扰动的攻击方法，而不是传统的时域扰动方法，并且该方法在黑盒场景下不需要详细的模型知识	NA	研究如何评估和攻击运动想象脑机接口中的卷积神经网络模型的脆弱性	运动想象脑机接口中的卷积神经网络分类器	机器学习	NA	卷积神经网络	卷积神经网络	脑电信号	四个公开的运动想象数据集
1028	2024-12-18	A Human-Centered AI Framework for Efficient Labelling of ECGs From Drug Safety Trials 2024-05, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3348329 PMID:38157467	研究论文	本文提出了一种以人为中心的人工智能框架，用于高效标记药物安全试验中的心电图（ECG）数据	该框架结合了深度学习（DL）技术与人类专家知识，通过自动化测量与专家验证相结合的方式，显著减少了ECG标记的工作量，同时保持了高准确性	本文未详细讨论该框架在不同类型ECG数据上的泛化能力，以及在更大规模数据集上的表现	旨在提高药物安全试验中心电图标记的效率和准确性	药物安全试验中的心电图数据，特别是QT间期的测量	机器学习	NA	深度学习（DL）	NA	心电图（ECG）数据	3个药物安全试验的数据，每个试验中仅10%的数据需要专家审查
1029	2024-12-18	Optimized model architectures for deep learning on genomic data 2024-04-30, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06161-1 PMID:38693292	研究论文	本文介绍了一个名为GenomeNet-Architect的神经架构设计框架，用于自动优化基因组序列数据的深度学习模型	提出了一个专门为基因组数据设计的神经架构优化框架，能够在病毒分类任务中显著减少误分类率并提高推理速度	未提及具体限制	优化基因组数据深度学习模型的架构设计	基因组序列数据	机器学习	NA	深度学习	神经网络	基因组数据	未提及具体样本数量
1030	2024-12-18	Revealing the mechanisms of semantic satiation with deep learning models 2024-04-22, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06162-0 PMID:38649503	研究论文	本研究使用深度学习模型中的连续耦合神经网络来揭示语义饱和现象的机制，并精确描述这一过程的神经元组件	本研究提出了语义饱和可能是自下而上的过程，与现有宏观心理学研究提出的自上而下过程不同	本研究仅通过模拟实验得出结论，尚未在实际神经科学实验中验证	揭示语义饱和现象的神经计算原理	语义饱和现象的机制	机器学习	NA	深度学习模型	神经网络	NA	NA
1031	2024-12-18	Robust self-supervised denoising of voltage imaging data using CellMincer 2024-Apr-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.04.12.589298 PMID:38659950	研究论文	本文介绍了一种名为CellMincer的自监督深度学习方法，专门用于去噪电压成像数据	CellMincer通过遮蔽和预测短时间窗口内的稀疏像素集，并结合预计算的时空自相关来有效建模长程依赖，从而在不需要大时间去噪上下文的情况下实现噪声的显著减少	NA	开发一种新的自监督深度学习方法，用于提高电压成像数据的信噪比	电压成像数据的去噪	机器学习	NA	深度学习	自监督深度学习模型	图像	包括模拟和真实电压成像数据集，以及带有配对膜片钳电生理学（EP）作为真实值的数据集
1032	2024-12-18	Deep Learning to Estimate Cardiovascular Risk From Chest Radiographs : A Risk Prediction Study 2024-Apr, Annals of internal medicine IF:19.6Q1 DOI:10.7326/M23-1898 PMID:38527287	研究论文	本文开发并测试了一种深度学习模型（CXR CVD-Risk），用于从常规胸部X光片中估计10年心血管事件风险，并与传统的ASCVD风险评分进行性能比较	本文的创新点在于利用深度学习模型从胸部X光片中预测心血管事件风险，提供了一种补充传统风险评分的方法	本文的局限性在于使用电子病历的回顾性研究设计	开发和测试一种深度学习模型，用于从胸部X光片中估计心血管事件风险，并评估其与传统风险评分的性能	研究对象为可能符合心血管一级预防的门诊患者	机器学习	心血管疾病	深度学习	深度学习模型	图像	开发模型使用了癌症筛查试验的数据，外部验证使用了8869名ASCVD风险未知和2132名ASCVD风险已知的门诊患者
1033	2024-12-18	A multitask approach for automated detection and segmentation of thyroid nodules in ultrasound images 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.107974 PMID:38244471	研究论文	本文提出了一种多任务方法，用于在超声图像中自动检测和分割甲状腺结节	该方法通过结合异常检测模块与UNet架构变体，实现了对可疑图像的检测和潜在结节的分割，提高了检测和分割的准确性	本文未详细讨论该方法在不同设备和操作人员之间的泛化能力	开发一种自动化的多任务方法，以提高甲状腺结节在超声图像中的检测和分割效率	甲状腺结节在超声图像中的检测和分割	计算机视觉	甲状腺癌	深度学习	UNet	图像	280名患者，共9888张图像
1034	2024-12-18	Artificial intelligence image-based prediction models in IBD exhibit high risk of bias: A systematic review 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108093 PMID:38354499	综述	本文系统回顾了基于人工智能的炎症性肠病（IBD）图像预测模型的方法学质量和偏倚风险	本文首次系统评估了基于人工智能的IBD图像预测模型的偏倚风险	本文仅限于使用常规影像数据的英文发表研究，未涵盖所有可能的数据来源和语言	评估机器学习和深度学习在IBD图像预测研究中的方法学质量和偏倚风险	基于人工智能的IBD图像预测模型	机器学习	炎症性肠病	NA	机器学习模型和深度学习模型	图像	40项研究，其中39项开发了诊断模型，7项使用机器学习方法，33项使用深度学习方法
1035	2024-12-18	Identification of autism spectrum disorder based on electroencephalography: A systematic review 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108075 PMID:38301514	综述	本文系统回顾了基于脑电图（EEG）的孤独症谱系障碍（ASD）识别方法，包括传统机器学习和深度学习技术	本文综合了基于EEG的ASD识别方法，并探讨了传统机器学习和深度学习技术的优缺点	本文未提供新的研究数据或方法，而是对现有研究进行了综述	旨在促进基于EEG信号的自动化ASD识别方法的发展	孤独症谱系障碍（ASD）儿童的脑电图数据	机器学习	孤独症谱系障碍	脑电图（EEG）	传统机器学习方法和深度学习方法	脑电图数据	NA
1036	2024-12-18	TBACkp: HER2 expression status classification network focusing on intrinsic subenvironmental characteristics of breast cancer liver metastases 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108002 PMID:38277921	研究论文	本文提出了一种基于AI的诊断模型TBACkp，用于快速诊断乳腺癌肝转移患者的HER2表达状态	该模型采用并行结构，包含Branch Block和Trunk Block，结合了CNN和自注意力机制，能够更细致和全面地提取图像特征	NA	开发一种非侵入性方法，用于快速诊断乳腺癌肝转移患者的HER2表达状态	乳腺癌肝转移患者的HER2表达状态	计算机视觉	乳腺癌	NA	CNN	图像	151名乳腺癌肝转移患者的增强腹部CT图像
1037	2024-12-18	CLCLSA: Cross-omics linked embedding with contrastive learning and self attention for integration with incomplete multi-omics data 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108058 PMID:38295477	研究论文	本文提出了一种名为CLCLSA的深度学习方法，用于整合不完整的多组学数据	该方法结合了对比学习和自注意力机制，通过跨组学的统一嵌入来处理不完整的多组学数据	实验仅在四个公开的多组学数据集上进行，可能需要更多数据集验证其泛化能力	开发一种能够有效整合不完整多组学数据的方法，以更好地理解复杂遗传疾病的病因	多组学数据，包括但不限于基因组学、转录组学、蛋白质组学等	机器学习	NA	对比学习，自注意力机制	自编码器，Softmax分类器	多组学数据	四个公开的多组学数据集
1038	2024-12-18	Parkinson's severity diagnosis explainable model based on 3D multi-head attention residual network 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.107959 PMID:38215619	研究论文	本文提出了一种基于3D多头注意力残差网络的可解释模型，用于帕金森病严重程度的评估	创新点在于引入了3D注意力卷积层和特征压缩模块，并设计了可解释性实验，使模型更具通用性和可解释性	NA	提出一种更通用的帕金森病严重程度评估模型	帕金森病的严重程度评估	计算机视觉	帕金森病	3D多头注意力残差网络	3D多头注意力残差网络	视频	NA
1039	2024-12-18	Pre-Processing techniques and artificial intelligence algorithms for electrocardiogram (ECG) signals analysis: A comprehensive review 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2023.107908 PMID:38217973	综述	本文综述了过去十年中使用人工智能方法对心电图（ECG）信号进行分析的研究进展	本文介绍了使用卷积神经网络和混合模型在ECG分析中的高效性，并展示了Transformer模型将准确率从90%提升至98%的创新应用	本文提到的数据增强和基于提取与连接的方法仍需进一步关注和改进	回顾和总结过去十年中使用人工智能方法对心电图信号进行分析的研究进展	心电图（ECG）信号的分析方法和数据来源	机器学习	心血管疾病	机器学习（ML）、深度学习（DL）、卷积神经网络（CNN）、Transformer模型	卷积神经网络（CNN）、递归模型、Transformer模型、混合模型	心电图信号	使用了包括MIT-BIH、PTB等流行基准数据库以及可穿戴设备采集的数据
1040	2024-12-18	Deep learning for unsupervised domain adaptation in medical imaging: Recent advancements and future perspectives 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2023.107912 PMID:38219643	综述	本文从技术角度全面回顾了医学影像中深度无监督域适应（UDA）的最新进展，并讨论了未来的研究方向	本文提出了对医学影像中UDA研究的全面分类，并探讨了新兴领域和未来研究方向	本文主要集中在技术层面的回顾，未深入探讨实际应用中的挑战	探讨医学影像中深度无监督域适应的最新进展和未来研究方向	医学影像中的无监督域适应技术	计算机视觉	NA	深度学习	NA	图像	NA