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
12001	2024-11-20	Active Learning with Particle Swarm Optimization for Enhanced Skin Cancer Classification Utilizing Deep CNN Models 2024-Nov-18, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01327-z PMID:39557738	研究论文	本文提出了一种结合主动学习（AL）和粒子群优化（PSO）的皮肤癌分类框架，以提高深度卷积神经网络（CNN）模型的分类准确性和效率	本文的创新点在于将主动学习和粒子群优化结合，通过选择最具信息量的未标注实例进行专家标注，从而减少标注成本并优化分类器性能	本文的局限性在于实验仅在HAM10000皮肤病变数据集上进行，未来需要在更多数据集上验证方法的通用性	本文的研究目的是通过结合主动学习和粒子群优化，提高皮肤癌分类的准确性和效率	本文的研究对象是皮肤癌分类问题，特别是非黑色素瘤和黑色素瘤的早期检测	计算机视觉	皮肤癌	粒子群优化（PSO）	卷积神经网络（CNN）	图像	使用了HAM10000皮肤病变数据集，包含约10000个样本
12002	2024-11-20	Analysis of Microscopic Remaining Oil Based on the Fluorescence Image and Deep Learning 2024-Nov-18, Journal of fluorescence IF:2.6Q3 DOI:10.1007/s10895-024-04032-w PMID:39557795	研究论文	本文利用荧光图像和深度学习技术分析微观剩余油，以提高高含水油藏的采收率	本文创新性地应用了四种深度学习网络（U-Net、ResU-Net、ScSEU-Net和Unet++）进行荧光图像分割，显著提高了分析效率和准确性	本文主要关注于大孔径（大于60微米）的油藏，对于小孔径（小于50微米）的微观剩余油仍需进一步研究	提高高含水油藏的采收率	微观剩余油及其分布模式	计算机视觉	NA	深度学习	U-Net、ResU-Net、ScSEU-Net、Unet++	图像	油藏样本
12003	2024-11-20	Predicting cell type-specific epigenomic profiles accounting for distal genetic effects 2024-Nov-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-54441-5 PMID:39550354	研究论文	本文介绍了一种名为Enformer Celltyping的深度学习模型，用于预测细胞类型特异性的表观基因组特征，考虑了远端遗传效应	引入了一种新的深度学习模型Enformer Celltyping，能够预测未见过的细胞类型的表观遗传信号，并考虑了远端DNA相互作用的影响	尽管模型表现优异，但仍存在当前基因组深度学习模型的局限性	开发一种能够解释遗传变异对表观基因组影响的计算模型，以提高GWAS的解释能力	细胞类型特异性的表观基因组特征和远端遗传效应	机器学习	NA	深度学习	深度学习模型	DNA和染色质可及性数据	未具体说明样本数量
12004	2024-11-20	Rotor angle stability of a microgrid generator through polynomial approximation based on RFID data collection and deep learning 2024-Nov-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-80033-w PMID:39550455	研究论文	提出了一种基于RFID数据采集和深度学习的微电网发电机转子角稳定性评估新方法	通过结合RFID技术和混合CNN-LSTM模型，提高了故障检测效率和精度	NA	评估微电网中的转子角稳定性	微电网发电机的转子角稳定性	机器学习	NA	RFID技术	混合CNN-LSTM模型	振动或噪声信号	IEEE 3-机器9-母线系统
12005	2024-11-20	Generative adversarial networks accurately reconstruct pan-cancer histology from pathologic, genomic, and radiographic latent features 2024-Nov-15, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adq0856 PMID:39546597	研究论文	本文介绍并验证了一种自定义的生成对抗网络HistoXGAN，能够利用常见特征提取器生成的特征向量重建代表性的癌症组织学图像	HistoXGAN能够从病理、基因组和放射影像的潜在特征中准确重建泛癌组织学图像，展示了其在肿瘤分级、组织学亚型和基因表达模式方面的信息保留能力	NA	研究如何利用生成对抗网络从多模态数据中重建癌症组织学图像，并探讨其生物学意义	29种癌症亚型的组织学图像及其相关的病理、基因组和放射影像特征	计算机视觉	癌症	生成对抗网络	GAN	图像	29种癌症亚型
12006	2024-11-20	Detection of microplastics in fish using computed tomography and deep learning 2024-Nov-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e39875 PMID:39553626	研究论文	本文提出了一种利用计算机断层扫描（CT扫描）和人工智能进行鱼类及其他物种中微塑料自动无损检测的新方法	结合密度和形状等因素，利用人工智能进行微塑料的自动检测，显著提高了检测的精度和效率	NA	开发一种新的方法来检测鱼类及其他物种中的微塑料	鱼类及其他物种中的微塑料	计算机视觉	NA	计算机断层扫描（CT扫描）	语义分割模型	图像	NA
12007	2024-11-20	A benchmark for Rey-Osterrieth complex figure test automatic scoring 2024-Nov-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e39883 PMID:39553666	研究论文	本文介绍了一个用于Rey-Osterrieth复杂图形测试自动评分的基准框架	首次提供了ROCFD528数据集，这是一个公开的ROCF线绘图数据集，并使用多种现代深度学习模型进行实验，为新方法提供比较基线	实验结果表明，在样本数量有限的情况下，专门设计的CNN模型表现优于其他现有CNN架构，但仍存在一定的误差（MAE = 3.448）	开发一个公平比较不同计算机视觉系统在ROCF测试自动评分中的性能的基准框架	Rey-Osterrieth复杂图形测试的自动评分	计算机视觉	NA	卷积神经网络（CNN）	卷积神经网络（CNN）	图像	528个ROCF线绘图样本
12008	2024-11-20	Application of Machine Learning to Osteoporosis and Osteopenia Screening Using Hand Radiographs 2024-Nov-15, The Journal of hand surgery DOI:10.1016/j.jhsa.2024.09.008 PMID:39556066	研究论文	本文开发并验证了一种基于标准手部X光片的深度学习算法，用于筛查骨质疏松症和骨质减少症	利用深度学习算法从手部X光片中筛查骨质疏松症和骨质减少症，提供了一种更便捷、成本效益更高的自动化诊断方法	研究样本量相对较小，且仅限于手部X光片，可能限制了算法的广泛应用	开发一种基于手部X光片的自动化筛查工具，用于诊断骨质疏松症和骨质减少症	手部X光片和相应的DXA扫描结果	机器学习	骨质疏松症	深度学习	ResNet-50	图像	总共1,424张图像，包括687张正常图像、607张骨质减少图像和130张骨质疏松图像
12009	2024-11-20	Digital profiling of gene expression from histology images with linearized attention 2024-Nov-14, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-54182-5 PMID:39543087	研究论文	本文介绍了一种名为SEQUOIA的线性化transformer模型，用于从全切片图像（WSIs）预测癌症转录组谱	提出了SEQUOIA模型，通过线性化transformer结构降低了模型复杂性，并在大规模数据集上验证了其泛化能力	NA	开发一种成本效益高的方法，从全切片图像中预测癌症的基因表达谱，以支持个性化癌症管理	癌症转录组谱的预测	数字病理学	癌症	深度学习	transformer	图像	7584个肿瘤样本，涵盖16种癌症类型，并在两个独立队列中验证了1368个肿瘤
12010	2024-11-20	MVGNet: Prediction of PI3K Inhibitors Using Multitask Learning and Multiview Frameworks 2024-Nov-12, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.4c06224 PMID:39554430	研究论文	提出了一种多视图深度学习框架MVGNet，用于预测PI3K抑制剂的抑制活性	整合了基于片段的药效团信息，并利用多任务学习捕捉子任务之间的相关信息	NA	探索PI3K抑制剂的结构-活性关系	PI3K抑制剂对四种PI3K同工酶（PI3Kα、PI3Kβ、PI3Kγ和PI3Kδ）的抑制活性	机器学习	NA	多任务学习	深度学习框架	分子数据	NA
12011	2024-11-20	Time series-based machine learning for forecasting multivariate water quality in full-scale drinking water treatment with various reagent dosages 2024-Nov-09, Water research IF:11.4Q1 DOI:10.1016/j.watres.2024.122777 PMID:39556984	研究论文	研究提出了一种优化的基于时间序列的机器学习方法，用于预测多元饮用水质量，特别考虑了试剂投加的时间依赖效应	研究通过特征工程构建了包含进水水质参数、试剂投加量和出水水质特征的时间序列数据集，并开发了七种预测模型进行评估，发现传统机器学习模型在时间特征工程的增强下，性能与深度学习模型相当，甚至优于深度学习模型	研究未详细说明模型的泛化能力和在不同水处理厂的适用性	旨在提高饮用水质量预测的准确性，以优化水处理过程和智能供水管理	研究对象为饮用水处理过程中的多元水质参数	机器学习	NA	机器学习	XGBoost	时间序列数据	来自全规模水处理厂的数据
12012	2024-11-20	A deep learning approach to prediction of blood group antigens from genomic data 2024-Nov, Transfusion IF:2.5Q2 DOI:10.1111/trf.18013 PMID:39268576	研究论文	本文探讨了利用深度学习技术从基因组数据中预测血型抗原的方法	首次应用深度学习技术于血型预测，结合去噪自编码器和卷积神经网络模型，提高了预测准确性	某些低频或遗传背景复杂的抗原预测仍存在挑战	开发基于基因组数据的血型预测模型	血型抗原预测	机器学习	NA	基因分型平台	卷积神经网络	基因型数据	约111,000名丹麦和1168名芬兰献血者
12013	2024-11-20	Deep convolutional neural network-based identification and biological evaluation of MAO-B inhibitors 2024-Nov, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2024.136438 PMID:39389489	研究论文	本文开发了一种基于深度学习的虚拟筛选协议，用于识别和生物评估MAO-B抑制剂	利用卷积神经网络（ConvNet）进行图像分类技术，处理与MACCS指纹相关的两种独特图像数据集，筛选出有潜力的MAO-B抑制剂	需要进一步的结构优化以提高抑制剂的抑制效力和成为新型MAO-B抑制剂	开发一种新的方法来识别和评估MAO-B抑制剂，以应对帕金森病	MAO-B抑制剂及其在帕金森病中的作用	机器学习	神经退行性疾病	卷积神经网络（ConvNet）	CNN	图像	Maybridge库中的化合物，最终筛选出11个化合物，其中4个被验证为有潜力的MAO-B抑制剂
12014	2024-11-20	Chemical shift prediction in 13C NMR spectroscopy using ensembles of message passing neural networks (MPNNs) 2024-Nov, Journal of magnetic resonance (San Diego, Calif. : 1997) DOI:10.1016/j.jmr.2024.107795 PMID:39481194	研究论文	本研究利用消息传递神经网络（MPNNs）预测小分子在13C NMR光谱中的化学位移	采用集成框架减少随机变异，并强调训练集大小和多样性的关键作用	较小数据集训练的集成模型泛化能力显著下降	开发一种深度学习方法来预测13C NMR光谱中的化学位移	小分子的13C NMR光谱化学位移	机器学习	NA	13C NMR光谱	消息传递神经网络（MPNNs）	结构数据	约4000个标记结构和超过40,000个结构的数据集，以及约12,000个未见过的结构
12015	2024-11-20	Super resolution reconstruction of fluorescence microscopy images by a convolutional network with physical priors 2024-Nov-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.537589 PMID:39553859	研究论文	本文提出了一种基于物理先验的卷积超分辨率网络（PCSR），用于荧光显微镜图像的超分辨率重建	PCSR结合了基于物理的损失项和基于维纳滤波的初始优化过程，能够直接使用低分辨率图像生成高质量的超分辨率图像	PCSR的实验结果是在有限的数据集上训练得到的，其泛化能力需要进一步验证	提高荧光显微镜图像的空间分辨率，同时减少细胞光毒性照射	荧光显微镜图像的超分辨率重建	计算机视觉	NA	卷积神经网络	卷积神经网络	图像	有限的数据集
12016	2024-11-20	Physics-guided deep learning-based real-time image reconstruction of Fourier-domain optical coherence tomography 2024-Nov-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.538756 PMID:39553872	研究论文	本文介绍了一种基于物理引导的深度学习方法，用于实时重建傅里叶域光学相干断层扫描（FD-OCT）图像	该方法采用无监督学习，利用OCT成像物理原理引导神经网络，生成高质量图像并提供物理上合理的解决方案	NA	开发一种高质量、实时的FD-OCT图像重建方法	FD-OCT图像重建	计算机视觉	NA	光学相干断层扫描（OCT）	深度学习	图像	合成图像和实验图像
12017	2024-11-20	Measurement of ocular aberration in noise based on deep learning with a Shack-Hartmann wavefront sensor 2024-Nov-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.541483 PMID:39553873	研究论文	本文提出了一种基于深度学习和Shack-Hartmann波前传感器的眼睛像差测量方法，通过建立包含噪声和角膜反射的模型，提高了测量精度	本文创新性地结合了深度学习和Shack-Hartmann波前传感器，并引入了角膜反射消除算法，显著提高了在噪声和角膜反射情况下的测量精度和速度	NA	提高眼睛像差测量的精度和速度	眼睛像差测量中的噪声和角膜反射问题	计算机视觉	NA	Shack-Hartmann波前传感器	卷积神经网络	图像	NA
12018	2024-11-20	Super-resolution multi-contrast unbiased eye atlases with deep probabilistic refinement 2024-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.6.064004 PMID:39554509	研究论文	本文提出了一种创建高分辨率无偏眼睛图谱的方法，通过深度学习超分辨率算法和深度概率模型来增强眼器官边界的对齐	结合超分辨率预处理和深度概率模型，解决了生成无偏眼睛图谱的挑战	NA	创建高分辨率无偏眼睛图谱，以解决眼器官形态在人群中的显著变异性	眼睛图谱的生成和优化	计算机视觉	NA	深度学习	深度概率模型	图像	使用四组不同组织对比度的磁共振图像进行实验
12019	2024-11-20	Transforming Skin Cancer Diagnosis: A Deep Learning Approach with the Ham10000 Dataset 2024-Nov, Cancer investigation IF:1.8Q3 DOI:10.1080/07357907.2024.2422602 PMID:39523747	研究论文	本文提出了一种基于深度学习的方法，利用HAM10000数据集自动分类皮肤病变，以辅助皮肤癌诊断	引入了多粒度增强深度级联森林（Mg-EDCF）模型，通过子采样多粒度扫描获取微特征，并使用两种随机森林创建输入特征，最终通过增强深度级联森林进行分类	NA	开发一种能够自动分类皮肤病变的深度学习系统，以提高皮肤癌早期诊断的准确性	皮肤病变分类，包括光化性角化病（AKIEC）、黑色素瘤（MEL）、良性角化病（BKL）、黑色素细胞痣（NV）、基底细胞癌（BCC）、皮肤纤维瘤（DF）和血管性皮肤病变（VASC）	机器学习	皮肤癌	深度学习	多粒度增强深度级联森林（Mg-EDCF）	图像	使用了HAM10000数据集进行训练和评估
12020	2024-11-20	Artificial intelligence applications in personalizing lung cancer management: state of the art and future perspectives 2024-Oct-31, Journal of thoracic disease IF:2.1Q3 DOI:10.21037/jtd-24-244 PMID:39552872	综述	本文综述了人工智能在个性化肺癌管理中的应用现状和未来展望	本文介绍了人工智能在肺癌诊断和管理中的创新应用，特别是基于机器学习和深度学习技术的AI模型	NA	探讨人工智能在非小细胞肺癌诊断和管理中的应用潜力	非小细胞肺癌的诊断、病理特征预测和基因突变预测	机器学习	肺癌	机器学习、深度学习	AI模型	患者数据	NA