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
16061	2024-09-28	Retinal Disease Detection Using Deep Learning Techniques: A Comprehensive Review 2023-Apr-18, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging9040084 PMID:37103235	综述	本文综述了使用深度学习技术进行视网膜疾病检测的研究进展	本文提出了未来研究方向，包括探索集成CNN架构在多类多标签任务中的潜力以及提高模型可解释性	本文未提供具体的研究数据或模型实现细节	评估当前深度学习技术在视网膜疾病检测和分级中的应用	视网膜疾病，包括青光眼、糖尿病视网膜病变、年龄相关性黄斑变性和多种视网膜疾病	计算机视觉	NA	深度卷积神经网络（DCNN）和视觉变换器（ViT）	CNN	图像	NA
16062	2024-09-28	Transforming medical imaging with Transformers? A comparative review of key properties, current progresses, and future perspectives 2023-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102762 PMID:36738650	综述	本文综述了Transformer模型在医学影像领域的应用现状，并探讨了其未来发展方向	本文通过对比Transformer和卷积神经网络（CNN）的关键特性，系统地组织了Transformer在医学影像中的应用，帮助读者更好地理解这些方法背后的原理	NA	探讨Transformer模型在医学影像领域的应用现状及未来发展方向	Transformer模型在医学影像中的应用，包括图像分割、识别、检测、配准、重建、增强等	计算机视觉	NA	Transformer	Transformer	图像	NA
16063	2024-09-28	Applying a GAN-based classifier to improve transcriptome-based prognostication in breast cancer 2023-04, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011035 PMID:37011102	研究论文	本文提出了一种基于生成对抗网络（GAN）的分类器，用于改善乳腺癌患者的转录组学预后	本文创新性地使用了一种包含梯度惩罚的Wasserstein生成对抗网络（GAN）和嵌入式辅助分类器的数据增强管道，以克服omics数据集中变量数量远超患者数量的挑战	NA	开发一种能够基于全转录组数据对乳腺癌患者进行风险分层的稳健分类器	乳腺癌患者	机器学习	乳腺癌	生成对抗网络（GAN）	生成对抗网络（GAN）	转录组数据	1244名患者（METABRIC乳腺癌队列）
16064	2024-09-28	Deep Learning in MRI-guided Radiation Therapy: A Systematic Review 2023-Mar-30, ArXiv PMID:36994167	综述	系统性回顾了深度学习在MRI引导放射治疗中的应用	NA	NA	回顾深度学习在MRI引导放射治疗中的应用，并讨论其临床意义和未来方向	MRI引导放射治疗中的深度学习应用	机器学习	NA	MRI	NA	NA	NA
16065	2024-09-28	MediNet: transfer learning approach with MediNet medical visual database 2023-Mar-20, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-023-14831-1 PMID:37362724	研究论文	本文提出了一种基于MediNet医学视觉数据库的迁移学习方法，并使用多种深度学习算法进行预训练和分类应用	本文提出了MediNet，一个包含10类医学图像的新视觉数据集，并使用多种深度学习算法进行迁移学习，提高了分类准确率	本文未详细讨论数据集的构建过程和数据质量问题	研究如何通过迁移学习提高医学图像分类的准确率	医学图像分类问题，包括胸部X光片、糖尿病视网膜病变和Covid-19数据集	计算机视觉	NA	迁移学习	AlexNet, VGG19-BN, Inception V3, DenseNet 121, ResNet 101, EfficientNet B0, Nested-LSTM + CNN, RdiNet	图像	MediNet数据集包含10类医学图像，具体样本数量未明确说明
16066	2024-09-28	AD-Syn-Net: systematic identification of Alzheimer's disease-associated mutation and co-mutation vulnerabilities via deep learning 2023-03-19, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbad030 PMID:36752347	研究论文	本文构建了一个大规模的阿尔茨海默病（AD）突变和共突变框架，并提出了基于深度学习的模型来系统地识别与AD相关的突变和共突变脆弱性	本文提出了名为Deep-SMCI和Deep-CMCI的深度学习模型，能够基于基因突变和共突变谱有效预测认知障碍	NA	系统地识别与阿尔茨海默病相关的风险突变	阿尔茨海默病相关的基因突变和共突变	机器学习	阿尔茨海默病	深度学习	全连接层	基因突变和共突变数据	大规模数据集
16067	2024-09-28	Machine learning in metastatic cancer research: Potentials, possibilities, and prospects 2023, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2023.03.046 PMID:37077177	综述	本文综述了经典机器学习和深度学习在转移性癌症研究中的应用	本文指出了现有模型在临床试验数据中由于样本多样性不足可能导致泛化能力被高估的问题	深度学习模型的黑箱性质和高计算成本是其主要局限	探讨机器学习和深度学习在转移性癌症研究中的潜力和前景	转移性癌症的早期检测、生物标志物识别和治疗选择	机器学习	癌症	深度学习	NA	图像	临床试验数据中的样本多样性不足
16068	2024-09-28	Deep Convolutional Neural Networks for Detecting COVID-19 Using Medical Images: A Survey 2023, New generation computing IF:2.0Q2 DOI:10.1007/s00354-023-00213-6 PMID:37229176	综述	本文综述了2020年1月至2022年9月期间使用深度学习模型进行COVID-19检测的研究	本文比较了不同深度学习方法在COVID-19检测中的应用，并提供了该领域的未来发展方向	NA	探讨深度学习在COVID-19检测中的应用	COVID-19检测	计算机视觉	COVID-19	深度学习	CNN	图像	NA
16069	2024-09-28	On the Analyses of Medical Images Using Traditional Machine Learning Techniques and Convolutional Neural Networks 2023, Archives of computational methods in engineering : state of the art reviews IF:9.7Q1 DOI:10.1007/s11831-023-09899-9 PMID:37260910	综述	本文综述了卷积神经网络（CNN）在医学图像分析中的应用及其内部结构和挑战	本文介绍了深度学习中不同的激活函数、超参数优化、正则化、动量和损失函数对CNN性能的改进	NA	探讨CNN在医学图像分析中的应用及其内部结构和挑战	卷积神经网络及其在医学图像分析中的应用	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	NA
16070	2024-09-28	Multi-modal medical image classification using deep residual network and genetic algorithm 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0287786 PMID:37384779	研究论文	本文提出了一种基于深度残差网络和遗传算法的多模态医学图像分类方法	利用深度学习模型ResNet50结合遗传算法，提高了多模态医学图像分类的准确性	NA	旨在缩小语义鸿沟并提高多模态医学图像分类的性能	多模态医学图像	计算机视觉	NA	深度学习	ResNet50	图像	28378张多模态医学图像
16071	2024-09-28	Generic Interpretable Reaction Condition Predictions with Open Reaction Condition Datasets and Unsupervised Learning of Reaction Center 2023, Research (Washington, D.C.) DOI:10.34133/research.0231 PMID:37849643	研究论文	本文提出了一个基于Transformer的反应条件预测模型Parrot，并创建了两个标准化的反应条件数据集	提出了一个强大的、可解释的Transformer模型Parrot，用于反应条件预测，并创建了两个标准化的反应条件数据集	训练数据集的多样性可能仍然有限	解决深度学习辅助合成规划中反应条件预测的挑战	反应条件预测模型和标准化数据集	机器学习	NA	Transformer	Transformer	文本	两个标准化的反应条件数据集，涵盖广泛的反应类别
16072	2024-09-28	Deep learning-empowered crop breeding: intelligent, efficient and promising 2023, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2023.1260089 PMID:37860239	研究论文	本文探讨了深度学习在作物育种中的应用，旨在提高育种效率和作物品质	提出了基于深度学习的作物育种策略，以加速作物改良和提高育种效率	当前面临数据复杂性、数据获取困难和预测精度低等挑战	提高作物育种效率和作物品质	作物育种过程	机器学习	NA	深度学习	NA	NA	NA
16073	2024-09-28	Nucleotide-level prediction of CircRNA-protein binding based on fully convolutional neural network 2023, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2023.1283404 PMID:37867600	研究论文	本文提出了一种基于全卷积神经网络的CircRNA-蛋白质结合位点预测方法	将CircRNA-蛋白质结合位点预测视为核苷酸级别的二分类任务，并使用全卷积神经网络进行预测	现有方法在准确预测具有特殊功能的motif位点方面表现不佳	研究CircRNA-蛋白质结合位点的预测及其在基因表达调控中的作用	CircRNA-蛋白质结合位点及其motif功能	计算机视觉	NA	全卷积神经网络	全卷积神经网络	序列	NA
16074	2024-09-28	Stacked ensemble deep learning for pancreas cancer classification using extreme gradient boosting 2023, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2023.1232640 PMID:37876961	研究论文	本文介绍了一种用于胰腺CT图像分类的堆叠集成深度学习方法	提出了堆叠集成深度学习（SEDL）方法，结合Inception V3、VGG16和ResNet34作为弱学习器，并使用极端梯度提升（XGBoost）作为强学习器进行最终分类	未提及具体限制	提高胰腺CT图像分类的预测性能	胰腺CT医学图像	计算机视觉	胰腺癌	极端梯度提升（XGBoost）	堆叠集成模型	图像	222张图像，来自80个胰腺CT扫描，分辨率为512*512像素，包括53名男性和27名女性
16075	2024-09-28	Convolutional neural network model by deep learning and teaching robot in keyboard musical instrument teaching 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293411 PMID:37883500	研究论文	研究通过深度学习和教学机器人在键盘乐器教学中的应用，提出了一种卷积神经网络模型，以改进学前教育的键盘乐器教学	提出了将智能技术与键盘乐器教学相结合的方法，通过教学机器人和深度学习模型实现个性化教学	未详细说明教学机器人的具体设计和实现细节，以及深度学习模型的训练数据和评估方法	探讨当前学前教育中键盘乐器教学的现状，提出改进方案，并验证教学机器人在键盘乐器教学中的应用效果	学前教育中的键盘乐器教学	机器学习	NA	深度学习	卷积神经网络（CNN）	图像	参与键盘乐器教学的学生
16076	2024-09-28	Revealing the impact of psychiatric comorbidities on treatment outcome in early psychosis using counterfactual model explanation 2023, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2023.1237490 PMID:37900290	研究论文	研究利用多模态深度学习架构和反事实模型解释技术，探讨精神共病对早期精神病治疗结果的影响	引入反事实模型解释技术，分析MINI评分对缓解概率的影响，并识别出对缓解概率影响最大的特定共病	研究结果主要基于OPTiMiSE研究的多中心样本，可能存在样本偏倚	探讨精神共病对早期精神病治疗结果的影响，并改进个体化预测模型	早期精神病患者及其精神共病	机器学习	精神病	多模态深度学习	深度学习模型	文本	来自OPTiMiSE研究的多中心早期精神病患者样本
16077	2024-09-28	Could artificial intelligence revolutionize the development of nanovectors for gene therapy and mRNA vaccines? 2022-Dec, Nano today IF:13.2Q1 DOI:10.1016/j.nantod.2022.101665 PMID:37034382	综述	本文综述了人工智能在基因治疗和mRNA疫苗纳米载体开发中的潜在应用	探讨了人工智能在设计靶向基因递送载体和改进CRISPR/Cas系统中的创新应用	NA	探讨人工智能如何革新基因治疗和mRNA疫苗纳米载体的发展	基因治疗和mRNA疫苗的纳米载体	机器学习	NA	人工智能	神经网络	NA	NA
16078	2024-09-28	COVID-19 chest X-ray detection through blending ensemble of CNN snapshots 2022-Sep, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2022.104000 PMID:35855489	研究论文	本文提出了一种基于卷积神经网络（CNN）快照融合的集成方法，用于从胸部X光片（CXR）中检测COVID-19，以辅助计算机辅助检测（CADe）	本文的创新点在于利用DenseNet-201架构生成多个快照，并通过随机森林（RF）元学习器进行决策级融合，提高了COVID-19检测的准确性	本文的局限性在于仅使用了两个公开的COVID-19 CXR数据集进行实验，未来可能需要更多数据集来验证模型的泛化能力	本文的研究目的是提高COVID-19检测的准确性，以辅助医疗从业者的诊断	本文的研究对象是COVID-19病毒的胸部X光片（CXR）图像	计算机视觉	COVID-19	卷积神经网络（CNN）	DenseNet-201	图像	两个公开的COVID-19 CXR数据集，包括一个大型数据集（COVID-X）和一个较小的数据集
16079	2024-09-28	Methodology-Centered Review of Molecular Modeling, Simulation, and Prediction of SARS-CoV-2 2022-07-13, Chemical reviews IF:51.4Q1 DOI:10.1021/acs.chemrev.1c00965 PMID:35594413	综述	本文对SARS-CoV-2的分子建模、模拟和预测方法进行了全面系统的综述	本文整合了大量病毒序列的基因分型、蛋白质-蛋白质相互作用的生物物理建模、深度突变数据、深度学习和高级数学等方法，揭示了SARS-CoV-2的全球进化和传播机制	尽管本文提供了全面的综述，但仍需进一步深入研究以全面理解SARS-CoV-2及其相关机制	旨在为读者提供关于SARS-CoV-2分子建模、模拟和预测领域的最新文献更新	SARS-CoV-2的分子建模、模拟和预测方法	机器学习	NA	深度学习	NA	序列数据	NA
16080	2024-09-28	Histopathologic Oral Cancer Prediction Using Oral Squamous Cell Carcinoma Biopsy Empowered with Transfer Learning 2022-May-18, Sensors (Basel, Switzerland) DOI:10.3390/s22103833 PMID:35632242	研究论文	本文提出了一种利用迁移学习模型和AlexNet卷积神经网络从口腔鳞状细胞癌（OSCC）活检图像中提取特征，以预测口腔癌的方法	本文的创新点在于使用迁移学习模型和AlexNet卷积神经网络来提高口腔癌检测的准确性	本文的局限性在于仅使用了AlexNet模型，未探讨其他深度学习模型的效果	本文的研究目的是提高口腔癌检测的准确性	本文的研究对象是口腔鳞状细胞癌（OSCC）活检图像	计算机视觉	口腔癌	迁移学习	卷积神经网络（CNN）	图像	未明确提及具体样本数量