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
14401	2024-08-05	Non-invasive detection of systemic lupus erythematosus using SERS serum detection technology and deep learning algorithms 2024-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.124592 PMID:38861826	研究论文	本研究开发了一种基于SERS技术和深度学习算法的系统性红斑狼疮（SLE）非侵入性检测方法	研究中提出了使用Au@Ag-PSi复合基材结合深度学习算法对SLE进行准确筛查的创新方法	文章中未详细说明研究的具体局限性	旨在提高系统性红斑狼疮快速筛查的效率与准确性	研究对象为系统性红斑狼疮患者的血清样本	数字病理	系统性红斑狼疮	SERS	CNN	血清样本	涉及SLE患者的血清样本，样本大小未具体说明
14402	2024-08-05	Rapid identification and quantitative analysis of malachite green in fish via SERS and 1D convolutional neural network 2024-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.124655 PMID:38885572	研究论文	本文开发了一个结合表面增强拉曼散射和深度学习网络的现场检测平台，用于快速定量检测鱼类中的美蓝。	本文提出了一种透明柔性表面增强拉曼散射基底与一维卷积神经网络结合的新方法，显示了优越的检测性能。	本研究没有涉及其他假设影响因素的系统评估。	研究旨在确保水产品中美蓝的安全性，提供快速定量检测方法。	研究对象为水产产品中的美蓝和鱼鳞上的残留物。	数字病理学	NA	表面增强拉曼散射(SERS)	一维卷积神经网络(1D CNN)	光谱数据	NA
14403	2024-08-05	The use of artificial intelligence algorithms to detect macroplastics in aquatic environments: A critical review 2024-Oct-01, The Science of the total environment DOI:10.1016/j.scitotenv.2024.173843 PMID:38871326	评论	本文对在水域环境中检测宏观塑料的人工智能算法进行了批判性综述	本文分析了机器学习和深度学习方法在水域环境中检测、分类和数量化宏观塑料的应用，并介绍了最新的发展趋势	传统的机器学习技术在多类分类中表现出效率不足，且对处理大量数据的计算需求较高	评估机器学习和深度学习在检测宏观塑料中的有效性，并提供有效的废物管理策略	分析水域环境中宏观塑料的检测和分类方法	机器学习	NA	深度学习	卷积神经网络	卫星图像、航拍图像和无人机视频记录	NA
14404	2024-08-05	Deep learning-based quantification of osteonecrosis using magnetic resonance images in Gaucher disease 2024-Sep, Bone IF:3.5Q2 DOI:10.1016/j.bone.2024.117142 PMID:38834102	研究论文	本研究提出了一种基于深度学习的方法，用于通过MRI图像定量评估高雪病患者的骨坏死。	使用深度学习构建U-net模型进行骨坏死的分割和特征参数提取，实现了对骨坏死的客观定量评估。	在定量测量骨坏死时没有发现与骨髓负担评分之间的强相关性。	开发一种新的定量方法，以客观评估高雪病患者的骨坏死程度。	研究对象为来自英国国家高雪病研究数据库的高雪病患者的MRI T1加权图像。	数字病理学	高雪病	MRI	U-net	图像	364个T1w图像（脊柱176个，股骨188个）用于训练，917个T1w图像用于应用
14405	2024-08-05	On leveraging self-supervised learning for accurate HCV genotyping 2024-07-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-64209-y PMID:38965254	研究论文	本文提出了一种基于自监督学习的深度学习方法用于HCV基因分型	引入了混沌游戏表示法进行基因组序列的二维映射，并利用卷积自编码器进行深层特征提取，显著超过传统方法	当前方法在处理某些基因型时可能存在数据稀缺的问题	研究旨在提高HCV基因分型的准确性，以改善患者管理和治疗决策	分析了十种HCV基因型：1a、1b、2a、2b、2c、3a、3b、4、5和6	计算基因组学	肝炎C	自监督学习	卷积自编码器	基因组序列	分析中使用了十种不同的HCV基因型
14406	2024-08-05	Early detection of tuberculosis: a systematic review 2024-Jul-05, Pneumonia (Nathan Qld.) DOI:10.1186/s41479-024-00133-z PMID:38965640	系统评审	本系统评审分析了关于结核病早期检测的多个研究结果	强调了不同方法学和限制，并展示了它们对理解结核病早期检测的重要贡献	未详细列出各个研究的具体局限性	探讨结核病早期检测的有效方法	分析已发布的早期检测结核病的研究	NA	结核病	干扰素伽马释放检测、便携式X光、核酸扩增检测、高灵敏度酶联免疫吸附检测	深度学习模型	NA	NA
14407	2024-08-05	Uncovering hidden and complex relations of pandemic dynamics using an AI driven system 2024-07-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65845-0 PMID:38965354	研究论文	该文章介绍了一种新型的决策支持系统BayesCovid，旨在帮助医疗专业人员应对COVID-19大流行的复杂性	BayesCovid结合了贝叶斯网络模型和深度学习技术，自动化数据预处理并揭示COVID-19症状动态的复杂模式	无法提供关于模型的所有局限性的信息	旨在开发一个适应COVID-19病例管理复杂性的临床决策支持系统	该研究关注COVID-19的症状动态和疾病严重性预测	计算机视觉	COVID-19	贝叶斯网络，深度学习	贝叶斯深度学习模型	NA	NA
14408	2024-08-05	Bibliometric analysis of the application of deep learning in cancer from 2015 to 2023 2024-Jul-04, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-024-00737-0 PMID:38965599	研究论文	本研究探讨了深度学习在癌症研究中的应用现状和热点	提供了自2015年至2023年深度学习在癌症领域的文献计量分析	对深度学习在癌症中的应用分析尚不够全面	探索深度学习在癌症研究领域的应用及其发展趋势	分析所有关于深度学习在癌症中应用的文章	机器学习	癌症	深度学习	NA	文章	6016篇原始文章
14409	2024-08-05	Temporal-spatial cross attention network for recognizing imagined characters 2024-07-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-59263-5 PMID:38965248	研究论文	提出了一种新的时间空间交叉注意力网络模型TSCA-Net以识别想象的字符	通过引入时间空间交叉模块，研究时间与空间特征之间的关联，填补了以往研究的空白	尚未提及关于模型应用的具体场景和潜在限制	探索脑机接口信号中时间和空间特征的相互关系	研究手写字符的脑电图（BCI）信号	计算机视觉	NA	LSTM，Transformer	TSCA-Net	信号	来自两个微电极阵列的公共数据集
14410	2024-08-05	Evaluating Deep Learning Techniques for Detecting Aneurysmal Subarachnoid Hemorrhage: A Comparative Analysis of Convolutional Neural Network and Transfer Learning Models 2024-Jul, World neurosurgery IF:1.9Q2 DOI:10.1016/j.wneu.2024.04.168 PMID:38710407	研究论文	本研究评估了卷积神经网络（CNN）和基于CNN的迁移学习模型在脑动脉瘤性蛛网膜下腔出血（SAH）检测中的有效性	采用新的迁移学习方法，提升了传统技术的性能并降低时间限制	研究数据主要来源于单一地点，可能限制结果的广泛适用性	评估深度学习技术在脑动脉瘤性SAH检测中的效果	使用脑动脉瘤性SAH与非动脉瘤性SAH患者的医学影像数据进行分析	计算机视觉	脑动脉瘤性疾病	深度学习	卷积神经网络（CNN）	图像	表现出15200幅来自123名脑动脉瘤性SAH患者的影像和7793幅来自80名非动脉瘤性SAH患者的影像
14411	2024-08-05	SEP-AlgPro: An efficient allergen prediction tool utilizing traditional machine learning and deep learning techniques with protein language model features 2024-Jul, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2024.133085 PMID:38871100	研究论文	本文提出了SEP-AlgPro，一种高效的过敏原预测工具，利用传统的机器学习和深度学习技术结合蛋白质语言模型特征	该研究通过分析不同的特征和分类器，展示了蛋白质语言模型衍生特征在区分过敏原方面的优越性	研究主要依赖于所选特征和模型，未涉及更多潜在的影响因素	旨在提高过敏原蛋白的识别准确性	研究对象为不同的过敏原和非过敏原蛋白序列	机器学习	NA	传统机器学习和深度学习	深度神经网络	序列信息	使用了15种不同的分类器和10种传统蛋白质特征
14412	2024-08-05	Geometric deep learning methods and applications in 3D structure-based drug design 2024-Jul, Drug discovery today IF:6.5Q1 DOI:10.1016/j.drudis.2024.104024 PMID:38759948	review	本文总结了几何深度学习方法及其在基于三维结构的药物设计中的应用	创新之处在于探讨使用几何深度学习解决三维药物设计中的模型训练问题	未提及具体的实验结果或数据来支持方法的有效性	研究几何深度学习在基于三维结构的药物设计中的应用	讨论三维分子表示和各种生成模型方法	machine learning	NA	深度学习	EGNN, GANs, VAE等	三维分子图数据	NA
14413	2024-08-05	A Deep Learning Model for Cancer Type Prediction Sets a New Standard 2024-Jun-03, Cancer discovery IF:29.7Q1 DOI:10.1158/2159-8290.CD-24-0280 PMID:38826098	研究论文	本文描述了一种新工具，利用临床测序面板的信息来诊断肿瘤类型	该模型在面对未知原发癌等挑战性病例时表现出特别稳健的性能	摘要中未提及具体的局限性	研究的目的是开发一种能够有效分类肿瘤类型的深度学习模型	研究对象为不同类型的癌症，特别是未知原发的癌症	机器学习	癌症	临床测序	深度学习模型	临床数据	NA
14414	2024-08-05	A toolkit for the dynamic study of air sacs in siamang and other elastic circular structures 2024-Jun, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012222 PMID:38913743	研究论文	本研究提出了一种工具包，用于自动跟踪生物视频数据中半圆形弹性结构的动态研究	创新点在于提供了用于软组织动态研究的自动跟踪工具包，并填补了生物运动研究中的空白	对于弹性软组织的研究仍处于初步阶段，可能缺乏全面的应用范围	支持对软组织结构的动态研究	主要研究物种为狨猴以及其他弹性圆形结构	计算机视觉	NA	无监督计算机视觉工具和监督深度学习	DeepLabCut	视频	超过7小时的狨猴唱歌的音视频记录
14415	2024-08-05	Protein loop structure prediction by community-based deep learning and its application to antibody CDR H3 loop modeling 2024-Jun, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012239 PMID:38913733	研究论文	本文提出了一种基于社区的深度学习模型，用于蛋白质环结构预测，尤其是抗体CDR H3环建模	提出了一种新颖的神经网络架构，通过形成多个结构的社区并相互交换信息，提高了结构预测的准确性	由于数据可用性有限，仍然存在结构预测的重大挑战	研究蛋白质结构的预测方法，特别是抗体结构预测中的应用	抗体CDR H3环的结构预测	计算机视觉	NA	深度学习	神经网络	序列和结构数据	NA
14416	2024-08-05	A Comparison of Personalized and Generalized Approaches to Emotion Recognition Using Consumer Wearable Devices: Machine Learning Study 2024-May-10, JMIR AI DOI:10.2196/52171 PMID:38875573	研究论文	本文研究了个性化与通用情感识别模型的差异，使用可穿戴生理信号数据进行三类情感分类。	本文提出了个性化深度学习模型，并展示其在某些上下文中优于通用模型的表现。	研究样本仅限于15名参与者，影响结果推广性。	研究个性化与通用机器学习模型在情感分类中的应用效果。	使用可穿戴设备收集的生理信号数据进行情感三类分类。	机器学习	心血管疾病	深度学习	神经网络	多模态生理信号	15名参与者
14417	2024-08-05	Deep learning in cancer genomics and histopathology 2024-03-27, Genome medicine IF:10.4Q1 DOI:10.1186/s13073-024-01315-6 PMID:38539231	综述	该文章总结了深度学习在组织病理学和基因组学中的当前和新兴应用	提出了深度学习作为肿瘤学和癌症研究新工作流程的基础	指出深度学习模型可能存在偏见和其他缺陷，用户需对此有所了解	探讨深度学习在精准肿瘤学中的应用	当前和新兴的深度学习应用于癌症的组织病理学和基因组学	数字病理学	癌症	深度学习	NA	NA	NA
14418	2024-08-05	ResNet incorporating the fusion data of RGB & hyperspectral images improves classification accuracy of vegetable soybean freshness 2024-01-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-51668-6 PMID:38297076	研究论文	本研究提出了一种基于深度学习的模型，通过融合RGB和高光谱图像的数据来提高蔬菜大豆新鲜度分类的准确性	提出了一种新的分类模型ResNet-R&H，结合了RGB和高光谱图像的数据，提高了分类准确性	主要集中在蔬菜大豆的研究，其他食品的适用性尚不明确	评估蔬菜大豆的新鲜度并提高分类的准确性	蔬菜大豆的RGB和高光谱图像	计算机视觉	NA	深度学习	ResNet	图像	收集了四个不同存储时间的蔬菜大豆的RGB和高光谱图像
14419	2024-08-05	Deep learning based CETSA feature prediction cross multiple cell lines with latent space representation 2024-01-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-51193-6 PMID:38253642	研究论文	本研究提出了一种基于深度学习的计算框架CycleDNN，用于预测不同细胞系中的CETSA特征	提出了一种新的深度神经网络技术CycleDNN，通过循环预测实现了不同细胞系间CETSA特征的转换	依赖于特定的细胞系，MS-CETSA实验通常耗时且成本较高	旨在通过计算框架预测多种细胞系中的CETSA特征	不同的细胞系	数字病理学	NA	质谱结合细胞热位移实验 (MS-CETSA)	自动编码器	生物数据	基于一个公共CETSA数据集进行实验
14420	2024-08-05	Multitask Deep Ensemble Prediction of Molecular Energetics in Solution: From Quantum Mechanics to Experimental Properties 2023-Jan-06, Journal of chemical theory and computation IF:5.7Q1 DOI:10.1021/acs.jctc.2c01024 PMID:36607141	研究论文	本文提出了一种多任务深度集成模型sPhysNet-MT-ens5，能够同时准确预测分子在气相、水相和辛醇相的电子能量及转移自由能	该模型通过任务集成，克服了传统特定任务模型的局限，能在各种条件下高效预测分子能量	模型的表现可能受限于所使用的量子力学计算水平和训练数据的多样性	研究目标是开发能同时进行多种分子能量预测的机器学习模型	研究对象为包含678,916个分子构象的Frag20-solv-678k数据集，以及相关的实验数据集	机器学习	NA	量子力学计算	深度学习	分子构象数据	678,916个分子构象