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
13461	2024-08-07	Forecasting renewable energy for environmental resilience through computational intelligence 2021, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0256381 PMID:34415924	研究论文	本文利用海上风力发电机产生的数据，通过深度自动编码器筛选高维特征，并结合CNN和LSTM模型进行风能预测，以提高环境韧性。	提出了一种结合CNN和LSTM的深度学习混合模型，用于提高海上风能预测的准确性。	NA	提高海上风能预测的准确性，从而增强环境韧性。	海上风力发电机的风能预测。	机器学习	NA	深度学习	CNN-LSTM	数据	三个不同的海上风电场
13462	2024-08-07	Application of a time-series deep learning model to predict cardiac dysrhythmias in electronic health records 2021, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0239007 PMID:34516567	研究论文	本文利用时间序列深度学习模型预测电子健康记录中的心脏节律失常	采用长短期记忆（LSTM）模型进行预测，该模型在预测性能上优于传统的机器学习模型	未提及具体限制	利用电子健康记录数据预测心脏节律失常，以实现早期诊断和治疗	心脏节律失常的预测	机器学习	心血管疾病	长短期记忆（LSTM）模型	LSTM	电子健康记录数据	70个诊所的电子健康记录数据
13463	2024-08-07	Detection and classification of neurons and glial cells in the MADM mouse brain using RetinaNet 2021, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0257426 PMID:34559842	研究论文	本文利用RetinaNet模型在MADM小鼠脑组织切片中自动检测和分类神经元及胶质细胞	引入第二个RetinaNet模型专门用于检测胶质细胞簇，显著提高了胶质细胞簇的自动计数精度	单一RetinaNet模型在处理密集和饱和的胶质细胞簇时存在困难	开发一种自动检测和分类组织切片中细胞群的方法	MADM小鼠脑中的神经元和胶质细胞	计算机视觉	NA	NA	RetinaNet	图像	涉及六类通过MADM报告基因表达和表型（神经元或胶质）区分的细胞
13464	2024-08-07	A maChine and deep Learning Approach to predict pulmoNary hyperteNsIon in newbornS with congenital diaphragmatic Hernia (CLANNISH): Protocol for a retrospective study 2021, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0259724 PMID:34752491	研究论文	本文提出了一种机器学习和深度学习方法，用于预测患有先天性膈疝的新生儿中的肺动脉高压，并开发了一个回顾性研究方案。	本研究首次应用机器学习和深度学习方法于先天性膈疝胎儿和新生儿，以开发预测模型，并计划开发一个半自动胎儿肺部MRI分割系统。	本研究为回顾性研究，结果需要在未来的前瞻性多中心队列研究中进行验证。	开发预测模型，以改善疾病预测、早期针对性干预和个性化管理，从而提高护理质量、资源分配、医疗保健和家庭储蓄。	患有先天性膈疝的胎儿和新生儿。	机器学习	先天性膈疝	MRI	3D U-NET	临床数据和影像数据	从2012年1月1日至2020年12月31日出生的符合条件的患者。
13465	2024-08-07	3D fluorescence microscopy data synthesis for segmentation and benchmarking 2021, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0260509 PMID:34855812	研究论文	本文提出了一种利用条件生成对抗网络从3D细胞结构注释掩码生成真实3D荧光显微镜图像数据的方法	本文创新地使用条件生成对抗网络生成3D荧光显微镜图像数据，并结合掩码模拟方法生成完全注释的3D显微镜数据集，公开可用	NA	旨在解决深度学习方法在生物医学图像处理中缺乏大量注释训练数据的问题	3D荧光显微镜图像数据	计算机视觉	NA	条件生成对抗网络	GAN	图像	任意大小和不同生物体的图像数据
13466	2024-08-07	Identification of public submitted tick images: A neural network approach 2021, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0260622 PMID:34855822	研究论文	本文介绍了一种基于卷积神经网络的自动识别蜱虫图像的方法TickIDNet，并展示了其在蜱虫识别上的应用	TickIDNet在蜱虫识别上达到了87.8%的准确率，超过了普通公众和医疗专业人员的识别能力	该模型未能达到具有正式昆虫学训练的专家的性能，且在小物体检测方面存在挑战	开发一种能够实时准确识别蜱虫图像的系统，以帮助公众了解蜱虫风险并提供研究人员和公共卫生机构更多关于蜱虫活动的数据	蜱虫及其传播的疾病	计算机视觉	NA	卷积神经网络	CNN	图像	超过90,000张蜱虫图像
13467	2024-08-07	Accurate identification of breast cancer margins in microenvironments of ex-vivo basal and luminal breast cancer tissues using Raman spectroscopy 2020-Dec, Prostaglandins & other lipid mediators IF:2.5Q3 DOI:10.1016/j.prostaglandins.2020.106475 PMID:32711127	研究论文	本研究使用拉曼光谱技术对离体基底和腔内乳腺癌组织的微环境进行精确识别，并开发了一种卷积神经网络（CNN）深度学习算法来区分组织切片中的组织病理学特征。	本研究利用拉曼光谱技术提供了快速、无标记的微观特征成像，并开发了一种深度学习算法来提高识别准确性。	NA	研究目的是更好地理解乳腺癌肿瘤微环境，以辅助手术切除和肿瘤发展过程的理解。	研究对象包括88个冷冻的乳腺组织切片，其中44个为正常组织，44个为肿瘤组织。	数字病理学	乳腺癌	拉曼光谱	CNN	图像	88个冷冻乳腺组织切片
13468	2024-08-07	Image Segmentation of the Ventricular Septum in Fetal Cardiac Ultrasound Videos Based on Deep Learning Using Time-Series Information 2020-Nov-08, Biomolecules IF:4.8Q1 DOI:10.3390/biom10111526 PMID:33171658	研究论文	本文提出了一种名为Cropping-Segmentation-Calibration（CSC）的新型分割方法，专门用于胎儿心脏超声视频中的室间隔图像分割	CSC方法利用视频的时间序列信息和特定部分信息校准U-net的输出，显著提高了分割性能	NA	开发一种新的图像分割方法，以精确检测胎儿心脏超声视频中的室间隔	胎儿心脏超声视频中的室间隔	计算机视觉	NA	深度学习	U-net	视频	615帧来自421个正常胎儿心脏超声视频，涉及211名孕妇
13469	2024-08-07	Latent space manipulation for high-resolution medical image synthesis via the StyleGAN 2020-Nov, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2020.05.001 PMID:32564924	研究论文	本文探讨了StyleGAN模型作为高分辨率合成医学图像生成器的潜力	利用StyleGAN的样式转换功能在不同模态间移动图像，并通过操纵潜在样式向量来转换图像特征	NA	研究StyleGAN模型在生成合成医学图像方面的应用	盆腔恶性肿瘤患者的CT和T2加权MR图像	计算机视觉	NA	StyleGAN	StyleGAN	图像	100名盆腔恶性肿瘤患者
13470	2024-08-07	Efficient prediction of drug-drug interaction using deep learning models 2020-Aug, IET systems biology IF:1.9Q3 DOI:10.1049/iet-syb.2019.0116 PMID:32737279	研究论文	本文提出并实现了一种集成的卷积混合密度循环神经网络模型，用于高效预测药物-药物相互作用	提出的模型结合了卷积神经网络、循环神经网络和混合密度网络，通过广泛的比较分析显示出显著优于竞争模型的性能	目前文章未提及具体限制	旨在提高药物-药物相互作用预测的效率和准确性	药物-药物相互作用	机器学习	NA	卷积神经网络、循环神经网络、混合密度网络	卷积混合密度循环神经网络	NA	NA
13471	2024-08-07	Scale and translation-invariance for novel objects in human vision 2020-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-57261-6 PMID:31996698	研究论文	本研究通过测量非韩语使用者在一次闪现学习中对韩文字母的识别准确率，探讨了人类视觉对新物体识别的尺度不变性和位置不变性	研究发现人类在单次暴露于新物体后具有显著的尺度不变性，并提出了神经网络模型应内置尺度不变性以解释人类对物体的恒定识别	位置不变性的范围有限，取决于呈现物体的大小和位置	探究人类视觉对新物体识别的尺度不变性和位置不变性	人类视觉对新物体识别的不变性	计算机视觉	NA	NA	神经网络模型	图像	非韩语使用者
13472	2024-08-07	Fundus photograph-based deep learning algorithms in detecting diabetic retinopathy 2019-01, Eye (London, England) DOI:10.1038/s41433-018-0269-y PMID:30401899	综述	本文综述了基于眼底照片的深度学习算法在糖尿病视网膜病变（DR）检测中的应用	深度神经网络在从视网膜图像中筛查DR方面提供了巨大的优势，提高了对DR病变和疾病风险因素的识别准确性和可靠性	NA	比较当前各种深度学习模型在糖尿病视网膜病变（DR）诊断中的证据	糖尿病视网膜病变（DR）的诊断	机器学习	糖尿病	卷积神经网络（深度学习方法）	CNN	图像	NA
13473	2024-08-07	The Role of a Deep-Learning Method for Negation Detection in Patient Cohort Identification from Electroencephalography Reports 2018, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:30815145	研究论文	本文研究了一种深度学习方法在从脑电图报告中识别患者队列时进行否定检测的作用	本文采用了一种神经否定检测技术，并与现有的神经极性识别系统进行了比较，结果表明该方法能产生更好的患者队列	NA	研究如何通过深度学习技术提高患者队列识别的准确性	脑电图报告中的否定检测	自然语言处理	NA	深度学习	神经网络	文本	NA
13474	2024-08-07	Multi-View Graph Convolutional Network and Its Applications on Neuroimage Analysis for Parkinson's Disease 2018, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:30815157	研究论文	本文提出了一种基于图卷积网络的深度学习方法，用于融合多种脑图像模态，以预测帕金森病的关系	使用图卷积网络融合多种脑图像模态，提高了帕金森病与对照组的区分效果	未提及具体限制	开发一种新的深度学习方法，用于提高帕金森病的诊断准确性	帕金森病的脑图像分析	机器学习	帕金森病	图卷积网络 (GCN)	图卷积网络	脑图像	使用帕金森病进展标志物倡议 (PPMI) 队列
13475	2024-08-05	AI-assisted deep learning segmentation and quantitative analysis of X-ray microtomography data from biomass ashes 2024-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2024.102812 PMID:39040214	研究论文	这篇文章介绍了一种使用深度学习对X射线微核成像数据进行分割和定量分析的方法	提出了一种深度学习分割方法，克服了手动分割中遇到的挑战，并提高了对多样化颗粒的定量分析精度	对于具有相似强度但不同模式的材料特征及背景中的强度变化和伪影，可能仍然存在分离困难	提高生物质灰烬图像的分割和定量分析效率，以促进有效的营养回收与可持续实践	生物质灰烬的微观结构，特别是颗粒的物理特性和孔隙结构	计算机视觉	NA	深度学习	U-Net	图像	NA
13476	2024-08-05	Discovery and characterization of novel FGFR1 inhibitors in triple-negative breast cancer via hybrid virtual screening and molecular dynamics simulations 2024-Sep, Bioorganic chemistry IF:4.5Q1 DOI:10.1016/j.bioorg.2024.107553 PMID:38901279	研究论文	本研究开发了一种混合虚拟筛选方法，旨在发现新的FGFR1抑制剂用于三阴性乳腺癌	采用KarmaDock算法结合深度学习和分子对接，创新性地识别了化合物6作为FGFR1的抑制剂	尚未提及研究的具体局限性	探索有效的FGFR1抑制剂以对抗三阴性乳腺癌的进展	三阴性乳腺癌细胞系和FGFR1抑制剂	数字病理学	三阴性乳腺癌	虚拟筛选与分子动力学模拟	NA	生物测定数据	NA
13477	2024-08-05	Image-based deep learning model using DNA methylation data predicts the origin of cancer of unknown primary 2024-09, Neoplasia (New York, N.Y.) DOI:10.1016/j.neo.2024.101021 PMID:38943996	研究论文	本文开发了一种基于图像的深度学习模型，用于预测未知原发癌症的起源。	文章创新地应用了视觉变换算法和DNA甲基化数据来识别癌症的起源。	本研究的局限性在于使用的样本主要来自TCGA和20个外部研究，可能影响模型的普遍适用性。	研究的目的是提高对未知原发癌症起源的准确识别。	研究对象为8,233个来自TCGA的原发肿瘤样本和394个转移癌样本。	数字病理学	未知原发癌症	DNA甲基化分析	视觉变换器	图像	8,233个原发肿瘤样本和394个转移癌样本
13478	2024-08-05	An instance segmentation dataset of cabbages over the whole growing season for UAV imagery 2024-Aug, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2024.110699 PMID:39044907	研究论文	本文介绍了一种针对整个生长季节的白菜实例分割数据集，适用于无人机图像	提供了标注的白菜图像数据集，以便通过深度学习模型进行白菜识别	目前白菜的训练数据集仍然有限	创建用于无人机影像的白菜识别训练数据集	白菜图像和其标注	机器学习	NA	深度学习	NA	图像	458张图像，17,621个标注的白菜
13479	2024-08-05	Diagnostic support in pediatric craniopharyngioma using deep learning 2024-Aug, Child's nervous system : ChNS : official journal of the International Society for Pediatric Neurosurgery DOI:10.1007/s00381-024-06400-0 PMID:38647660	研究论文	本文研究了儿童颅咽管瘤患者，旨在开发用于放射学辅助分类的卷积深度学习算法	首次在本机构开展此类研究，利用可解释的人工智能和深度学习模型实现放射学诊断支持	NA	开发深度学习算法用于儿童颅咽管瘤的诊断支持	226名智利儿童患者的磁共振影像	计算机视觉	颅咽管瘤	深度学习	卷积神经网络	图像	226名患者（68名健康对照，58名颅咽管瘤患者，100名其他颅内肿瘤患者）
13480	2024-08-05	Experience of Implementing Deep Learning-Based Automatic Contouring in Breast Radiation Therapy Planning: Insights From Over 2000 Cases 2024-Aug-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.02.041 PMID:38431232	研究论文	本研究评估了自动轮廓系统在乳腺放射治疗中的影响和临床实用性	本研究展示了自动轮廓系统在临床实际应用中的表现，并强调了自动化设置的必要性和潜在的自动化偏差风险	在肺部的分割准确性较差，且未能明确提及如何处理这一问题	本研究的目的是评估自动轮廓系统在乳腺放射治疗中的临床效用	研究对象为2428名接受辅助乳腺放射治疗的患者	数字病理学	乳腺癌	深度学习	NA	轮廓数据	2428名患者