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
14601	2024-10-04	Coupling analysis of heart rate variability and cortical arousal using a deep learning algorithm 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0284167 PMID:37023117	研究论文	本研究使用深度学习算法分析了心率变异性与皮质觉醒之间的耦合关系	首次在多民族人群中研究了皮质觉醒与心率变异性的即时关联	研究仅限于多民族动脉粥样硬化研究数据集中的1069名受试者	探讨皮质觉醒与心率变异性之间的关联及其在不同性别和睡眠阶段中的差异	心率变异性与皮质觉醒的关联	心血管疾病	NA	深度学习	深度学习算法	心电信号	1069名受试者的整夜心电信号
14602	2024-10-04	Current trends on the application of artificial intelligence in medical sciences 2022, Bioinformation DOI:10.6026/973206300181050 PMID:37693078	综述	本文综述了人工智能在医学科学中的应用现状、面临的挑战以及未来的发展方向	本文系统地总结了人工智能在医疗领域的应用，并提出了未来研究的方向	本文主要集中在综述和总结，未提供具体的实验数据或模型	探讨人工智能在医学科学中的应用及其未来发展	人工智能在医疗领域的应用、面临的挑战及伦理责任	机器学习	NA	机器学习 (ML) 和深度学习 (DL)	NA	NA	NA
14603	2024-10-04	Automatic detection and delineation of pediatric gliomas on combined [18F]FET PET and MRI 2022, Frontiers in nuclear medicine (Lausanne, Switzerland) DOI:10.3389/fnume.2022.960820 PMID:39354975	研究论文	本文提出了一种深度学习方法，用于自动检测和描绘儿童中枢神经系统肿瘤的[18F]FET PET和MRI图像	本文首次将深度学习应用于儿童中枢神经系统肿瘤的自动描绘，提高了描绘的准确性和一致性	研究样本量较小，仅包括66名患者，未来需要在大规模多中心研究中验证其有效性	开发一种自动描绘儿童中枢神经系统肿瘤的方法，以提高诊断和治疗计划的准确性	儿童中枢神经系统肿瘤的[18F]FET PET和MRI图像	计算机视觉	中枢神经系统肿瘤	深度学习	人工神经网络 (ANN)	图像	66名儿童患者的109次[18F]FET PET和MRI扫描
14604	2024-10-04	Deep learning and medical image processing for coronavirus (COVID-19) pandemic: A survey 2021-Feb, Sustainable cities and society IF:10.5Q1 DOI:10.1016/j.scs.2020.102589 PMID:33169099	综述	本文综述了深度学习在COVID-19医学图像处理中的应用现状	本文总结了2020年初以来大量关于深度学习在COVID-19医学图像处理中的研究工作	本文讨论了深度学习在COVID-19医学图像处理中实施的几个挑战和问题	总结和探讨深度学习在COVID-19医学图像处理中的应用	COVID-19医学图像处理	计算机视觉	NA	深度学习	NA	图像	NA
14605	2024-10-04	Artificial intelligence neuropathologist for glioma classification using deep learning on hematoxylin and eosin stained slide images and molecular markers 2021-01-30, Neuro-oncology IF:16.4Q1 DOI:10.1093/neuonc/noaa163 PMID:32663285	研究论文	本文开发了一种基于深度学习的人工智能神经病理学家，用于通过苏木精-伊红染色切片图像和分子标记对胶质瘤进行分类	开发了一种新的挤压和激励块DenseNet模型，命名为SD-Net_WCE，用于胶质瘤分类任务	NA	确定深度学习是否可以应用于胶质瘤分类	胶质瘤的病理诊断和分类	数字病理学	脑肿瘤	深度学习	卷积神经网络 (CNN)	图像	79,990个组织切片图像来自267名患者，56名患者的17,262个组织切片图像用于独立测试
14606	2024-10-04	Augmenting Interpretation of Chest Radiographs With Deep Learning Probability Maps 2020-Sep, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000505 PMID:32205817	研究论文	本文探讨了使用深度学习语义分割方法在胸部X光片上突出显示肺炎潜在焦点，以辅助诊断的可行性	提出了一种基于语义分割的深度学习方法，用于生成肺炎的概率图，以辅助诊断	研究为回顾性研究，使用的是公开数据集，且样本量有限	探索深度学习在胸部X光片上辅助诊断肺炎的可行性	胸部X光片上的肺炎诊断	计算机视觉	肺部疾病	卷积神经网络 (CNN)	U-net	图像	22,000张胸部X光片，其中3684张用于独立验证
14607	2024-10-04	NuSeT: A deep learning tool for reliably separating and analyzing crowded cells 2020-09, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1008193 PMID:32925919	研究论文	本文介绍了一种基于深度学习的细胞核分割工具NuSeT，用于在显微镜图像中准确分割拥挤的细胞核	NuSeT结合了U-Net和区域提议网络（RPN），并通过分水岭步骤进一步优化，显著提高了在复杂2D和3D图像中检测和描绘细胞核边界的能力	NA	开发一种能够准确分割拥挤细胞核的深度学习工具	显微镜图像中的细胞核	计算机视觉	NA	深度学习	U-Net和区域提议网络（RPN）	图像	多种类型的荧光成像数据
14608	2024-10-04	Application of deep learning to the classification of uterine cervical squamous epithelial lesion from colposcopy images combined with HPV types 2020-Feb, Oncology letters IF:2.5Q3 DOI:10.3892/ol.2019.11214 PMID:31966086	研究论文	研究利用深度学习技术结合HPV类型对宫颈鳞状上皮病变进行分类的可行性	开发了一种结合卷积神经网络和HPV张量的AI分类器，其准确性高于妇科肿瘤专家	需要进一步研究以验证其在临床中的应用	探索使用深度学习技术对宫颈鳞状上皮病变进行分类的可行性	宫颈鳞状上皮病变（SILs）的分类	计算机视觉	宫颈癌	深度学习	卷积神经网络	图像	253名患者，其中210名患有高级别SIL，43名患有低级别SIL
14609	2024-10-04	A Survey on Deep Learning for Neuroimaging-Based Brain Disorder Analysis 2020, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2020.00779 PMID:33117114	综述	本文综述了深度学习在基于神经影像的脑部疾病分析中的应用	本文讨论了现有研究的局限性并提出了未来可能的研究方向	本文主要讨论了现有研究的局限性	综述深度学习在基于神经影像的脑部疾病分析中的应用	本文研究了阿尔茨海默病、帕金森病、自闭症谱系障碍和精神分裂症四种典型脑部疾病	计算机视觉	神经退行性疾病	深度学习	深度神经网络	影像	NA
14610	2024-10-04	Deep Learning for Predicting Complex Traits in Spring Wheat Breeding Program 2020, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2020.613325 PMID:33469463	研究论文	本文评估了深度学习模型在华盛顿州立大学春小麦育种项目中预测复杂性状的潜力	深度学习模型在预测复杂性状方面比传统模型rrBLUP提高了0至5%的准确性	NA	评估深度学习模型在春小麦育种项目中预测复杂性状的潜力	春小麦的五个不同数量性状	机器学习	NA	深度学习	多层感知器 (MLP) 和卷积神经网络 (CNN)	基因数据	650个重组自交系 (RILs) 来自春小麦嵌套关联作图 (NAM) 群体
14611	2024-10-04	Large-Scale Counting and Localization of Pineapple Inflorescence Through Deep Density-Estimation 2020, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2020.599705 PMID:33584745	研究论文	本文通过深度密度估计方法实现菠萝花序的大规模计数和定位	利用深度学习进行密度估计，实现菠萝花序的自动计数，计算复杂度与植物数量无关，适用于大规模检测	未提及具体局限性	优化菠萝种植管理，提高收获效率	菠萝花序的计数和定位	计算机视觉	NA	深度学习	密度估计模型	图像	超过160万株开花植物
14612	2024-10-04	Diagnosis of COVID-19 Pneumonia Based on Graph Convolutional Network 2020, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2020.612962 PMID:33585511	研究论文	提出了一种基于图卷积网络的三维深度学习方法，用于快速诊断COVID-19肺炎	通过图卷积网络整合多源CT数据，并提出迁移学习方法初始化3D-CNN参数，以提高诊断性能	未提及	开发一种快速诊断COVID-19肺炎的方法，减轻放射科医生和医生的负担	COVID-19肺炎患者和正常对照组的CT图像	计算机视觉	COVID-19	图卷积网络（GCN）	3D卷积神经网络（3D-CNN）	图像	399例COVID-19感染病例和400例正常对照组，来自六种设备类型
14613	2024-10-04	An Introductory Review of Deep Learning for Prediction Models With Big Data 2020, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2020.00004 PMID:33733124	综述	本文介绍了深度学习在人工智能和机器学习中的新学习范式，并重点讨论了深度前馈神经网络、卷积神经网络、深度信念网络、自编码器和长短期记忆网络等模型	本文介绍了深度学习模型的核心架构，并强调了这些架构在构建新应用特定网络架构中的灵活组合能力	本文主要为入门级综述，未深入探讨深度学习模型的数学和计算方法的复杂性	介绍深度学习模型的基本架构，为数据科学家和跨学科研究人员提供基础知识	深度学习模型的核心架构，包括深度前馈神经网络、卷积神经网络、深度信念网络、自编码器和长短期记忆网络	机器学习	NA	NA	深度前馈神经网络、卷积神经网络、深度信念网络、自编码器、长短期记忆网络	NA	NA
14614	2024-10-04	A natural language processing pipeline to advance the use of Twitter data for digital epidemiology of adverse pregnancy outcomes 2020, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.yjbinx.2020.100076 PMID:34417007	研究论文	研究开发了一种自然语言处理管道，用于从Twitter数据中识别不良妊娠结局，以推进数字流行病学研究	首次开发了一种基于BERT的自然语言处理方法，用于自动识别Twitter上的不良妊娠结局报告，并引入了一种规则过滤器来减少误报	研究主要基于Twitter数据，可能无法完全代表所有妊娠结局报告的情况	评估女性是否在Twitter上报告不良妊娠结局，并开发自然语言处理方法以自动识别这些报告	Twitter上的不良妊娠结局报告，包括流产、死产、早产等	自然语言处理	妊娠相关疾病	自然语言处理 (NLP)	BERT	文本	超过4亿条公开的Twitter推文，涉及超过10万名宣布怀孕的用户
14615	2024-10-04	DeepHarmony: A deep learning approach to contrast harmonization across scanner changes 2019-12, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.05.041 PMID:31301354	研究论文	提出了一种基于U-Net深度学习架构的对比度协调方法DeepHarmony，用于解决MRI扫描协议和设备变化导致的图像对比度不一致问题	DeepHarmony通过深度学习方法实现了跨扫描协议的对比度协调，显著提高了图像量化的一致性	研究中使用的样本量较小，仅为8例	解决MRI扫描协议和设备变化导致的图像对比度不一致问题，提高多站点或长期研究中的图像量化一致性	MRI图像的对比度协调和量化一致性	计算机视觉	多发性硬化症	深度学习	U-Net	图像	8例重叠队列用于训练数据，多发性硬化症患者的纵向MRI数据用于评估
14616	2024-10-04	Artificial intelligence in clinical and genomic diagnostics 2019-11-19, Genome medicine IF:10.4Q1 DOI:10.1186/s13073-019-0689-8 PMID:31744524	综述	本文综述了人工智能在临床和基因组诊断中的应用	介绍了人工智能在临床诊断和基因组学中的新兴方法，特别是深度学习算法在处理大型复杂基因组数据集中的应用	讨论了人工智能在医学应用中的挑战、局限性和偏见，特别是涉及人类遗传学和基因组数据的应用	总结人工智能系统擅长解决的主要问题，并描述受益于这些解决方案的临床诊断任务	人工智能在临床诊断和基因组学中的应用，包括变异检测、基因组注释和变异分类，以及表型与基因型的对应关系	机器学习	NA	深度学习	深度学习算法	基因组数据	NA
14617	2024-10-04	Prediction of BAP1 Expression in Uveal Melanoma Using Densely-Connected Deep Classification Networks 2019-Oct-16, Cancers IF:4.5Q1 DOI:10.3390/cancers11101579 PMID:31623293	研究论文	本文研究了使用密集连接的深度分类网络预测葡萄膜黑色素瘤中BAP1表达水平	提出了一种基于深度学习的密集连接分类网络，用于预测BAP1表达，具有高灵敏度、特异性和准确性	研究样本仅来自两个中心，可能存在地域偏差	验证人工智能是否能准确预测葡萄膜黑色素瘤中BAP1表达水平	葡萄膜黑色素瘤中的BAP1表达水平	数字病理学	葡萄膜黑色素瘤	深度学习	密集连接分类网络	图像	47个摘除的眼球样本，分为6800个训练补丁和1376个验证补丁
14618	2024-10-04	Comparison Study of Computational Prediction Tools for Drug-Target Binding Affinities 2019, Frontiers in chemistry IF:3.8Q2 DOI:10.3389/fchem.2019.00782 PMID:31824921	综述	本文综述了用于预测药物-靶点结合亲和力的计算预测工具，重点关注人工智能、机器学习和深度学习方法	首次全面比较分析了基于AI/ML/DL的DTBA预测工具	NA	探讨药物-靶点相互作用预测方法，特别是结合亲和力的预测	药物-靶点结合亲和力预测工具及其相关基准数据集和数据库	机器学习	NA	人工智能、机器学习、深度学习	NA	NA	NA
14619	2024-10-04	Peptide-Major Histocompatibility Complex Class I Binding Prediction Based on Deep Learning With Novel Feature 2019, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2019.01191 PMID:31850062	研究论文	本文提出了一种基于深度学习的新特征来预测肽与主要组织相容性复合体I类（MHC I）蛋白的结合亲和力	本文采用了深度卷积神经网络（CNN）来预测肽与MHC I的结合亲和力，并引入了新的特征，如序列顺序、疏水性指数、极性和肽长度，以提高预测准确性	本文未详细讨论模型的泛化能力和在不同数据集上的表现	开发一种更准确的预测肽与MHC I结合亲和力的方法，以支持基于肽的疫苗开发	肽与MHC I蛋白的结合亲和力	机器学习	NA	深度学习	CNN	序列数据	涉及数十种肽数据
14620	2024-10-04	Modeling positional effects of regulatory sequences with spline transformations increases prediction accuracy of deep neural networks 2018-04-15, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btx727 PMID:29155928	研究论文	本文开发了一种基于样条变换的神经网络模块，用于灵活且稳健地建模距离，显著提高了深度神经网络对体内RNA结合蛋白结合位点的预测准确性	提出了样条变换方法，用于在深度神经网络中建模基因组地标之间的相对距离，相比传统的分段线性变换，样条变换在预测准确性、训练速度和鲁棒性方面表现更优	NA	提高深度神经网络对基因调控序列的预测准确性	RNA结合蛋白结合位点和人类剪接分支点	机器学习	NA	深度学习	深度神经网络	基因组数据	123种蛋白质中的120种