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
11821	2024-08-11	Editorial Comment: Using Appropriate Training Data in Deep Learning Tissue and Organ Segmentations on CT 2024-07, AJR. American journal of roentgenology DOI:10.2214/AJR.24.31345 PMID:38691412	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
11822	2024-08-11	Editorial Comment: Usefulness of a Deep Learning Model for Pediatric Abdominal Organ Segmentation 2024-07, AJR. American journal of roentgenology DOI:10.2214/AJR.24.31408 PMID:38748729	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
11823	2024-11-19	An automated multi-layer perceptron discriminative neural network based on Bayesian optimization achieves high-precision one-source single-snapshot direction-of-arrival estimation 2024-May-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-60798-w PMID:38704397	研究论文	本文提出了一种基于贝叶斯优化的自动化多层感知器判别神经网络，用于高精度单源单快照方向到达估计	首次将自动化机器学习算法应用于高精度稀疏水下方向到达估计，并将其视为分类预测任务	NA	开发一种高精度单源单快照方向到达估计方法	水下稀疏采样方向到达估计问题	机器学习	NA	贝叶斯优化	多层感知器判别神经网络	时间域信号	NA
11824	2024-11-19	Deep learning reduces data requirements and allows real-time measurements in imaging FCS 2024-03-19, Biophysical journal IF:3.2Q2 DOI:10.1016/j.bpj.2023.11.3403 PMID:38050354	研究论文	本文介绍了两种卷积神经网络FCSNet和ImFCSNet，用于荧光相关光谱成像中的相关性和强度轨迹分析，显著减少了数据需求并实现了实时测量	提出了两种卷积神经网络FCSNet和ImFCSNet，显著减少了荧光相关光谱成像中的数据需求，并实现了实时评估	NA	减少荧光相关光谱成像中的数据需求，并实现实时测量	荧光相关光谱成像中的相关性和强度轨迹分析	计算机视觉	NA	卷积神经网络	CNN	图像	模拟数据
11825	2024-11-19	Deep learning-based automatic scoring models for the disease activity of rheumatoid arthritis based on multimodal ultrasound images 2024-03-01, Rheumatology (Oxford, England) DOI:10.1093/rheumatology/kead366 PMID:37471602	研究论文	研究基于多模态超声图像的深度学习模型在量化类风湿性关节炎活动中的价值	开发了基于ResNet结构的四种深度学习模型，用于多模态超声图像的类风湿性关节炎活动评分，并在两个独立测试集上进行了评估，结果显示这些模型在图像级别上的表现与经验丰富的放射科医生相当	NA	探讨基于多模态超声图像的深度学习模型在量化类风湿性关节炎活动中的价值	多模态超声图像（静态灰度、动态灰度、静态功率多普勒和动态功率多普勒）	计算机视觉	类风湿性关节炎	深度学习	ResNet	图像	1244张图像用于模型训练，152张和354张分别用于两个测试集
11826	2024-11-19	MMV_Im2Im: an open-source microscopy machine vision toolbox for image-to-image transformation 2024-01-02, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad120 PMID:38280188	研究论文	介绍了一个名为MMV_Im2Im的开源显微镜机器视觉工具箱，用于生物成像应用中的图像到图像变换	提出了一个通用的图像到图像变换框架，适用于多种任务，并利用了先进的机器学习工程技术	未提及具体限制	开发一个开源工具箱，帮助研究人员在生物医学图像分析中应用深度学习技术	生物医学图像分析中的图像到图像变换任务	计算机视觉	NA	深度学习	NA	图像	超过10种不同的生物医学问题
11827	2024-11-19	Evaluation of Swin Transformer and knowledge transfer for denoising of super-resolution structured illumination microscopy data 2024-01-02, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad109 PMID:38217407	研究论文	本文评估了Swin Transformer在超分辨率结构化照明显微镜（SR-SIM）数据去噪中的应用，并探讨了知识迁移策略的效果	首次全面研究了Swin Transformer在SR-SIM图像去噪中的应用，并比较了直接迁移和微调两种知识迁移策略的效果	目前公开的SR-SIM数据集稀缺，限制了对深度学习方法性能和泛化能力的探索	评估Swin Transformer在SR-SIM图像去噪中的性能，并探讨知识迁移策略的有效性	超分辨率结构化照明显微镜（SR-SIM）图像的去噪	计算机视觉	NA	深度学习	Swin Transformer	图像	四个数据集，涵盖两种细胞结构（微管和囊泡结构），不同噪声水平
11828	2024-11-19	IPEV: identification of prokaryotic and eukaryotic virus-derived sequences in virome using deep learning 2024-01-02, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giae018 PMID:38649300	研究论文	本文介绍了一种名为IPEV的新方法，用于在病毒组中区分原核和真核病毒，该方法结合了三核苷酸对相对距离和频率的二维卷积神经网络	IPEV在独立测试集上显著提高了F1分数，相比现有方法提升了约22%，并且在海洋和肠道病毒组样本的准确性上优于其他方法	NA	开发一种高性能工具，用于在病毒组中准确识别和分类原核和真核病毒	原核和真核病毒的识别与分类	机器学习	NA	深度学习	卷积神经网络	序列数据	NA
11829	2024-11-19	Deep learning links localized digital pathology phenotypes with transcriptional subtype and patient outcome in glioblastoma 2024-Jan-02, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giae057 PMID:39185700	研究论文	本文利用深度学习技术将胶质母细胞瘤的局部数字病理表型与转录亚型及患者预后联系起来	本文创新性地应用Xception卷积神经网络，通过数字病理图像准确映射转录亚型和预测预后区域	NA	研究胶质母细胞瘤的基因型-表型相关性，并探索深度学习在脑癌中的应用	胶质母细胞瘤的数字病理图像和分子亚型	数字病理	脑癌	深度学习	Xception卷积神经网络	图像	276个数字苏木精-伊红（H&E）切片用于发现集，178个病例用于独立验证
11830	2024-11-19	Advances in AI-Driven Retention Prediction for Different Chromatographic Techniques: Unraveling the Complexity 2024, Critical reviews in analytical chemistry IF:4.2Q1 DOI:10.1080/10408347.2023.2254379 PMID:37672314	综述	本文综述了不同色谱技术中基于人工智能的保留时间预测方法	深度学习模型在保留时间预测中的准确性和有效性优于线性机器学习模型，支持向量机神经网络在薄层色谱中广泛用于预测不同化合物的保留因子，化学信息学、化学计量学和混合方法也被用于建模，比传统模型更可靠	由于缺乏总结性文献，本文旨在提供一个全面的文献综述	探索不同色谱技术中基于人工智能的保留时间预测方法	不同色谱技术中的化合物保留时间预测	化学信息学	NA	色谱技术	深度学习模型、支持向量机神经网络	化合物数据	NA
11831	2024-11-19	Cell type-specific interpretation of noncoding variants using deep learning-based methods 2023-03-20, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad015 PMID:36971292	研究论文	本文提出了一种新的神经网络架构DeepCT，用于解释非编码变异，并展示了其在细胞类型特异性预测中的应用	提出了DeepCT架构，能够学习表观遗传特征的复杂相互关系，并从任何可用输入中推断未测量的数据	现有的表观遗传特征数据非常稀疏，限制了依赖特定表观遗传输入的方法	解决非编码基因组变异的解释问题，并实现细胞类型特异性的预测	非编码变异及其在不同细胞类型中的影响	机器学习	NA	深度学习	神经网络	表观遗传特征	NA
11832	2024-11-19	Delineating regions of interest for mass spectrometry imaging by multimodally corroborated spatial segmentation 2022-12-28, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad021 PMID:37039115	研究论文	本文提出了一种多模态融合策略，通过结合组织学图像信息来客观选择质谱成像（MSI）中的聚类数量，以实现更准确的感兴趣区域（ROI）划分	本文的创新点在于利用深度学习算法从组织学图像中提取特征谱，并通过多模态一致性来优化聚类数量的选择，从而提高ROI划分的生物学真实性	本文的局限性在于仅在肾脏和肾肿瘤样本上进行了验证，未来需要在更多类型的组织和疾病中进行验证	本文的研究目的是通过多模态融合策略优化质谱成像中的感兴趣区域划分，以促进空间脂质组学、代谢组学和蛋白质组学研究	本文的研究对象是质谱成像数据和相应的组织学图像	数字病理学	肾癌	质谱成像	深度学习	图像	本文使用了小鼠肾脏和肾肿瘤样本进行验证
11833	2024-11-19	CoVEffect: interactive system for mining the effects of SARS-CoV-2 mutations and variants based on deep learning 2022-12-28, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad036 PMID:37222749	研究论文	本文介绍了一个基于深度学习的交互系统CoVEffect，用于挖掘SARS-CoV-2突变和变异的影响	提出了一个基于GPT2模型的预测系统，能够从COVID-19相关的大数据语料库中提取突变/变异的影响，并通过CoVEffect网络应用程序实现用户交互和数据标注	目前仅使用了CORD-19语料库中的数据进行训练，可能需要扩展到更多数据源以提高模型的泛化能力	旨在填补关于SARS-CoV-2突变和变异影响的文献信息分散的空白，通过挖掘文献摘要提取相关影响	SARS-CoV-2的突变和变异及其在流行病学、免疫学、临床和病毒动力学方面的影响	自然语言处理	NA	GPT2模型	GPT2	文本	使用了CORD-19语料库中的大量摘要进行训练
11834	2024-11-19	Deep neural networks with knockoff features identify nonlinear causal relations and estimate effect sizes in complex biological systems 2022-12-28, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad044 PMID:37395630	研究论文	本文介绍了一种名为DAG-deepVASE的新计算方法，通过深度神经网络与knockoff特征结合，用于识别复杂生物系统中的非线性因果关系并估计其效应大小	首次开发了一种能够明确学习非线性因果关系并估计其效应大小的计算方法	NA	开发一种新的计算方法，用于识别复杂生物系统中的非线性因果关系并估计其效应大小	复杂生物系统中的非线性因果关系及其效应大小	机器学习	NA	深度神经网络	深度神经网络	模拟数据和分子及临床数据	涉及多种疾病的数据
11835	2024-11-19	MuLan-Methyl-multiple transformer-based language models for accurate DNA methylation prediction 2022-12-28, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad054 PMID:37489753	研究论文	本文介绍了一种基于多重Transformer语言模型的深度学习框架MuLan-Methyl，用于预测DNA甲基化位点	MuLan-Methyl框架结合了5种流行的Transformer语言模型，通过预训练和微调的方式，能够准确预测三种不同类型的DNA甲基化位点	NA	开发一种能够准确预测DNA甲基化位点的深度学习框架	DNA甲基化位点，包括N6-腺苷、N4-胞嘧啶和5-羟甲基胞嘧啶	机器学习	NA	Transformer语言模型	Transformer	DNA序列	使用了一个基准数据集进行性能评估
11836	2024-11-19	Computational prediction of human deep intronic variation 2022-12-28, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad085 PMID:37878682	研究论文	本文研究了计算方法在预测人类基因深内含子变异中的应用	本文比较了SpliceAI等深度学习模型与其他新方法的性能，并提出了新的工具可解释性评估方法	工具在预测可能影响剪接调控元件的变异时表现较差	评估不同计算工具在分析深内含子变异中的性能，并提供实用建议	人类基因的深内含子变异	基因组学	NA	深度学习	深度学习模型	基因序列	使用了多种数据集进行评估
11837	2024-11-19	SpheroScan: a user-friendly deep learning tool for spheroid image analysis 2022-12-28, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giad082 PMID:37889008	研究论文	开发了一种名为SpheroScan的用户友好型深度学习工具，用于球状体图像分析	SpheroScan利用Mask R-CNN框架进行图像检测和分割，解决了3D球状体分析中缺乏自动化和用户友好工具的问题	NA	开发一种自动化工具，以提高3D球状体分析的重复性和通量	3D球状体图像	计算机视觉	NA	深度学习	Mask R-CNN	图像	使用IncuCyte活细胞分析系统和传统显微镜捕获的球状体图像进行训练
11838	2024-11-19	Accurate and fast clade assignment via deep learning and frequency chaos game representation 2022-12-28, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giac119 PMID:36576129	研究论文	本文利用频率混沌游戏表示（FCGR）和卷积神经网络（CNN）开发了一种新的方法，用于SARS-CoV-2基因序列的支系分类	本文首次将深度学习和FCGR应用于物种内分类，并开发了CouGaR-g工具，在GISAID测试子集上实现了96.29%的总体准确率，优于类似工具Covidex	NA	开发快速且准确的工具，用于区分不同的SARS-CoV-2变体并将其分配到相应的支系	SARS-CoV-2基因序列及其变体	机器学习	冠状病毒病	频率混沌游戏表示（FCGR）	卷积神经网络（CNN）	基因序列	GISAID平台上的数百万个完整基因序列
11839	2024-11-19	DeePVP: Identification and classification of phage virion proteins using deep learning 2022-08-11, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giac076 PMID:35950840	研究论文	本文介绍了一种基于深度学习的噬菌体病毒颗粒蛋白（PVPs）识别与分类工具DeePVP	DeePVP在PVP识别任务中的F1分数比现有最先进工具高出9.05%，在PVP分类任务中的整体准确率比PhANNs高出约3.72%	NA	开发一种能够有效识别和分类噬菌体病毒颗粒蛋白的工具	噬菌体病毒颗粒蛋白（PVPs）	机器学习	NA	深度学习	NA	序列	NA
11840	2024-11-19	Agricultural plant cataloging and establishment of a data framework from UAV-based crop images by computer vision 2022-06-17, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giac054 PMID:35715875	研究论文	本文介绍了一种基于计算机视觉方法的自动化时空识别和作物图像个体化工作流程，用于从无人机获取的作物图像中进行作物目录编制	提出了一个自动化工作流程，用于从无人机图像中识别和个体化作物图像，并应用于大规模时空图像数据集的提取和机器学习模型的训练	未提及具体限制	改进农业中无人机数据的分析和解释	作物图像的时空识别和个体化	计算机视觉	NA	计算机视觉方法	机器学习模型	图像	两个真实世界数据集，一个用于观察糖甜菜中的Cercospora叶斑病，另一个用于花椰菜的收获预测