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
13281	2024-08-05	Synthetic Genitourinary Image Synthesis via Generative Adversarial Networks: Enhancing Artificial Intelligence Diagnostic Precision 2024-Jun-30, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm14070703 PMID:39063957	研究论文	本研究探讨了生成对抗网络（GAN）在合成罕见泌尿生殖组织图像中的潜力	利用GAN生成高质量合成图像，以增强计算病理模型的训练数据	目前的研究仅集中在八种不同的GU组织，尚需进一步拓展更广泛的组织类型	提高计算病理模型在组织分类、分割和疾病检测方面的性能	八种不同的泌尿生殖组织	计算病理学	NA	生成对抗网络（GAN）	NA	图像	八种不同的GU组织样本
13282	2024-08-05	The Approach to Sensing the True Fetal Heart Rate for CTG Monitoring: An Evaluation of Effectiveness of Deep Learning with Doppler Ultrasound Signals 2024-Jun-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070658 PMID:39061740	研究论文	该研究提出了一种利用多普勒超声信号和人工智能的方法来区分胎心率和母体心率。	创新之处在于将多普勒超声与深度学习结合，以提高临床心率监测的准确性。	研究主要基于有限案例的数据，可能影响结果的推广性。	旨在改善心音监测的准确性，减少在产程中错误评估胎儿状态的风险。	研究对象包括425个孕妇案例的数据，涉及胎心和母体脉管信号。	数字病理学	NA	多普勒超声	深度学习模型	信号数据	425个案例，包含30160个胎心数据点和2160个母体脉管数据点
13283	2024-08-05	Identification of Calculous Pyonephrosis by CT-Based Radiomics and Deep Learning 2024-Jun-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070662 PMID:39061744	研究论文	本研究评估了基于CT的放射组学和三维卷积神经网络模型在识别结石性脓肾中的表现	结合独立临床因素的机器学习模型表现优于传统临床模型	未提及具体的局限性	急需准确检测结石性脓肾以便进行手术规划并防止严重后果	182名接受治疗的结石性水肾或脓肾的患者	数字病理学	肾脏疾病	CT成像, 放射组学	3D-CNN	医学影像	182名患者
13284	2024-08-05	Revolutionizing Pathology with Artificial Intelligence: Innovations in Immunohistochemistry 2024-Jun-27, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm14070693 PMID:39063947	research paper	这篇文章探讨了人工智能在免疫组化分析中的应用和整合	文章强调了深度学习和机器学习算法在免疫组化分析中的创新应用	文章未详细探讨现有算法的局限性和挑战	研究目的是提升病理学中的诊断准确性	研究对象包括乳腺癌、前列腺癌、肺癌、黑色素增生以及血液病等病理	数字病理	乳腺癌, 前列腺癌, 肺癌, 血液病	深度学习, 机器学习	NA	影像	NA
13285	2024-08-05	An Innovative Multi-Omics Model Integrating Latent Alignment and Attention Mechanism for Drug Response Prediction 2024-Jun-27, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm14070694 PMID:39063948	研究论文	本文提出了一种用于药物反应预测的多组学模型，集成了潜在对齐和注意力机制	研究创新性地引入了潜在对齐用于信息不匹配的整合，并通过注意力模块捕获不同类型组学数据之间的交互	在某些药物（如mitomycin-C和obatoclax）的反应预测准确性较低	该研究旨在提高药物反应预测的准确性	研究对象为各种组学数据，包括基因突变、拷贝数变异、甲基化和基因表达数据	机器学习	癌症	多组学数据整合	注意力模型	组学数据	NA
13286	2024-08-05	A Multi-View Deep Learning Model for Thyroid Nodules Detection and Characterization in Ultrasound Imaging 2024-Jun-25, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070648 PMID:39061730	研究论文	提出了一种基于深度学习的管道来检测和分类甲状腺结节	使用了多视图超声成像并结合YOLOv5和XGBoost模型提升结节分类的准确性	测试集样本量相对较小且是历史数据收集	旨在提高甲状腺结节的检测与分类准确性	使用来自983名患者的甲状腺结节超声图像	计算机视觉	NA	深度学习	YOLOv5, XGBoost	超声图像	983个患者的图像，测试集81个案例
13287	2024-08-05	HEAL: High-Frequency Enhanced and Attention-Guided Learning Network for Sparse-View CT Reconstruction 2024-Jun-25, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070646 PMID:39061728	研究论文	提出了一种高频增强和注意力引导的学习网络HEAL，用于稀疏视图CT重建	该论文提出的HEAL网络结合了双域渐进增强模块、通道和空间注意力机制以及高频成分增强正则化项，创新性地提高了重建精度和细节增强	在超稀疏条件下，高频成分的细节恢复仍然存在一定挑战	旨在减少CT成像中的辐射剂量，同时提高稀疏视图重建的图像细节	重点研究CT成像中的稀疏视图重建技术	计算机视觉	NA	深度学习	NA	图像	在不同的超稀疏配置下进行了训练、验证和测试，包括60视图和30视图
13288	2024-08-05	Graph-Based Electroencephalography Analysis in Tinnitus Therapy 2024-Jun-25, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines12071404 PMID:39061978	研究论文	本研究旨在通过分析与耳鸣治疗相关的电生理信号数据集来增强对耳鸣的理解和治疗	本研究的创新点在于将EEG信号的不同通道表示为新的图网络表示法，使用图神经网络进行复杂关系的建模	NA	提升耳鸣治疗的理解与效果	治疗耳鸣的患者的EEG信号	数字病理学	耳鸣	EEG	图卷积网络(GCN) 和长短期记忆网络(LSTM)	电生理信号	NA
13289	2024-08-05	Automatic Detection of Acute Leukemia (ALL and AML) Utilizing Customized Deep Graph Convolutional Neural Networks 2024-Jun-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070644 PMID:39061726	研究论文	本研究提出了一种利用定制的深度图卷积神经网络自动检测急性白血病的方法	本研究的创新点在于结合图论和卷积神经网络的架构，实现了高达99%的分类准确率	本研究的样本量较小，仅涉及44名患者的670幅图像	旨在开发一种自动化的急性白血病诊断工具	研究对象为急性淋巴细胞白血病（ALL）和急性髓性白血病（AML）	机器学习	急性白血病	深度学习	卷积神经网络（CNN）	图像	44名患者的670幅ALL和AML图像
13290	2024-08-05	Deep Learning Evaluation of Glaucoma Detection Using Fundus Photographs in Highly Myopic Populations 2024-Jun-23, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines12071394 PMID:39061968	研究论文	本研究旨在利用深度学习通过眼底照片识别高度近视人群中的青光眼和正常眼	创新点在于使用结合卷积块注意机制的分类模型改进青光眼检测的性能	本研究仅包括在特定医院就诊的患者，可能影响结果的广泛适用性	研究目的在于评估深度学习在高度近视人群中青光眼检测的有效性	研究对象为高达近视患者的眼底照片	计算机视觉	青光眼	深度学习	Convolutional Neural Network (CNN)	图像	3088张眼底照片，包括1540张青光眼组和1548张高近视组
13291	2024-08-05	Brain Tumor MRI Classification Using a Novel Deep Residual and Regional CNN 2024-Jun-23, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines12071395 PMID:39061969	研究论文	本文提出了一种新的深度残差区域卷积神经网络用于脑肿瘤分类	创新地结合了区域和边界操作的深度残差网络架构Res-BRNet	未提及该研究的具体局限性	旨在提高脑肿瘤分类的准确性和效率	针对基于MRI扫描的不同种类脑肿瘤进行分类	计算机视觉	脑肿瘤	MRI	CNN	图像	来自Kaggle、Br35H和figshare的多种肿瘤类别的图像数据集
13292	2024-08-05	Predicting Drugs Suspected of Causing Adverse Drug Reactions Using Graph Features and Attention Mechanisms 2024-Jun-22, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph17070822 PMID:39065673	研究论文	本文设计了一个可疑药物辅助判断模型来识别不良药物反应中的可疑药物	文章使用图同构网络和注意力机制来提取基于患者人口统计信息、药物信息和不良反应信息的特征	本文未提及模型的具体限制	研究旨在提高对不良药物反应的认知并识别可疑药物	研究对象为在不良事件中可疑的药物	机器学习	心血管疾病	深度学习	图同构网络	文本	使用了来自十个药物发现领域的基准数据集进行验证
13293	2024-08-05	Prostate Cancer Diagnosis via Visual Representation of Tabular Data and Deep Transfer Learning 2024-Jun-21, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070635 PMID:39061717	研究论文	本文提出了一种新的机器学习方法，通过临床生物标志物和个性化问卷评估前列腺癌的诊断。	创新性在于首次将卷积神经网络和迁移学习应用于处理表格数据，并通过Tab2Visual建模框架转换为图形表示。	研究可能在样本多样性和临床应用范围上存在局限性。	本研究旨在开发高效的前列腺癌诊断方法，减少对侵入性和高成本程序的依赖。	研究对象为相关的临床生物标志物和个性化问卷数据。	机器学习	前列腺癌	深度转移学习	卷积神经网络 (CNN)	表格数据	样本量与具体样本种类未公开
13294	2024-08-05	Automated detection of anterior crossbite on intraoral images and videos utilizing deep learning 2024-May-03, International journal of computerized dentistry IF:1.8Q2 DOI:10.3290/j.ijcd.b5290567 PMID:38700086	研究论文	本文提出了一种基于卷积神经网络（CNN）的模型，用于自动检测和分类口腔内部图像和视频中的前牙反咬合	采用深度学习模型自动识别前牙反咬合，提供了一种新的自动化解决方案	CNN模型的敏感性低于两位正畸医生的评估	研究口腔内部图像和视频中前牙反咬合的自动检测技术	1865幅口腔内部图像和10个视频，累计时长124秒	计算机视觉	NA	深度学习	卷积神经网络 (CNN)	图像和视频	1865幅图像，10个视频
13295	2024-08-05	Incorporating longitudinal history of risk factors into atherosclerotic cardiovascular disease risk prediction using deep learning 2024-01-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-51685-5 PMID:38296982	研究论文	本研究探讨了使用深度学习模型整合纵向危险因素历史来提高动脉粥样硬化心血管疾病风险预测的效果	首次比较了纵向深度学习模型与传统Pooled Cohort Equations (PCE)在ASCVD风险预测中的效果	未提及模型在不同人群或环境下的推广性和适用性	研究纵向风险因素对动脉粥样硬化心血管疾病风险预测的影响	该研究包含来自四个心血管疾病队列的15,565名没有基线ASCVD的参与者	机器学习	心血管疾病	深度学习	Dynamic-DeepHit	纵向数据	15,565名参与者
13296	2024-08-05	Deep learning-based respiratory muscle segmentation as a potential imaging biomarker for respiratory function assessment 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306789 PMID:39058719	研究论文	本研究开发了一种基于深度学习的自动化方法，用于从CT图像中分割和分类三种类型的呼吸肌肉	提出了一种使用Attention U-Net架构进行呼吸肌肉定量分析的新方法，且呼吸肌肉体积可能作为呼吸功能的潜在成像生物标志物	肌肉密度与肺功能测试参数的相关性较弱，可能限制了其在医学研究中的意义	评估呼吸肌肉的状态及其对肺功能的影响	从3200个个体的约600,000个胸部CT图像中提取的呼吸肌肉	计算机视觉	呼吸系统疾病	计算机断层扫描（CT）	Attention U-Net	图像	3200个个体的约600,000个胸部CT图像
13297	2024-08-05	DeepDRA: Drug repurposing using multi-omics data integration with autoencoders 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0307649 PMID:39058696	研究论文	该文章提出了一种基于多组学数据集成的深度学习模型，用于癌症药物重新利用的预测。	创新点在于使用自编码器降维多组学数据，并结合多任务学习模型与多层感知器进行深度学习。	没有详细说明数据收集的局限性和模型的可扩展性。	研究旨在开发一个深度学习模型，以根据多组学数据预测癌症药物反应并促进药物重新利用。	研究对象是癌症药物的反应和多组学数据。	机器学习	癌症	深度学习、自编码器	多层感知器（MLP）	多组学数据	使用了三个主要数据集：GDSC、CTRP 和 CCLE
13298	2024-08-05	Deep learning-based material decomposition of iodine and calcium in mobile photon counting detector CT 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306627 PMID:39058758	研究论文	本文提出了一种基于深度学习的材料分解方法，用于在移动光子计数检测器CT中分解碘和钙。	创新点在于提出了一种基于Unet架构的MD-Unet模型，能够在使用实时动物数据进行材料分解时提供更高精度的成像。	研究可能受到数据获取的限制，尽管使用了预训练模型和增强策略。	研究的目的是开发一种准确的材料分解技术，以改善基于光子计数检测器的CT成像。	研究对象为使用实时动物数据进行的材料分解。	数字病理学	NA	光子计数检测器CT	Unet	动物数据	NA
13299	2024-08-05	A comprehensive assessment of hurdle and zero-inflated models for single cell RNA-sequencing analysis 2023-09-20, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbad272 PMID:37507115	研究论文	本文开发了一个基于Python的包（TensorZINB），用于解决零膨胀负二项式（ZINB）模型，并系统评估了多种单细胞RNA测序分析模型的表现	提出了一种混合模型类，结合嵌套模型以提升性能，并开发了新的方法将连续分布转换为等价的离散形式	没有提及具体的现实应用场景和额外的生物学验证实验	全面评估单细胞RNA测序分析中不同比例模型的性能	针对单细胞RNA测序数据集开发和优化统计模型	数字病理学	NA	RNA-seq	零膨胀负二项式（ZINB）	基因表达数据	使用了一个真实的单细胞RNA-seq数据集进行评估
13300	2024-08-07	Coronavirus Disease 2019 Deep Learning Models: Methodologic Considerations 2020-09, Radiology IF:12.1Q1 DOI:10.1148/radiol.2020201178 PMID:32243239	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA