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
13061	2024-10-29	YOLOv5s-Based Image Identification of Stripe Rust and Leaf Rust on Wheat at Different Growth Stages 2024-Oct-10, Plants (Basel, Switzerland) DOI:10.3390/plants13202835 PMID:39458782	研究论文	本研究基于YOLOv5s模型，构建了不同生长阶段小麦条锈病和叶锈病的图像识别模型	首次在不同生长阶段使用YOLOv5s模型进行小麦条锈病和叶锈病的图像识别	模型在不同生长阶段的识别性能存在差异，某些阶段的模型不适用于其他阶段的识别	实现不同生长阶段小麦条锈病和叶锈病的准确识别	小麦条锈病和叶锈病	计算机视觉	植物病害	图像处理技术	YOLOv5s	图像	涉及小麦的不同生长阶段，包括苗期、拔节期、孕穗期、抽穗期、开花期、乳熟期等
13062	2024-10-29	EHNet: Efficient Hybrid Network with Dual Attention for Image Deblurring 2024-Oct-10, Sensors (Basel, Switzerland) DOI:10.3390/s24206545 PMID:39460026	研究论文	提出了一种高效的混合网络EHNet，结合CNN和Transformer进行图像去模糊处理	引入双注意力模块和简单特征嵌入模块，减少计算复杂度和内存使用，同时保持高性能	未提及	开发一种高效的深度学习方法去除图像模糊	图像去模糊	计算机视觉	NA	卷积神经网络 (CNN), Transformer	混合网络 (EHNet)	图像	涉及多个基准数据集
13063	2024-10-29	Exploiting Temporal Features in Calculating Automated Morphological Properties of Spiky Nanoparticles Using Deep Learning 2024-Oct-10, Sensors (Basel, Switzerland) DOI:10.3390/s24206541 PMID:39460021	研究论文	本文通过结合硬性和软性归纳偏置的序列机器学习技术，扩展了纳米颗粒形态分析中的时间特征	本文创新性地将循环层集成到卷积神经网络中，以捕捉纳米颗粒的自然顺序生长特征，并使用尖峰聚焦的损失函数进行训练	NA	研究目的是通过利用时间特征改进纳米颗粒的自动形态学特性计算	研究对象是电子显微镜图像中的尖刺金纳米颗粒（Au-SNPs）	计算机视觉	NA	深度学习	卷积神经网络（CNN）和循环神经网络（RNN）	图像	NA
13064	2024-10-29	Deep Learning Method Applied to Autonomous Image Diagnosis for Prick Test 2024-Oct-02, Life (Basel, Switzerland) DOI:10.3390/life14101256 PMID:39459556	研究论文	本研究提出了一种深度学习方法，用于自动诊断皮肤点刺测试图像中的风团尺寸，旨在减少对人工解读的依赖	本研究首次将深度学习应用于皮肤点刺测试图像的自动诊断，提出了一种卷积神经网络模型用于风团分割，并展示了其优于传统方法的准确性	本研究仅评估了三种方法在风团分割中的表现，未涉及其他可能的深度学习模型或方法	研究目的是开发一种自动化的方法来解读皮肤点刺测试图像，以提高诊断的准确性和效率	研究对象是皮肤点刺测试图像中的风团尺寸	计算机视觉	NA	卷积神经网络	CNN	图像	5844张皮肤点刺测试图像，其中150张具有规则几何形状的风团，150张具有不规则形状的风团
13065	2024-10-29	Insights into AlphaFold's breakthrough in neurodegenerative diseases 2024-Oct, Irish journal of medical science IF:1.7Q2 DOI:10.1007/s11845-024-03721-6 PMID:38833116	研究论文	本文探讨了AlphaFold在神经退行性疾病中的突破性应用	AlphaFold能够以实验预测的准确性水平预测3D蛋白质结构，并精确估计蛋白质相互作用	AlphaFold无法预测膜蛋白结构，这对于药物设计是一个重要限制	研究AlphaFold在神经退行性疾病诊断和治疗中的应用潜力	神经退行性疾病，包括阿尔茨海默病和帕金森病等	机器学习	神经退行性疾病	深度学习	AlphaFold	蛋白质结构数据	NA
13066	2024-10-29	Clinical Utility of Deep Learning Assistance for Detecting Various Abnormal Findings in Color Retinal Fundus Images: A Reader Study 2024-Oct-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.13.10.34 PMID:39441571	研究论文	评估深度学习辅助设备在彩色眼底图像中检测多种异常发现对不同专业水平读者的临床实用性	深度学习辅助设备显著提高了读者的敏感性，减少了敏感性的差异，并缩短了阅读时间	算法辅助下，读者的特异性有所下降，尤其是在居民中更为明显	评估深度学习辅助设备在眼底图像中检测多种异常发现的临床实用性	不同专业水平的读者（14名眼科医生，包括6名居民和8名专家）	计算机视觉	NA	深度学习	NA	图像	399张眼底图像，涉及12种主要眼科发现
13067	2024-10-29	The Integration of Radiomics and Artificial Intelligence in Modern Medicine 2024-Oct-01, Life (Basel, Switzerland) DOI:10.3390/life14101248 PMID:39459547	综述	本文综述了放射组学与人工智能在现代医学中的整合及其对患者护理的深远影响	探讨了人工智能技术在放射组学中的应用，如机器学习和深度学习，以及这些技术如何创建复杂的计算机辅助诊断系统、预测模型和决策支持工具	NA	探讨放射组学与人工智能在现代医学中的整合及其对诊断、治疗个性化和患者预后的潜在影响	放射组学特征提取与分析、机器学习、深度学习和计算机辅助诊断系统	计算机视觉	NA	机器学习、深度学习	NA	图像	NA
13068	2024-10-29	CNN-Based Neurodegenerative Disease Classification Using QR-Represented Gait Data 2024-Oct, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.70100 PMID:39465642	研究论文	本研究旨在利用卷积神经网络（CNN）对通过QR码表示的步态数据进行神经退行性疾病分类	引入了一种新颖的方法，通过分析步态模式来提高神经退行性疾病的诊断精度	需要进一步验证和研究以确定其在更广泛应用中的有效性	开发一种有效且可靠的神经退行性疾病诊断系统	神经退行性疾病，包括肌萎缩侧索硬化症（ALS）、帕金森病（PD）和亨廷顿病（HD）	计算机视觉	神经退行性疾病	卷积神经网络（CNN）	CNN	步态数据	帕金森病患者15例，亨廷顿病患者20例，肌萎缩侧索硬化症患者13例，以及16例健康对照
13069	2024-10-29	Prediction of carotid artery plaque area based on parallel multi-gate attention capture model 2024-Oct-01, The Review of scientific instruments DOI:10.1063/5.0214828 PMID:39465991	研究论文	本研究结合临床应用和深度学习技术，设计了一种预测颈动脉斑块面积的模型	提出了创新的并行多门注意力捕捉（MGAC）模型，用于预测颈动脉斑块面积	NA	设计一种预测颈动脉斑块面积的模型，以识别高风险个体并减少心血管疾病的发生	颈动脉斑块面积	机器学习	心血管疾病	深度学习	并行多门注意力捕捉（MGAC）模型	风险因素、实验室测试和体检数据	NA
13070	2024-10-29	3D Light-Direction Sensor Based on Segmented Concentric Nanorings Combined with Deep Learning 2024-Sep-30, Micromachines IF:3.0Q2 DOI:10.3390/mi15101219 PMID:39459093	研究论文	本文提出了一种基于分段同心纳米环结构和深度学习的3D光方向传感器，能够在微米级设备尺度上实现高精度的光方向检测	该传感器通过分段同心纳米环结构实现对入射光的三维方向检测，并利用深度学习解决数据混叠问题，扩展了传感范围	NA	开发一种高精度、超薄的光方向检测设备，推动机器视觉和交互技术的发展	3D光方向传感器的设计与实现	机器学习	NA	深度学习	NA	模拟数据	NA
13071	2024-10-29	[Clinical Validation Study of Deep Learning-Generated Magnetic Resonance Images] 2024-Sep-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation DOI:10.12455/j.issn.1671-7104.240050 PMID:39463079	研究论文	本研究利用深度学习图像生成算法，从矢状位T1WI和T2WI MR图像生成伪矢状位STIR序列	深度学习生成的STIR序列在图像质量和临床诊断能力上与金标准相当甚至可能超越	NA	验证深度学习生成MR图像的临床有效性	矢状位T1WI和T2WI MR图像以及生成的伪矢状位STIR序列	计算机视觉	NA	深度学习	NA	图像	五种不同组织的ROI
13072	2024-10-29	A self-supervised learning approach for registration agnostic imaging models with 3D brain CTA 2024-Mar-15, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.109004 PMID:38375230	研究论文	本文提出了一种自监督学习方法，用于将设计用于已配准图像的卷积深度神经网络转换为适用于未配准图像的模型	提出了一种通用的对比自监督学习方法，使模型能够处理未配准的图像，而不依赖于标签	NA	开发一种不依赖图像配准的深度学习方法，以提高急性中风神经影像处理的效率和鲁棒性	3D脑部CTA图像中的大血管闭塞（LVO）检测	计算机视觉	心血管疾病	自监督学习	卷积神经网络（CNN）	图像	402名CTA患者的数据
13073	2024-10-29	Drug-drug interactions prediction based on deep learning and knowledge graph: A review 2024-Mar-15, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.109148 PMID:38405609	综述	本文系统回顾了基于深度学习和知识图谱的药物-药物相互作用预测研究	本文总结了现有的基于深度学习和知识图谱的药物-药物相互作用预测方法，并将其分为三类：基于深度学习的方法、基于知识图谱的方法以及结合两者的方法	本文讨论了药物-药物相互作用预测面临的挑战，包括非对称相互作用预测和高阶相互作用预测	系统回顾基于深度学习和知识图谱的药物-药物相互作用预测研究	药物-药物相互作用预测方法	机器学习	NA	深度学习、知识图谱	NA	文本	NA
13074	2024-10-29	A multi-class brain tumor grading system based on histopathological images using a hybrid YOLO and RESNET networks 2024-02-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-54864-6 PMID:38403597	研究论文	本文提出了一种基于YOLOv5和ResNet50混合网络的多类别脑肿瘤分级系统，用于从组织病理学图像中识别和分级脑肿瘤	本文的创新点在于将YOLOv5和ResNet50架构结合成一个混合模型，专门用于在组织病理学全切片图像中进行精确的肿瘤定位和预测分级	NA	开发一种能够从组织病理学图像中识别和分级脑肿瘤的深度学习技术，以辅助医生进行诊断和治疗规划	脑肿瘤，特别是胶质瘤的分级和分类	数字病理学	脑肿瘤	深度学习	混合模型（YOLOv5和ResNet50）	图像	使用了癌症基因组图谱数据集进行测试
13075	2024-10-29	3D Superclusters with Hybrid Bioinks for Early Detection in Breast Cancer 2024-02-23, ACS sensors IF:8.2Q1 DOI:10.1021/acssensors.3c01938 PMID:38294962	研究论文	本文介绍了一种利用3D等离子体簇和混合生物墨水进行乳腺癌早期检测的方法	本文创新性地将表面增强拉曼散射（SERS）技术与深度学习算法结合，构建了一个灵活且简单的三维等离子体簇SERS平台，显著提高了拉曼强度的检测限	NA	开发一种用于乳腺癌早期检测的高灵敏度和高准确性的诊断平台	乳腺癌患者和健康个体的血浆	生物医学工程	乳腺癌	表面增强拉曼散射（SERS）	深度学习算法	拉曼光谱	癌症患者和健康个体的血浆样本
13076	2024-10-29	Simulating impaired left ventricular-arterial coupling in aging and disease: a systematic review 2024-Feb-22, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-024-01206-2 PMID:38388416	综述	本文通过系统综述评估了使用计算模型模拟和研究老化和疾病中受损的左心室-动脉耦合的影响	强调了计算模型在提供超越临床观察的详细见解方面的重要作用，并提出了未来研究方向，如开发完全耦合的个性化多维模型和整合深度学习技术	NA	评估计算模型在模拟和研究老化和疾病中受损的左心室-动脉耦合的影响	老化和疾病中受损的左心室-动脉耦合	心血管疾病	心血管疾病	计算模型	多维模型（3D, 2D, 0D）	NA	34篇相关文章
13077	2024-10-29	Deep social neuroscience: the promise and peril of using artificial neural networks to study the social brain 2024-Feb-21, Social cognitive and affective neuroscience IF:3.9Q1 DOI:10.1093/scan/nsae014 PMID:38334747	综述	本文为社会神经科学家提供了一个关于神经网络的入门介绍，并探讨了神经网络在社会神经科学中的应用前景和挑战	本文提出了将人工神经网络应用于社会神经科学的新方法，包括构建统计模型、量化自然刺激和社会互动以及生成认知模型	本文讨论了深度学习面临的实际挑战、理论局限性和伦理问题	探讨人工神经网络在社会神经科学中的应用潜力和挑战	社会神经科学中的神经网络应用	机器学习	NA	深度学习	人工神经网络	NA	NA
13078	2024-10-29	Deep learning-based BMI inference from structural brain MRI reflects brain alterations following lifestyle intervention 2024-Feb-15, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.26595 PMID:38375968	研究论文	利用深度学习从结构脑MRI中推断BMI，并研究生活方式干预后脑部结构的变化	首次利用集成学习框架从脑MRI中预测BMI分数，并发现预测的BMI减少与实际体重减轻相关	NA	探索生活方式干预后超重人群脑形态学差异是否能反映在临床测量中	超重人群的脑部结构和BMI	计算机视觉	NA	深度学习	集成学习	图像	参与DIRECT-PLUS临床试验的代谢综合征患者
13079	2024-10-29	Leveraging Artificial Intelligence to Expedite Antibody Design and Enhance Antibody-Antigen Interactions 2024-Feb-15, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11020185 PMID:38391671	review	本文探讨了计算技术在蛋白质疗法领域，特别是抗体设计和开发中的变革性影响	介绍了最新的深度学习方法，包括语言模型和扩散技术，以及它们在克服抗体设计复杂性方面的应用	抗体的复杂结构细节仍然在设计和优化中构成持续挑战	旨在通过详细视角推动抗体设计的发展，为研究人员提供工具和知识以应对该领域的复杂性	抗体设计和开发中的计算技术	machine learning	NA	machine learning, deep learning	language models, diffusion techniques	NA	NA
13080	2024-10-29	Recent Progress of Protein Tertiary Structure Prediction 2024-Feb-13, Molecules (Basel, Switzerland) DOI:10.3390/molecules29040832 PMID:38398585	综述	本文综述了蛋白质三级结构预测的最新进展，包括传统方法和基于深度学习的新方法	介绍了AlphaFold2等深度学习方法在蛋白质结构预测中的显著进展	讨论了现有方法的优缺点及其应用范围，旨在帮助研究人员理解蛋白质结构预测方法的局限性和适用性	全面理解蛋白质结构预测领域，指导未来研究	蛋白质三级结构预测方法及其评估	计算生物学	NA	深度学习	深度学习模型	蛋白质序列数据	NA