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
10421	2024-12-21	Brain tumor detection with integrating traditional and computational intelligence approaches across diverse imaging modalities - Challenges and future directions 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108412 PMID:38691914	综述	本研究全面回顾了脑肿瘤分割和分类技术，探讨了基于图像处理、机器学习和深度学习的各种方法	本研究强调了现有分割和分类技术的挑战，并提出了未来研究的方向	本研究主要集中在回顾现有方法，未提出新的算法或模型	旨在回顾脑肿瘤分割和分类的现有方法，讨论其优缺点，并探讨未来的研究方向	脑肿瘤的分割和分类技术	计算机视觉	脑肿瘤	NA	NA	图像	使用多种磁共振成像（MRI）的开源数据集
10422	2024-12-21	Recent advancements and applications of deep learning in heart failure: Α systematic review 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108557 PMID:38728995	综述	本文系统回顾了深度学习在心力衰竭评估中的最新进展和应用	强调了深度学习在区分受影响个体与健康个体、识别潜在心肌病和其他合并症方面的潜力	NA	系统探讨深度学习技术在心力衰竭评估中的贡献，旨在提高诊断准确性、个性化治疗策略并解决合并症的影响	心力衰竭的诊断和管理	机器学习	心血管疾病	深度学习	NA	NA	NA
10423	2024-12-21	A review of big data technology and its application in cancer care 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108577 PMID:38739981	综述	本文综述了大数据技术及其在癌症护理中的应用	本文总结了大数据技术在癌症护理中的应用，并探讨了其在管理大规模异构数据和结合人工智能技术方面的潜力	本文主要讨论了当前大数据技术在癌症护理中的应用现状和挑战，未涉及具体的技术实现细节	探讨大数据技术在癌症护理中的应用及其未来发展方向	大数据技术及其在癌症护理中的应用	机器学习	癌症	NA	NA	数据	NA
10424	2024-12-21	Spach Transformer: Spatial and Channel-Wise Transformer Based on Local and Global Self-Attentions for PET Image Denoising 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3336237 PMID:37995174	研究论文	本文提出了一种基于局部和全局自注意力机制的空间和通道Transformer模型，用于PET图像去噪	提出了Spach Transformer，结合局部和全局多头部自注意力机制，能够有效处理3D图像中的长程依赖关系，同时降低计算成本	未提及具体限制	提高PET图像质量，解决低信噪比问题	PET图像去噪	计算机视觉	NA	多头部自注意力机制	Transformer	图像	使用了不同PET示踪剂的数据集，包括18F-FDG、18F-ACBC、18F-DCFPyL和68Ga-DOTATATE
10425	2024-12-21	Machine Learning Analysis of Human Skin by Optoacoustic Mesoscopy for Automated Extraction of Psoriasis and Aging Biomarkers 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3356180 PMID:38241120	研究论文	本文介绍了一种基于深度学习的框架DeepRAP，用于分析和量化通过光声显微镜（RSOM）记录的皮肤形态特征，并提取用于疾病表征的成像生物标志物	首次提出了一种自动化的方法来分析三维RSOM数据集，并使用多网络分割策略基于卷积神经网络进行迁移学习，实现了皮肤层和真皮微血管的自动识别与分割	本文未详细讨论DeepRAP在其他皮肤病或不同人群中的适用性	开发一种能够自动分析RSOM数据并提取皮肤疾病和老化生物标志物的框架	银屑病患者和健康志愿者的皮肤微血管特征	机器学习	银屑病	光声显微镜（RSOM）	卷积神经网络（CNN）	图像	25名银屑病患者和75名健康志愿者
10426	2024-12-21	Synthetic Optical Coherence Tomography Angiographs for Detailed Retinal Vessel Segmentation Without Human Annotations 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3354408 PMID:38224512	研究论文	本文提出了一种基于空间殖民化模拟的轻量级视网膜血管网络模拟方法，用于生成合成光学相干断层扫描血管造影（OCTA）图像，并通过三种对比度适应管道减少真实图像与合成图像之间的领域差距，以实现更详细的视网膜血管分割	本文的创新点在于提出了一种基于空间殖民化的轻量级视网膜血管网络模拟方法，并引入了三种对比度适应管道，以减少真实图像与合成图像之间的领域差距，从而提高视网膜血管分割的性能	本文的局限性在于尽管合成的OCTA图像在实验中表现出色，但其在真实临床环境中的实际应用效果仍需进一步验证	本文的研究目的是开发一种无需人工标注的视网膜血管分割方法，以解决现有深度学习方法在缺乏大规模详细标注数据集时的局限性	本文的研究对象是视网膜血管的分割	计算机视觉	NA	光学相干断层扫描血管造影（OCTA）	深度学习模型	图像	本文使用了三个公开数据集进行实验
10427	2024-12-21	GMIM: Self-supervised pre-training for 3D medical image segmentation with adaptive and hierarchical masked image modeling 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108547 PMID:38728994	研究论文	提出了一种名为GMIM的自监督预训练方法，用于3D医学图像分割，通过自适应和分层掩码图像建模来学习器官和组织之间的相关性	提出了网格掩码图像建模方法，设计了包含在线分支和目标分支的孪生框架，并采用了自适应和分层掩码策略，以提高医学视觉Transformer在3D医学图像分割中的灵活性和通用性	实验仅在两个公开数据集上进行了验证，可能需要更多数据集来进一步验证其泛化能力	开发一种灵活且通用的自监督预训练方法，用于3D医学图像分割	3D医学图像中的器官和组织	计算机视觉	NA	自适应和分层掩码图像建模	Transformer	图像	两个公开数据集
10428	2024-12-21	Carbon-based molecular properties efficiently predicted by deep learning-based quantum chemical simulation with large language models 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108531 PMID:38728991	研究论文	本文构建了一个基于深度学习的量子化学预测模型，用于高效预测碳基分子的热力学性质	提出了一种将3D信息编码到大型语言模型（LLM）中并生成2D SMILES字符串的新框架，同时设计了一个可学习的编码以保留原始3D信息的完整性，并引入了一个等变学习模块用于构象表示和特征学习	NA	提高碳基分子热力学性质预测的准确性和计算速度	碳基分子的热力学性质	机器学习	NA	深度学习	大型语言模型（LLM）	3D信息和2D SMILES字符串	NA
10429	2024-12-21	An efficient deep neural network for automatic classification of acute intracranial hemorrhages in brain CT scans 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108587 PMID:38735238	研究论文	本文提出了一种高效的深度神经网络模型，用于自动分类脑部CT扫描中的急性颅内出血	该模型结合了深度可分离卷积和多感受野机制，实现了性能与计算效率的平衡，参数数量仅为MobileNet V3的3%	未提及具体的局限性	提出一种高效的深度学习模型，用于分类脑部CT扫描中的颅内出血	脑部CT扫描中的急性颅内出血	计算机视觉	颅内出血	深度学习	深度神经网络	图像	训练数据来自RSNA数据集，验证数据来自CQ500数据集和PhysioNet数据集
10430	2024-12-21	Parallel Dual-Branch Fusion Network for Epileptic Seizure Prediction 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108565 PMID:38744007	研究论文	本文提出了一种并行双分支融合网络（PDBFusNet），用于癫痫发作预测	该研究结合了卷积神经网络（CNN）和Transformer的互补优势，同时捕捉EEG信号的短期和长期依赖性，并开发了一种新的特征融合模块来增强时间、频率和通道信息的利用能力	NA	提高癫痫发作预测的准确性和及时性	头皮脑电图（EEG）信号	机器学习	神经系统疾病	Mel频率倒谱系数（MFCC）	并行双分支融合网络（PDBFusNet）	脑电图（EEG）信号	使用了公开的癫痫EEG数据集CHB-MIT
10431	2024-12-21	Kidney Tumor Classification on CT images using Self-supervised Learning 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108554 PMID:38744013	研究论文	本文提出了一种基于自监督学习的肾脏肿瘤分类方法，使用掩码自编码器（MAE）在CT图像上进行肾脏肿瘤检测	本文的创新点在于提出了基于自监督学习的自蒸馏（SD）方法，通过掩码补丁重新引入配置损失计算，提高了肾脏肿瘤分类的准确性	本文的局限性在于实验数据集的规模较小，且未在其他数据集上进行验证	本文的研究目的是提高肾脏肿瘤分类的准确性，辅助放射科医生进行诊断	本文的研究对象是肾脏肿瘤的CT图像	计算机视觉	肾脏肿瘤	深度学习	掩码自编码器（MAE）	图像	KAUH-kidney数据集包含8400个样本，CT-kidney数据集包含840个样本
10432	2024-12-21	CancerGATE: Prediction of cancer-driver genes using graph attention autoencoders 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108568 PMID:38744009	研究论文	本文介绍了一种名为CancerGATE的新方法，利用图注意力自编码器预测癌症驱动基因	CancerGATE通过自监督学习方式，利用图注意力自编码器预测癌症驱动基因，并避免了以往方法中对训练数据中癌症驱动基因的偏倚	NA	发现特定癌症类型的驱动基因，以理解其分子机制并提供适当治疗	15种癌症类型的驱动基因	机器学习	NA	图深度学习	图注意力自编码器	多组学数据	20,079个样本
10433	2024-12-21	MR2CPPIS: Accurate prediction of protein-protein interaction sites based on multi-scale Res2Net with coordinate attention mechanism 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108543 PMID:38744015	研究论文	提出了一种基于多尺度Res2Net和坐标注意力机制的深度学习模型MR2CPPIS，用于准确预测蛋白质-蛋白质相互作用位点	利用多尺度Res2Net扩展感受野，捕捉蛋白质序列的多尺度信息，并采用坐标注意力块来表征精确的空间位置信息，从而有效提取长程依赖关系	未提及具体局限性	开发一种计算预测方法，用于准确识别蛋白质-蛋白质相互作用位点	蛋白质-蛋白质相互作用位点	机器学习	NA	深度学习	Res2Net	序列	三个公共基准数据集（Dset 72、Dset 186和PDBset 164）
10434	2024-12-21	ECG waveform generation from radar signals: A deep learning perspective 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108555 PMID:38749323	研究论文	本文提出了一种基于深度学习的方法，从非接触雷达数据生成连续的ECG波形	创新点在于使用1D CNN模型MultiResLinkNet从雷达信号生成ECG波形，无需侵入性或可穿戴生物传感器及昂贵设备	NA	提出一种创新方法，从非接触雷达数据生成连续ECG波形，以解决传统ECG监测的局限性	从雷达信号生成ECG波形的方法及其实际应用	机器学习	心血管疾病	深度学习	1D CNN	雷达信号和ECG信号	30名参与者在五种不同场景下的数据
10435	2024-12-21	Explaining deep learning for ECG analysis: Building blocks for auditing and knowledge discovery 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108525 PMID:38749322	研究论文	本文探讨了可解释人工智能（XAI）方法在心电图（ECG）分析中的应用，以提高深度学习模型的透明度和可解释性	本文首次通过定量分析验证了模型行为与心脏病专家决策规则的一致性，并展示了XAI技术在识别心肌梗死亚型等知识发现中的应用	本文主要关注事后解释方法，未涉及模型训练过程中的可解释性问题	提高深度学习模型在ECG分析中的透明度和可解释性，促进其在临床决策中的应用	心电图数据和心脏病专家的决策规则	机器学习	心血管疾病	可解释人工智能（XAI）	深度神经网络	心电图数据	整个患者子组的ECG数据
10436	2024-12-21	Improving the classification of multiple sclerosis and cerebral small vessel disease with interpretable transfer attention neural network 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108530 PMID:38749324	研究论文	本文提出了一种可解释的深度学习模型，用于区分多发性硬化症和脑小血管疾病	首次在神经影像学领域使用可解释的迁移学习注意力神经网络模型，通过注意力模块提供模型解释，增强了对神经系统疾病的鉴别诊断能力	NA	开发一种实用的诊断影像辅助工具，以减少误诊风险并改善患者预后	多发性硬化症和脑小血管疾病	计算机视觉	神经系统疾病	深度学习	注意力神经网络	图像	北京天坛医院临床诊断的多发性硬化症患者112例和脑小血管疾病患者321例
10437	2024-12-21	A novel approach for melanoma detection utilizing GAN synthesis and vision transformer 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108572 PMID:38749327	研究论文	本文提出了一种基于生成对抗网络（GAN）合成和视觉变换器（Vision Transformer）的两阶段框架，用于黑色素瘤的检测	本文的创新点在于使用Style Generative Adversarial Networks生成多样化的黑色素瘤图像，并通过BatchFormer的视觉变换器进行特征提取和检测，以提高诊断准确性	NA	提高黑色素瘤检测的准确性	黑色素瘤	计算机视觉	皮肤癌	生成对抗网络（GAN）	视觉变换器（Vision Transformer）	图像	ISIC2020数据集
10438	2024-12-21	DeepSeq2Drug: An expandable ensemble end-to-end anti-viral drug repurposing benchmark framework by multi-modal embeddings and transfer learning 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108487 PMID:38653064	研究论文	提出了一种名为DeepSeq2Drug的可扩展集成端到端抗病毒药物重定位基准框架，通过多模态嵌入和迁移学习来改进传统的药物重定位方法	利用多模态嵌入和集成策略来补充药物和病毒的数量，并保证新预测的准确性，提供了一个可扩展的框架	未提及具体限制	改进传统的药物重定位方法，特别是在应对新兴病毒爆发和降低药物发现成本方面	抗病毒药物重定位	机器学习	NA	多模态嵌入和迁移学习	集成模型	文本、图像、图和序列	未提及具体样本数量
10439	2024-12-21	ISMI-VAE: A deep learning model for classifying disease cells using gene expression and SNV data 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108485 PMID:38653063	研究论文	本文提出了一种基于变分自编码器（VAE）的深度学习模型ISMI-VAE，用于整合和分析单细胞RNA测序（scRNA-seq）和单核苷酸变异（SNV）数据，以分类疾病细胞	ISMI-VAE通过利用SNV和基因表达数据的特性，克服了高噪声水平，并引入了注意力机制来反映特征重要性，分析潜在的致病基因特征	NA	开发一种能够有效整合和分析多模态数据（基因表达和SNV数据）的深度学习模型，以提高疾病细胞分类的准确性和可解释性	癌症和COVID-19的单细胞数据	机器学习	癌症	单细胞RNA测序（scRNA-seq），单核苷酸变异（SNV）	变分自编码器（VAE）	基因表达数据，SNV数据	三个癌症数据集和一个COVID-19数据集
10440	2024-12-21	Deep learning and machine learning approaches to classify stomach distant metastatic tumors using DNA methylation profiles 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108496 PMID:38657466	研究论文	本文开发了机器学习和深度学习模型，基于DNA甲基化谱对胃腺癌的远处转移进行分类	本文首次使用深度神经网络（DNN）与其他机器学习模型（如SVM、RF、NB和DT）进行比较，展示了DNN在分类胃腺癌远处转移方面的优越性能，并采用了加权随机采样技术来处理数据不平衡问题	本文未详细讨论模型的泛化能力和在其他癌症类型中的适用性	研究目的是通过DNA甲基化谱早期识别胃腺癌的远处转移，以改善预后	研究对象是胃腺癌的DNA甲基化谱	机器学习	胃癌	DNA甲基化测序	深度神经网络（DNN）	DNA甲基化数据	具体样本数量未在摘要中提及