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
12441	2024-10-30	Deep Learning Models Used in the Diagnostic Workup of Keratoconus: A Systematic Review and Exploratory Meta-Analysis 2024-Jul-01, Cornea IF:1.9Q2 DOI:10.1097/ICO.0000000000003467 PMID:38300179	综述	本文系统回顾和探索性元分析了深度学习模型在圆锥角膜诊断中的应用	深度学习在提高医学影像解读的准确性和速度方面具有巨大潜力	研究质量总体有限，主要由于患者选择报告不充分和使用不充分的参考标准	评估深度学习算法在圆锥角膜诊断中的表现	圆锥角膜的诊断	计算机视觉	眼科疾病	深度学习	深度学习模型	图像	19项研究纳入定性综合，10项研究纳入探索性元分析
12442	2024-10-30	Deep learning-based prediction of compressive strength of eco-friendly geopolymer concrete 2024-Jun, Environmental science and pollution research international DOI:10.1007/s11356-024-33853-2 PMID:38844634	研究论文	本文利用深度长短期记忆网络模型预测环保型地质聚合物混凝土的抗压强度	本文首次采用深度长短期记忆网络模型来预测环保型地质聚合物混凝土的抗压强度，并与其他回归模型进行了比较	本文仅限于预测环保型地质聚合物混凝土的抗压强度，未涉及其他性能指标	研究如何利用深度学习技术提高环保型地质聚合物混凝土抗压强度的预测精度	环保型地质聚合物混凝土的抗压强度	机器学习	NA	深度学习	LSTM	数值数据	未明确提及具体样本数量
12443	2024-10-30	Applications of Artificial Intelligence, Machine Learning, and Deep Learning in Nutrition: A Systematic Review 2024-Apr-06, Nutrients IF:4.8Q1 DOI:10.3390/nu16071073 PMID:38613106	综述	本文综述了人工智能、机器学习和深度学习在营养科学中的应用	本文通过系统性文献回顾方法，全面调查了AI在营养科学中的现状，并探讨了其潜在应用和未来方向	本文主要基于文献回顾，未进行实际实验或数据分析	旨在全面了解AI、ML和DL在营养科学中的应用现状，并指出未来的挑战和方向	AI在营养科学中的应用，包括智能个性化营养、饮食评估、食物识别与追踪、疾病预防的预测建模以及疾病诊断与监测	机器学习	NA	机器学习、深度学习	NA	NA	NA
12444	2024-10-30	Precise localization of corneal reflections in eye images using deep learning trained on synthetic data 2024-04, Behavior research methods IF:4.6Q1 DOI:10.3758/s13428-023-02297-w PMID:38114880	研究论文	本文提出了一种使用深度学习方法在眼图像中精确定位角膜反射中心的方法	本文使用仅在合成数据上训练的卷积神经网络（CNN），避免了在真实眼图像上进行监督训练所需的手动标注过程	NA	开发一种精确的角膜反射中心定位方法，解决深度学习模型在注视估计中数据可用性的问题	角膜反射中心在眼图像中的定位	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	合成数据和两个包含高质量视频的真实眼图像数据集
12445	2024-10-30	Deep learning models for webcam eye tracking in online experiments 2024-04, Behavior research methods IF:4.6Q1 DOI:10.3758/s13428-023-02190-6 PMID:37608235	研究论文	本文研究了在远程在线心理实验中使用网络摄像头进行眼动追踪的深度学习模型	本文首次将深度学习方法应用于远程在线心理实验中的眼动追踪，并评估了其性能	研究样本量较小，仅涉及65名参与者	旨在解决远程眼动追踪设置中的关键挑战，并评估基于外观的深度学习眼动追踪和眨眼检测方法	65名参与者在家中使用笔记本电脑进行一系列眼动追踪任务	计算机视觉	NA	深度学习	基于外观的模型	视频	65名参与者
12446	2024-10-30	Deep learning reveals what facial expressions mean to people in different cultures 2024-Mar-15, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.109175 PMID:38433918	研究论文	本文通过大规模数据收集和机器学习，研究了六个国家中面部表情在不同文化中的含义	本文创新性地使用了模仿范式和深度神经网络，揭示了面部表情在不同文化中的28个维度，其中21个维度显示出普遍性	本文主要集中在六个国家的研究，可能无法完全代表全球所有文化	研究面部表情在不同文化中的含义及其普遍性和文化特异性	面部表情及其在不同文化中的含义	计算机视觉	NA	深度学习	深度神经网络	图像	5,833名参与者生成了423,193个面部表情
12447	2024-10-30	Exploiting macro- and micro-structural brain changes for improved Parkinson's disease classification from MRI data 2024-Feb-26, NPJ Parkinson's disease DOI:10.1038/s41531-024-00647-9 PMID:38409244	研究论文	研究开发并评估了一种可解释的深度学习模型，用于从多模态神经影像数据中进行帕金森病分类	利用宏观和微观结构脑变化的结合，提高了帕金森病的分类准确性，并使用SmoothGrad显著性图提高了模型的可解释性	NA	开发和评估一种可解释的深度学习模型，用于从多模态神经影像数据中进行帕金森病分类	帕金森病患者和健康对照者的多模态神经影像数据	机器学习	神经退行性疾病	磁共振成像（MRI）	卷积神经网络（CNN）	图像	1264个数据集，包括611名帕金森病患者和653名健康对照者
12448	2024-10-30	Structurally-informed human interactome reveals proteome-wide perturbations by disease mutations 2024-Feb-01, bioRxiv : the preprint server for biology DOI:10.1101/2023.04.24.538110 PMID:37162909	研究论文	本文介绍了一种基于深度学习的集成框架PIONEER，用于预测人类和其他常见模式生物中所有已知蛋白质相互作用的蛋白质结合伙伴特异性界面，并展示了其在疾病相关突变分析中的应用	PIONEER框架在预测蛋白质相互作用界面方面优于现有的最先进方法，并能有效识别与疾病相关的突变	NA	开发一种能够准确预测蛋白质相互作用界面并应用于疾病相关突变分析的深度学习工具	人类和其他常见模式生物的蛋白质相互作用界面，以及疾病相关突变	机器学习	癌症	深度学习	集成框架	基因组数据	2,395个突变，6,754个突变-相互作用对，约60,000个生殖系外显子，约36,000个体细胞基因组，约11,000个肿瘤全外显子，33种癌症类型
12449	2024-10-30	Self-Supervised Learning Improves Accuracy and Data Efficiency for IMU-Based Ground Reaction Force Estimation 2024-Jan-25, bioRxiv : the preprint server for biology DOI:10.1101/2023.10.25.564057 PMID:38328126	研究论文	本文探讨了自监督学习在基于IMU的地反作用力估计中的应用，通过预训练模型提高估计的准确性和数据效率	提出使用自监督学习技术利用大量IMU数据预训练深度学习模型，以提高基于IMU的地反作用力估计的准确性和数据效率	NA	提高基于IMU的地反作用力估计的准确性和数据效率	基于IMU的地反作用力估计	机器学习	NA	自监督学习	transformer模型	IMU数据	三个预训练数据集，包括真实IMU数据、合成IMU数据或两者的组合
12450	2024-10-30	Splicing neoantigen discovery with SNAF reveals shared targets for cancer immunotherapy 2024-Jan-17, Science translational medicine IF:15.8Q1 DOI:10.1126/scitranslmed.ade2886 PMID:38232136	研究论文	开发了一种名为SNAF的计算工作流程，用于从患者RNA-Seq数据中发现由剪接产生的肿瘤特异性新抗原，并揭示了这些新抗原在癌症免疫治疗中的潜在共享目标	提出了SNAF工作流程，结合深度学习策略和新的算法，能够预测剪接衍生的免疫原性MHC结合肽和未注释的跨膜蛋白的改变的外部表位，为癌症免疫治疗提供了新的靶点	NA	通过开发SNAF工作流程，系统地识别剪接新抗原，揭示其在异质性癌症中的潜在治疗共享目标	剪接新抗原及其在癌症免疫治疗中的应用	生物信息学	黑色素瘤	RNA测序	深度学习	RNA序列数据	涉及多个癌症队列的患者样本
12451	2024-10-30	PIFON-EPT: MR-Based Electrical Property Tomography Using Physics-Informed Fourier Networks 2024, IEEE journal on multiscale and multiphysics computational techniques IF:1.8Q3 DOI:10.1109/jmmct.2023.3345798 PMID:39463749	研究论文	提出了一种基于物理信息傅里叶网络的电性参数断层成像方法（PIFON-EPT），用于从噪声和不完整的磁共振测量中重建电性参数	首次提出了一种能够同时从不完全噪声磁共振测量中重建电性参数和传输场的方法	NA	开发一种新的深度学习方法，用于从噪声和不完整的磁共振测量中重建电性参数	电性参数和传输场的重建	计算机视觉	NA	磁共振成像	物理信息傅里叶网络	图像	模拟实验在3T和7T磁共振成像中进行，使用了20%的噪声测量场作为输入
12452	2024-10-30	Multi-resolution visual Mamba with multi-directional selective mechanism for retinal disease detection 2024, Frontiers in cell and developmental biology IF:4.6Q1 DOI:10.3389/fcell.2024.1484880 PMID:39463765	研究论文	本文介绍了一种用于视网膜疾病检测的多分辨率视觉Mamba模型，通过多方向选择机制提升OCT图像分类的准确性	提出了多分辨率视觉Mamba模型，结合卷积和Transformer的优势，解决了长程依赖问题，并引入了多方向选择机制以捕捉复杂的视网膜模式	NA	提高视网膜疾病检测的准确性	视网膜疾病及其OCT图像	计算机视觉	视网膜疾病	光学相干断层扫描（OCT）	多分辨率视觉Mamba（MRVM）	图像	两个公共数据集，分别包含98.98%和96.21%的总体准确率
12453	2024-10-30	SheepEye: a based-web app for real-time diagnosis of sheep anemia 2024, Translational animal science IF:1.3Q3 DOI:10.1093/tas/txae144 PMID:39463885	研究论文	本文提出了一种基于网络应用的绵羊贫血实时诊断系统SheepEye	利用深度学习算法（U-net模型用于分割，VGG19模型用于分类）开发了一个基于网络的应用程序，用于绵羊贫血的监测和诊断	SheepEye应用仍处于原型阶段，尚未广泛应用于生产者	开发一种能够实时诊断绵羊贫血的网络应用，以提高诊断效率和绵羊生产力	绵羊贫血的监测和诊断	计算机视觉	NA	深度学习	U-net模型，VGG19模型	图像	未明确提及具体样本数量
12454	2024-10-30	Innovations and challenges in predicting cognitive trajectories after stroke 2024, Brain communications IF:4.1Q2 DOI:10.1093/braincomms/fcae364 PMID:39464216	评论	本文是对一篇关于使用深度学习预测中风后认知轨迹的论文的科学评论	NA	NA	评论和讨论使用深度学习预测中风后认知轨迹的创新和挑战	中风后认知轨迹的预测	NA	NA	NA	NA	NA	NA
12455	2024-10-30	Deep learning disconnectomes to accelerate and improve long-term predictions for post-stroke symptoms 2024, Brain communications IF:4.1Q2 DOI:10.1093/braincomms/fcae338 PMID:39464219	研究论文	本研究探讨了深度学习模型在加速生成断连图谱以进行个性化预测中风后一年神经心理结果方面的有效性	本研究首次使用3D U-Net网络生成深度断连图谱，显著提高了生成效率和预测准确性	研究样本量相对较小，需要进一步验证在大规模数据集上的表现	加速生成断连图谱，提高中风后神经心理结果的长期预测准确性	中风患者的断连图谱和神经心理结果	机器学习	中风	3D U-Net网络	3D U-Net	图像	1333个合成病变和1333个真实中风病变，以及119名中风患者的神经心理评分
12456	2024-10-30	The Future of Cervical Cancer Screening 2024, International journal of women's health DOI:10.2147/IJWH.S474571 PMID:39464249	研究论文	探讨宫颈癌筛查的新技术和策略	介绍了快速、低成本的HPV检测、高分辨率数字阴道镜和人工智能解释等新兴技术	未提及具体的研究局限性	探索HPV、宫颈不典型增生和宫颈癌的检测与治疗方法	HPV感染、宫颈不典型增生和宫颈癌	NA	宫颈癌	HPV检测、DNA甲基化分析、双染细胞学、芯片实验室检测、深度学习技术	深度学习	NA	未提及具体样本量
12457	2024-10-30	Swin Transformer-based automatic delineation of the hippocampus by MRI in hippocampus-sparing whole-brain radiotherapy 2024, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2024.1441791 PMID:39464425	研究论文	本研究开发并验证了一种基于Swin Transformer的深度学习模型SwinHS，用于在海马体保护的全脑放疗中自动勾画海马体，以提高临床工作流程效率	本研究首次将Swin Transformer与3D ELSA Transformer模块和sSE CNN解码器结合，用于自动勾画海马体，并在性能上优于其他先进的深度学习模型	尽管SwinHS在自动勾画海马体方面表现优异，但在放疗计划中，自动勾画的海马体Dmax值接近17 Gy的限制，需要谨慎对待	开发和验证一种自动分割模型，用于在海马体保护的全脑放疗中精确勾画海马体，以提高临床工作流程效率	海马体在海马体保护的全脑放疗中的自动勾画	计算机视觉	NA	深度学习	Swin Transformer	三维T1加权MR图像	100例三维T1加权MR图像，其中70例用于训练，30例用于测试
12458	2024-10-30	Deep Attention Networks With Multi-Temporal Information Fusion for Sleep Apnea Detection 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2024.3405666 PMID:39464487	研究论文	本文提出了一种基于深度注意力网络和多时间信息融合的睡眠呼吸暂停检测方法	引入了多时间尺度信息融合的深度注意力网络，能够从不同时间尺度的ECG信号中提取更具区分度的特征	NA	提高睡眠呼吸暂停检测的准确性和性能	单导联心电图信号	机器学习	睡眠障碍	深度学习	1D卷积神经网络	心电图信号	NA
12459	2024-10-30	Multi-branch deep learning neural network prediction model for the development of angular biosensors based on sEMG 2024, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2024.1492232 PMID:39465001	研究论文	本文提出了一种基于sEMG的多分支深度学习神经网络模型，用于步态识别和关节角度预测	本文创新性地采用了多分支深度学习神经网络，使不同神经网络处理不同的特征项，从而实现更准确和高效的步态意图识别	NA	建立一个多分支深度学习神经网络模型，实现准确的步态识别和有效的关节角度估计	人类步态运动意图和关节角度	机器学习	NA	sEMG	多分支深度学习神经网络	信号	NA
12460	2024-10-30	An inherently interpretable deep learning model for local explanations using visual concepts 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0311879 PMID:39466770	研究论文	提出了一种基于视觉概念的深度学习模型，用于提供局部解释	开发了一种名为Cross-Attentional Fast/Slow Thinking Network (CA-SoftNet)的双流模型，结合了浅层卷积神经网络和交叉注意力概念记忆网络，以实现快速模式识别和透明逻辑推理	未明确提及	解决现有深度学习模型在解释性和局部解释方面的不足	深度学习模型的解释性和局部解释	计算机视觉	NA	卷积神经网络 (CNN)	Cross-Attentional Fast/Slow Thinking Network (CA-SoftNet)	图像	在CUB 200-2011、Stanford Cars、ISIC 2016和ISIC 2017数据集上进行了评估