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
13881	2024-10-17	Hybrid AI models allow label-free identification and classification of pancreatic tumor repopulating cell population 2023-10-15, Biochemical and biophysical research communications IF:2.5Q3 DOI:10.1016/j.bbrc.2023.08.015 PMID:37573767	研究论文	本文开发了一种混合AI模型，用于无标签识别和分类胰腺肿瘤再生细胞（TRCs）群体	本文创新性地将深度学习（DL）模型与机器学习（ML）模型结合，实现了对3D纤维蛋白凝胶选择TRCs的高效分类	NA	开发一种能够快速、高通量识别和分类胰腺肿瘤再生细胞的方法	胰腺肿瘤再生细胞（TRCs）及其亚型	机器学习	胰腺癌	深度学习（DL）、机器学习（ML）	Inception-v3卷积神经网络（CNN）、支持向量机（SVM）	细胞	使用了四种人类胰腺癌细胞系：MIA PaCa-2、PANC-1、CFPAC-1和HPAF-II
13882	2024-10-17	Retracted: Evaluation of Ischemic Penumbra in Stroke Patients Based on Deep Learning and Multimodal CT 2023, Journal of healthcare engineering DOI:10.1155/2023/9851918 PMID:38094810	correction	该文章撤回了基于深度学习和多模态CT评估中风患者缺血性半暗带的论文	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
13883	2024-10-17	Adversarial training improves model interpretability in single-cell RNA-seq analysis 2023, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbad166 PMID:38099262	研究论文	本文探讨了通过对抗训练提高单细胞RNA测序数据分析中模型鲁棒性和可解释性的方法	首次展示了对抗训练在提高深度学习模型鲁棒性的同时，也能提升模型的可解释性	研究仅限于单细胞RNA测序数据的细胞类型预测任务，未在其他任务上进行验证	研究如何通过对抗训练提高计算模型的鲁棒性和可解释性	单细胞RNA测序数据的细胞类型预测	机器学习	NA	对抗训练	深度学习模型	单细胞RNA测序数据	NA
13884	2024-10-17	Transformer encoder with multiscale deep learning for pain classification using physiological signals 2023, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2023.1294577 PMID:38124717	研究论文	研究提出了一种名为PainAttnNet的新型深度学习模型，用于使用生理信号进行疼痛强度分类	引入了PainAttnNet模型，结合多尺度卷积网络、挤压激励残差网络和Transformer编码器块，以提取多时间窗口的鲁棒特征并增强时间依赖性分析	NA	开发一种能够准确分类疼痛强度的深度学习模型，以克服传统自我报告量表的局限性	疼痛强度分类	机器学习	NA	多尺度深度学习	Transformer编码器	生理信号	BioVid热疼痛数据集
13885	2024-10-16	Model-Based Deep Learning PET Image Reconstruction Using Forward-Backward Splitting Expectation Maximisation 2019-Oct, IEEE Nuclear Science Symposium conference record. Nuclear Science Symposium DOI:10.1109/nss/mic42101.2019.9059998 PMID:39404666	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
13886	2024-10-16	Psychiatric disorders from EEG signals through deep learning models 2024-Dec, IBRO neuroscience reports IF:2.0Q3 DOI:10.1016/j.ibneur.2024.09.003 PMID:39398346	研究论文	本研究提出了一种基于深度学习技术的改进EEG诊断模型，用于提高精神障碍的诊断准确性	本研究采用了多种深度学习模型（如ANN、KNN、LSTM、Bi LSTM和CNN-LSTM）对EEG数据进行分析，显著提高了精神障碍的诊断准确性	NA	提高精神障碍的诊断准确性	精神障碍的诊断	机器学习	精神障碍	深度学习	ANN、KNN、LSTM、Bi LSTM、CNN-LSTM	EEG数据	945人，包括850名患者和95名健康受试者
13887	2024-10-16	A comprehensive dental dataset of six classes for deep learning based object detection study 2024-Dec, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2024.110970 PMID:39398472	研究论文	本文介绍了一个用于深度学习对象检测研究的牙科数据集	该数据集包含了232张全景牙科放射图像，分为六类，并应用了CLAHE技术进行图像增强和数据增强	NA	改进基于深度学习的牙科疾病检测和分类研究	牙科疾病数据集	计算机视觉	NA	CLAHE	NA	图像	232张全景牙科放射图像
13888	2024-10-16	Deep feature batch correction using ComBat for machine learning applications in computational pathology 2024-Dec, Journal of pathology informatics DOI:10.1016/j.jpi.2024.100396 PMID:39398947	研究论文	本文研究了使用ComBat方法对深度学习特征进行批量校正，以提高计算病理学中机器学习模型的性能	提出了一种使用ComBat方法对深度学习特征进行批量校正的新方法，以减少AI模型学习到混杂特征的风险	NA	研究如何减少AI模型在处理多源数据时学习到混杂特征的风险，以提高模型的泛化能力和可靠性	研究对象包括来自TCGA的结肠癌和胃腺癌的全切片图像，以及通过三种特征提取模型获得的补丁嵌入	数字病理学	结肠癌	ComBat	基于注意力的多实例学习模型	图像	包括来自TCGA的结肠癌和胃腺癌数据集的全切片图像
13889	2024-10-16	Deep learning for diagnostic charting on pediatric panoramic radiographs 2024-Oct-15, International journal of computerized dentistry IF:1.8Q2 DOI:10.3290/j.ijcd.b4200863 PMID:37417445	研究论文	评估深度学习程序在儿童全景X光片上检测和分类牙齿结构及治疗的能力	使用YOLOv4模型在儿童全景X光片上成功诊断出乳牙、恒牙胚和牙套，具有较高的F1分数	模型在检测某些牙齿结构和治疗（如填充物、根管治疗和多余牙齿）方面存在局限性	评估深度学习程序在儿童全景X光片上检测和分类牙齿结构及治疗的表现	4821张5至13岁儿童的全景X光片	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	4821张儿童全景X光片
13890	2024-10-16	Tracing Microplastic Aging Processes Using Multimodal Deep Learning: A Predictive Model for Enhanced Traceability 2024-Oct-15, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.4c05022 PMID:39251361	研究论文	本文提出了一种多模态深度学习模型，用于追踪老化微塑料的典型老化因素	利用多模态深度学习模型提高了老化微塑料老化因素预测的准确性和减少了预测偏差	NA	追踪和理解微塑料的老化过程，为老化微塑料的环境风险评估提供更准确的数据	老化微塑料的老化过程及其物理化学特性	机器学习	NA	多模态深度学习	多模态深度学习模型	图像和光谱数据	130个经历不同老化过程的老化微塑料样本，包含1353张表面形态图像和1353个傅里叶变换红外光谱
13891	2024-10-16	Early heart disease prediction using feature engineering and machine learning algorithms 2024-Oct-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e38731 PMID:39397946	研究论文	本研究利用特征工程和机器学习算法进行早期心脏病预测	本研究通过对比分析多种机器学习算法，选择最优算法进行早期心脏病预测，并采用超参数调优方法提升模型性能	本研究仅使用了Cleveland和Statlog心脏数据集，未来可以扩展到更多数据集以验证模型的泛化能力	开发一个用于早期心血管疾病预测的机器学习系统	心血管疾病	机器学习	心血管疾病	机器学习	决策树、随机森林、支持向量机、逻辑回归、自适应增强、K近邻	数据集	使用了Cleveland和Statlog心脏数据集
13892	2024-10-16	Application of mask R-CNN for building detection in UAV remote sensing images 2024-Oct-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e38141 PMID:39397997	研究论文	本文提出了一种基于Mask R-CNN的建筑物特征提取方法，用于提高无人机遥感图像中建筑物检测的准确性和细节	本文创新性地将Mask R-CNN应用于建筑物特征提取，相比传统方法和其他深度学习模型，显著提高了检测精度和稳定性	NA	解决传统方法在复杂背景下建筑物特征提取精度低和三维建模细节不足的问题	无人机遥感图像中的建筑物	计算机视觉	NA	Mask R-CNN	Mask R-CNN	图像	通过航拍获取的城市建筑物图像，并进行了建筑物轮廓标注
13893	2024-10-16	Hybrid ensemble deep learning model for advancing breast cancer detection and classification in clinical applications 2024-Oct-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e38374 PMID:39398009	研究论文	研究提出了一种混合集成深度学习模型，用于提高临床应用中乳腺癌检测和分类的准确性	该研究引入了混合模型，结合图像预处理技术和深度学习算法，显著提高了乳腺癌病变的检测和分类准确性	NA	提高乳腺癌检测和分类的准确性	乳腺X光片中的乳腺癌病变	计算机视觉	乳腺癌	对比度受限自适应直方图均衡化、高斯模糊、锐化方法、集成深度随机向量-功能链接神经网络算法、YOLOv5、MedSAM分割模型	混合集成深度学习模型	图像	20,000张乳腺X光片，800名患者
13894	2024-10-16	Enhanced classification performance using deep learning based segmentation for pulmonary embolism detection in CT angiography 2024-Oct-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e38118 PMID:39398015	研究论文	开发了一种基于深度学习的算法，用于在CT肺动脉造影中自动准确地分类患者是否患有肺栓塞	使用nnU-Net进行分割，并通过基于PE体积和概率阈值的逻辑规则增强分类性能	NA	开发一种自动且准确的深度学习算法，用于在CT肺动脉造影中检测肺栓塞	CT肺动脉造影中的肺栓塞检测	计算机视觉	肺栓塞	深度学习	nnU-Net	图像	700例CT肺动脉造影检查，来自652名患者，其中149例包含1497个由放射科医生追踪的PE
13895	2024-10-16	Deep geometric learning for intracranial aneurysm detection: towards expert rater performance 2024-Oct-14, Journal of neurointerventional surgery IF:4.5Q1 DOI:10.1136/jnis-2023-020905 PMID:37833055	研究论文	本文提出了一种新颖的无模态限制的两步法用于颅内动脉瘤检测，旨在达到专家评级水平	本文提出了一种新颖的无模态限制的两步法，结合了nnU-Net和PointNet++模型，用于颅内动脉瘤的检测	NA	提高颅内动脉瘤检测的敏感性和减少误报率，达到专家评级水平	颅内动脉瘤的检测	计算机视觉	NA	深度学习	nnU-Net, PointNet++	图像	1054个MRA扫描和2174个CTA扫描
13896	2024-10-16	BCCHI-HCNN: Breast Cancer Classification from Histopathological Images Using Hybrid Deep CNN Models 2024-Oct-14, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01297-2 PMID:39402357	研究论文	本研究利用深度卷积神经网络模型从组织病理学图像中进行乳腺癌分类	本研究通过结合多种分类器（如SVM、决策树和KNN）并使用迁移学习技术，改进了深度卷积神经网络模型的性能	本研究未提及具体的局限性	旨在通过组织病理学图像的分析，利用深度卷积神经网络模型实现乳腺癌的早期和精确识别	乳腺癌的组织病理学图像	计算机视觉	乳腺癌	深度卷积神经网络（CNN）	混合深度CNN模型	图像	未提及具体样本数量
13897	2024-10-16	AI-Guided Design of MALDI Matrices: Exploring the Electron Transfer Chemical Space for Mass Spectrometric Analysis of Low-Molecular-Weight Compounds 2024-Oct-14, Journal of the American Society for Mass Spectrometry IF:3.1Q1 DOI:10.1021/jasms.4c00186 PMID:39402868	研究论文	本文提出了一种基于人工智能的目标导向生成模型，用于设计适用于电子转移过程的MALDI矩阵，以优化低分子量化合物的质谱分析	本文首次利用计算化学数据和人工智能生成模型，探索了电子转移化学空间，以设计优化的MALDI矩阵	研究结果需要通过实验验证，目前尚未合成和测试生成的化合物	开发一种新的方法，利用人工智能生成模型设计适用于电子转移过程的MALDI矩阵	电子转移MALDI矩阵的设计和优化	机器学习	NA	MALDI MS	RNN	分子结构数据	30种已报道的电子转移矩阵，生成了82753种化合物
13898	2024-10-16	Data-driven solutions and parameter estimations of a family of higher-order KdV equations based on physics informed neural networks 2024-Oct-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-74600-4 PMID:39396058	研究论文	本文研究了基于物理信息神经网络（PINN）的高阶KdV方程的数据驱动解和参数估计	采用sine激活函数的PINN框架在学习和参数估计方面表现出更高的精度	方程的复杂性影响PINN方法的准确性和效率	探索PINN在解决高阶非线性偏微分方程（NLPDEs）中的应用	高阶KdV方程的数据驱动解和参数估计	机器学习	NA	物理信息神经网络（PINN）	神经网络	数值数据	NA
13899	2024-10-16	Protein complex structure modeling by cross-modal alignment between cryo-EM maps and protein sequences 2024-Oct-11, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-53116-5 PMID:39394203	研究论文	本文介绍了一种名为EModelX的全自动cryo-EM蛋白质复合物结构建模方法，通过跨模态对齐cryo-EM图谱和蛋白质序列实现序列引导建模	EModelX通过多任务深度学习预测Cα原子、骨架原子和氨基酸类型，并利用氨基酸轮廓与蛋白质序列对齐，提高了建模精度	NA	开发一种全自动的cryo-EM蛋白质复合物结构建模方法，提高建模精度	cryo-EM图谱和蛋白质序列	计算机视觉	NA	cryo-EM	多任务深度学习	图像	测试集中的蛋白质复合物结构
13900	2024-10-16	A dataset of 0.05-degree leaf area index in China during 1983-2100 based on deep learning network 2024-Oct-11, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03948-z PMID:39394222	研究论文	本文基于深度学习网络生成了1983-2100年中国0.05度分辨率的叶面积指数（LAI）数据集	首次生成了高分辨率的LAI数据集，揭示了中国未来情景下的潜在植被变化	NA	生成高空间分辨率的LAI数据集，用于研究中国历史和未来情景下的植被变化	叶面积指数（LAI）数据集	地球与环境科学	NA	深度学习	LAI Downscaling Network (LAIDN)	叶面积指数数据	1983-2100年间的月度数据，包括历史时期（1983-2014）和未来情景（2015-2100，包括SSP-126, SSP-245, SSP-370, SSP-585）