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
16361	2024-10-17	Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions 2024, Proceedings of the ... SIAM International Conference on Data Mining. SIAM International Conference on Data Mining DOI:10.1137/1.9781611978032.41 PMID:39399238	研究论文	本文提出了一种名为AutoFM的神经架构搜索框架，用于自动融合多模态电子健康记录数据，以提高医疗预测的准确性	本文的创新点在于提出了一个自动化的神经架构搜索框架AutoFM，能够自动搜索最优的模型架构，用于编码多样的输入模态和融合策略	NA	本文的研究目的是通过自动化模型设计来挖掘电子健康记录数据，以提高医疗服务的质量	本文的研究对象是多模态电子健康记录数据	机器学习	NA	神经架构搜索 (NAS)	神经网络	电子健康记录 (EHR) 数据	NA
16362	2024-10-17	Specialized gray matter segmentation via a generative adversarial network: application on brain white matter hyperintensities classification 2024, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2024.1416174 PMID:39403067	研究论文	本文提出了一种基于生成对抗网络（GAN）的灰质分割方法，用于脑白质高信号（WMH）分类，特别是针对皮质旁WMH（JCWMH）的分类	本文创新性地使用条件生成对抗网络（cGAN）替代传统的分割流程，仅使用FLAIR图像进行WMH分类，显著提高了分类效率和准确性	由于缺乏多类标记的WMH数据集，研究中需要手动分割和标记部分数据，这可能影响模型的泛化能力	开发一种自动化的WMH检测和分类方法，以辅助脑部疾病的诊断和监测	脑白质高信号（WMH），特别是皮质旁WMH（JCWMH）	计算机视觉	多发性硬化症（MS）	生成对抗网络（GAN）	条件生成对抗网络（cGAN）	图像	大量本地数据集，手动分割和标记部分WMH和脑室数据
16363	2024-10-17	Prediction Model for in-Stent Restenosis Post-PCI Based on Boruta Algorithm and Deep Learning: The Role of Blood Cholesterol and Lymphocyte Ratio 2024, Journal of multidisciplinary healthcare IF:2.7Q2 DOI:10.2147/JMDH.S487511 PMID:39403292	研究论文	本文基于Boruta算法和深度学习开发了一种预测PCI术后支架内再狭窄的模型，并探讨了血胆固醇与淋巴细胞比率在其中的作用	首次将胆固醇-淋巴细胞比率（CLR）作为预测支架内再狭窄的新生物标志物，并结合深度学习模型进行预测	研究为回顾性分析，样本量有限，需进一步前瞻性研究验证	开发一种预测PCI术后支架内再狭窄的模型，并评估CLR的预测价值	PCI术后支架内再狭窄的预测及CLR的预测作用	机器学习	心血管疾病	深度学习	多层感知器（MLP）	临床和实验室数据	1967名患者
16364	2024-10-17	Fruit and vegetable leaf disease recognition based on a novel custom convolutional neural network and shallow classifier 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1469685 PMID:39403618	研究论文	本文提出了一种基于自定义卷积神经网络和浅层分类器的水果和蔬菜叶片疾病识别方法	本文提出了一种新的深度学习和优化框架，结合了Bi-LSTM和Haze减少技术进行对比度增强，并设计了两种自定义模型BRwSA和IBRwSA，以及使用改进的人类学习优化算法进行特征优化和分类	NA	解决水果和蔬菜叶片疾病识别中的挑战，提高分类准确性和减少测试时间	苹果和黄瓜叶片疾病	计算机视觉	NA	卷积神经网络	卷积神经网络	图像	苹果和黄瓜叶片数据集
16365	2024-10-17	Merizo: a rapid and accurate protein domain segmentation method using invariant point attention 2023-Dec-19, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-43934-4 PMID:38114456	研究论文	本文介绍了一种名为Merizo的深度学习方法，用于蛋白质域分割	Merizo通过自下而上的方式学习将残基聚类到域中，并结合CATH域数据和AlphaFold2模型进行微调，使其能够应用于实验模型和AlphaFold2模型	NA	开发一种快速且准确的蛋白质域分割方法，以促进对蛋白质结构和功能的理解，并支持药物发现和比较基因组学研究	蛋白质域分割	机器学习	NA	深度学习	NA	蛋白质结构数据	在人类蛋白质组中识别了40,818个潜在域
16366	2024-10-17	A new convolutional neural network based on combination of circlets and wavelets for macular OCT classification 2023-12-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-50164-7 PMID:38114582	研究论文	本文提出了一种基于环状和小波变换的卷积神经网络用于黄斑OCT图像分类	提出了名为CircWave的新变换，通过结合2D离散小波变换和环状变换的子带来提高分类准确性，并设计了CircWaveNet模型	研究仅限于黄斑OCT图像分类，未涉及其他类型的眼科图像或疾病	研究非数据自适应时频变换对OCT B扫描分类的影响，并提出新的变换方法以提高分类准确性	黄斑OCT图像的分类	计算机视觉	NA	2D离散小波变换、环状变换	卷积神经网络（CNN）	图像	两个不同成像系统的数据集，分别达到94.5%和90%的准确率
16367	2024-10-17	GAHLS: an optimized graph analytics based high level synthesis framework 2023-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-48981-x PMID:38114657	研究论文	提出了一种基于图分析的高层次综合框架GAHLS，用于优化复杂高层次程序的分析和合成	GAHLS框架通过结合编译器方法和图论优化，将高层次程序转换为消息传递的领域特定加速器，显著提高了性能	NA	优化自主系统、网络物理系统、机器人、边缘计算等领域的硬件配置和可重构能力	高层次程序的分析和合成	计算机视觉	NA	图论优化	NA	程序代码	多个实际应用（如深度学习、脑机接口）
16368	2024-10-17	Deep learning for classifying the stages of periodontitis on dental images: a systematic review and meta-analysis 2023-12-19, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-023-03751-z PMID:38114946	综述	本文系统综述和荟萃分析了深度学习算法在牙科图像中分类牙周炎阶段的应用	本文首次系统综述和荟萃分析了深度学习在牙周炎分类中的应用，评估了其准确性	本文仅限于已发表的研究，可能存在选择偏倚和发表偏倚	评估深度学习算法在牙周炎分类中的应用及其准确性	牙周炎的分类	计算机视觉	口腔疾病	深度学习	NA	图像	13项研究
16369	2024-10-17	scNAT: a deep learning method for integrating paired single-cell RNA and T cell receptor sequencing profiles 2023-12-18, Genome biology IF:10.1Q1 DOI:10.1186/s13059-023-03129-y PMID:38111007	研究论文	提出了一种名为scNAT的深度学习方法，用于整合配对的单细胞RNA和T细胞受体测序数据	开发了一种新的深度学习方法scNAT，能够整合单细胞RNA测序和T细胞受体测序数据，并在统一潜在空间中表示数据	NA	开发一种新的深度学习方法，用于整合单细胞RNA和T细胞受体测序数据，以进行下游分析	单细胞RNA测序和T细胞受体测序数据	机器学习	多发性硬化症	深度学习	NA	RNA测序数据和T细胞受体测序数据	NA
16370	2024-10-17	EnzymeMap: curation, validation and data-driven prediction of enzymatic reactions 2023-Dec-13, Chemical science IF:7.6Q1 DOI:10.1039/d3sc02048g PMID:38098707	研究论文	本文介绍了EnzymeMap数据集的构建及其在酶促反应预测中的应用	开发了一套校正和验证算法，显著提升了机器学习模型在逆合成、正向预测和区域选择性预测中的表现	当前方法受限于可用数据量，尤其是需要平衡和原子映射的反应数据	构建高质量数据集以提升酶促反应预测模型的准确性	酶促反应及其在化学合成中的应用	机器学习	NA	机器学习	深度学习模型	化学反应数据	大量文献记录的反应数据
16371	2024-10-17	SPIN-CGNN: Improved fixed backbone protein design with contact map-based graph construction and contact graph neural network 2023-Dec, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011330 PMID:38060617	研究论文	本文介绍了一种基于蛋白质接触图谱的图神经网络SPIN-CGNN，用于改进固定骨架蛋白质设计	提出了一种基于蛋白质接触图谱的图构建方法，并结合辅助边更新和选择性核，显著提高了序列恢复、困惑度、氨基酸组成偏差、疏水位置保留和低复杂区域保留等方面的性能	低复杂区域在设计的序列中仍有待改进，尤其是在生成的结构中	改进固定骨架蛋白质设计方法	蛋白质序列和结构	机器学习	NA	图神经网络 (GNN)	图神经网络 (GNN)	蛋白质接触图谱	未见结构、'幻觉'结构和扩散模型测试
16372	2024-10-17	Deep Learning-Assisted Design of Novel Promoters in Escherichia coli 2023-Dec, Advanced genetics (Hoboken, N.J.) DOI:10.1002/ggn2.202300184 PMID:38099247	研究论文	本文探讨了利用深度学习模型设计大肠杆菌中新型启动子的潜力	结合多种深度学习模型设计并预测新型启动子的活性，并提出了关键功能基序的预测方法	大多数生成的启动子活性较低	开发深度学习工具用于设计启动子并评估其功能	大肠杆菌中的启动子设计	机器学习	NA	深度学习	扩散模型	序列数据	200个训练样本和50个生成样本
16373	2024-10-17	Noncontact remote sensing of abnormal blood pressure using a deep neural network: a novel approach for hypertension screening 2023-Dec-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-23-970 PMID:38106309	研究论文	本文开发并评估了一种使用深度学习模型从红外热成像中预测异常高血压的方法	首次提出了一种无需接触即可使用现有设备和数据进行高血压筛查的技术	NA	开发一种新的方法来早期诊断和治疗高血压	红外热成像和血压数据	机器学习	心血管疾病	红外成像	深度神经网络	图像	252名志愿者
16374	2024-10-17	Automatic calculation of myocardial perfusion reserve using deep learning with uncertainty quantification 2023-Dec-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-23-840 PMID:38106294	研究论文	本文开发了一种基于深度学习的不确定性量化方法来自动计算心肌灌注储备指数	提出了一个全自动的方法来估计心肌灌注储备指数，并使用蒙特卡罗辍学U-Net进行心肌分割和机器学习进行地标定位	需要进一步验证该方法在不同数据集和临床环境中的适用性	开发一种全自动的方法来估计心肌灌注储备指数并评估其性能	心肌灌注储备指数	计算机视觉	心血管疾病	深度学习	U-Net	图像	测试对象数量未明确提及
16375	2024-10-17	Predicting rice diseases using advanced technologies at different scales: present status and future perspectives 2023-Dec, aBIOTECH IF:4.6Q1 DOI:10.1007/s42994-023-00126-4 PMID:38106429	综述	本文综述了利用机器学习和深度学习模型在不同尺度上预测水稻疾病的图像处理技术	本文总结了当前最先进的病原体-植物相互作用表型的光学传感应用	NA	探讨利用先进技术在不同尺度上预测水稻疾病的现状和未来展望	水稻疾病	计算机视觉	NA	图像处理技术	机器学习 (ML) 和深度学习 (DL) 模型	图像	NA
16376	2024-10-17	A three-dimensional deep learning model for inter-site harmonization of structural MR images of the brain: Extensive validation with a multicenter dataset 2023-Dec, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2023.e22647 PMID:38107313	研究论文	本文开发了一种基于循环一致对抗网络的三维深度学习模型，用于多中心脑部MRI图像的强度分布协调	该模型能够稳定处理三维全脑图像，同时优化计算资源，与以往方法相比具有更高的稳定性和效率	尽管模型在多种数据集和指标上表现出了鲁棒性，但仍需在更多实际应用中验证其效果	旨在解决多中心MRI研究中因数据池化引入的站点相关变异性问题，以减少后续分析的偏差	T1加权脑部MRI图像的强度分布协调	计算机视觉	NA	深度学习	循环一致对抗网络	图像	总共1525名健康成年人的六种不同MRI数据集
16377	2024-10-17	Image dataset of Pune city historical places for degradation detection, classification, and restoration 2023-Dec, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2023.109794 PMID:38107470	研究论文	研究了浦那市历史遗迹的图像数据集，用于退化检测、分类和修复	创建了一个包含浦那市历史遗迹图像的数据集，包括不同角度、比例和方向的图像，以及白天和夜晚的图像，用于训练计算机视觉模型	未提及	通过图像数据集和机器学习算法，实现历史遗迹的退化检测、分类和虚拟修复	浦那市的历史遗迹，包括其建筑年龄、类型、颜色、形状和大小	计算机视觉	NA	机器学习、深度学习	NA	图像	包含浦那市历史遗迹的图像数据集，包括不同角度、比例和方向的图像，以及白天和夜晚的图像
16378	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
16379	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
16380	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