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
16501	2024-08-07	GSScore: a novel Graphormer-based shell-like scoring method for protein-ligand docking 2024-Mar-27, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae201 PMID:38706316	研究论文	提出了一种基于Graphormer方法和Shell-like图结构的深度学习评分方法GSScore，用于蛋白质-配体对接姿态的RMSD预测	GSScore利用Graphormer和Shell-like图结构，能有效捕捉能量上有利的近天然构象与不利的非天然姿态之间的细微差异，无需额外信息	NA	开发新的计算方法以更准确地预测蛋白质-配体对接的RMSD	蛋白质-配体相互作用模式	机器学习	NA	Graphormer方法	Graphormer	图结构	评估了包括PDBBind 2019版本子集、CASF2016以及DUD-E在内的多样化测试集
16502	2024-08-07	Deep learning assisted single particle tracking for automated correlation between diffusion and function 2024-Feb-02, Research square DOI:10.21203/rs.3.rs-3716053/v1 PMID:38352328	研究论文	本文介绍了一种名为DeepSPT的深度学习框架，用于快速高效地解释物体在亚细胞环境中的2D或3D扩散行为	DeepSPT能够自动从扩散行为中提取功能信息，无需人工干预	NA	开发一种自动化方法，从亚细胞环境的扩散行为中提取功能信息	亚细胞环境中的分子和细胞器的扩散行为	机器学习	NA	深度学习	深度学习框架	图像	NA
16503	2024-08-07	Deep learning based synthesis of MRI, CT and PET: Review and analysis 2024-Feb, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.103046 PMID:38052145	综述	本文综述了2018年至2023年间基于深度学习的医学图像合成技术，包括伪CT、合成MR和合成PET，并分析了各种合成方法的模型设计和网络架构	深度学习在合成图像对比度应用中表现出优于传统图像合成方法的性能，特别是引入了Transformer和Diffusion模型等新型网络架构	文章讨论了在医学图像合成中存在的挑战，并提出了可能的解决方案和未来研究方向	旨在克服获取多种图像模态以实现准确临床工作流程的挑战	医学图像合成技术，包括伪CT、合成MR和合成PET	计算机视觉	NA	深度学习	CNN, Transformer, Diffusion模型	图像	NA
16504	2024-08-07	An Ensemble Learning Method for Detection of Head and Neck Squamous Cell Carcinoma Using Polarized Hyperspectral Microscopic Imaging 2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3007869 PMID:38711533	研究论文	本研究开发了一种基于偏振高光谱显微成像的集成学习方法，用于检测头颈部鳞状细胞癌	利用偏振高光谱显微成像技术和卷积神经网络构建了一种四分支模型架构，每个分支分别训练一个Stokes参数	未来的工作可以通过训练更多样化的数据、根据肿瘤分级进行分类以及引入更新的架构技术来改进结果	开发一种新的深度学习分类方法，用于检测头颈部鳞状细胞癌	头颈部鳞状细胞癌的病理切片	计算机视觉	头颈部鳞状细胞癌	偏振高光谱显微成像	CNN	图像	56名患者
16505	2024-08-07	Using Artificial Intelligence for Rheumatic Heart Disease Detection by Echocardiography: Focus on Mitral Regurgitation 2024-Jan-16, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.123.031257 PMID:38226515	研究论文	本文研究使用人工智能通过超声心动图检测风湿性心脏病，特别是二尖瓣反流	本文提出了一种自动化的方法，利用卷积神经网络和深度学习模型结合注意力机制来定位左心房并分析二尖瓣反流，以检测风湿性心脏病	研究需要更多的数据来进一步提高模型的准确性	探索人工智能在无症状儿童中通过超声心动图检测风湿性心脏病的能力，以预防疾病进展	儿童的风湿性心脏病和二尖瓣反流	机器学习	风湿性心脏病	卷积神经网络，深度学习	CNN，深度学习模型	图像	511例儿童超声心动图
16506	2024-08-07	A deep learning framework for noninvasive fetal ECG signal extraction 2024, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2024.1329313 PMID:38711954	研究论文	本文开发了一种深度学习框架，用于从12通道腹部复合信号中非侵入性地提取胎儿心电图（ECG）信号的R峰	提出了一种使用循环神经网络架构的模型，能够稳健地检测胎儿ECG的R峰	NA	开发一种框架，用于直接从腹部复合信号中检测和识别胎儿ECG的R峰	从70名健康和有健康状况的孕妇中非侵入性地记录的信号	机器学习	NA	循环神经网络	RNN	信号	70名孕妇
16507	2024-08-07	The 100 most cited articles in artificial intelligence related to orthopedics 2024, Frontiers in surgery IF:1.6Q2 DOI:10.3389/fsurg.2024.1370335 PMID:38712339	研究论文	本研究旨在识别和分析与骨科领域相关的人工智能领域前100篇高被引文章	NA	NA	识别和分析骨科领域中与人工智能相关的高被引文章	前100篇高被引文章	机器学习	NA	VOSviewer	NA	文本	100篇文章
16508	2024-08-07	Interpretable deep learning for improving cancer patient survival based on personal transcriptomes 2023-07-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-38429-7 PMID:37443344	研究论文	本文开发了一种可解释的神经网络模型，用于基于药物处方和个人转录组数据预测癌症患者的生存率	该模型能够通过分析个人转录组数据和药物处方，提高癌症患者的生存预测准确性，并揭示决策过程中的关键通路	NA	提高癌症患者的生存预测准确性并揭示药物选择的关键通路	癌症患者的生存率和药物选择	机器学习	癌症	深度学习	神经网络	转录组数据	涉及的患者数量未明确提及
16509	2024-08-07	Deep learning for subtyping the Alzheimer's disease spectrum 2022-02, Trends in molecular medicine IF:12.8Q1 DOI:10.1016/j.molmed.2021.12.004 PMID:34996710	研究论文	Kwak等人基于结构影像对认知受损个体进行亚型分类，为阿尔茨海默病谱的细分提供了新的见解	通过亚型分类量化阿尔茨海默病的异质性，为疾病修饰疗法的开发和患者护理的改进提供了更精准的方法	NA	探索阿尔茨海默病谱的亚型分类	认知受损个体	机器学习	阿尔茨海默病	深度学习	NA	影像	NA
16510	2024-08-07	Detection of dementia on voice recordings using deep learning: a Framingham Heart Study 2021-08-31, Alzheimer's research & therapy DOI:10.1186/s13195-021-00888-3 PMID:34465384	研究论文	本研究利用深度学习模型分析语音记录，以检测痴呆症	开发了两种深度学习模型（LSTM和CNN），用于自动分析语音记录并分类痴呆症患者	NA	探索通过语音记录自动检测痴呆症的方法	来自Framingham心脏研究的1264份语音记录	机器学习	痴呆症	深度学习	LSTM和CNN	音频	1264份语音记录，包括483份正常认知、451份轻度认知障碍和330份痴呆症
16511	2024-08-07	U-net model for brain extraction: Trained on humans for transfer to non-human primates 2021-07-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2021.118001 PMID:33789137	研究论文	本文利用迁移学习框架，通过在大型人类成像数据集上预训练卷积神经网络（U-Net模型），并将其迁移到非人灵长类动物数据上，以提高脑提取的准确性和效率。	本文首次将迁移学习应用于非人灵长类动物的脑提取，通过预训练的U-Net模型在多个研究站点数据上进行升级，提高了模型的泛化能力和准确性。	尽管模型在多个站点数据上表现良好，但仍需进一步验证其在更多种类非人灵长类动物和其他哺乳动物上的适用性。	提高非人灵长类动物脑提取的准确性和效率，并推广到其他哺乳动物。	非人灵长类动物的脑提取，以及通过迁移学习扩展到其他哺乳动物。	计算机视觉	NA	卷积神经网络	U-Net	图像	136只猕猴的数据集，以及来自多个研究站点的非人灵长类动物数据
16512	2024-08-07	FastSurfer - A fast and accurate deep learning based neuroimaging pipeline 2020-10-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2020.117012 PMID:32526386	研究论文	本文提出了一种快速且准确的基于深度学习的大脑神经影像处理流程FastSurfer，用于自动化处理人脑结构MRI扫描，复制FreeSurfer的解剖学分割包括表面重建和皮质分区	引入了一种先进的深度学习架构，能够进行全脑95类分割，并采用了竞争密集块和竞争跳跃路径以及多切片信息聚合技术，专门针对皮质和皮质下结构的精确分割进行优化	NA	开发一种快速且准确的深度学习基础的神经影像处理流程，以适应大规模队列研究的需求	人脑结构MRI扫描的自动化处理	计算机视觉	NA	深度学习	CNN	图像	数千或数万个体
16513	2024-08-07	Development and validation of an interpretable deep learning framework for Alzheimer's disease classification 2020-06-01, Brain : a journal of neurology IF:10.6Q1 DOI:10.1093/brain/awaa137 PMID:32357201	研究论文	本文开发并验证了一种可解释的深度学习框架，用于阿尔茨海默病的分类	该框架结合了全卷积网络和多层感知器，能够从多模态输入中识别出独特的阿尔茨海默病特征，并生成直观的个体风险可视化，其诊断性能超过了多机构团队的执业神经科医生	NA	开发一种可解释的深度学习框架，用于提高阿尔茨海默病的诊断准确性	阿尔茨海默病患者和认知正常的个体	机器学习	阿尔茨海默病	MRI	全卷积网络和多层感知器	图像	训练集包括417名临床诊断的阿尔茨海默病患者和认知正常个体，验证集包括AIBL（382名）、Framingham Heart Study（102名）和NACC（582名）
16514	2024-08-07	Deep ensemble learning for Alzheimer's disease classification 2020-05, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2020.103411 PMID:32234546	研究论文	本文提出了一种用于阿尔茨海默病分类的深度集成学习框架，该框架利用深度学习算法整合多源数据并利用专家智慧	首次采用深度学习方法集成阿尔茨海默病分类算法，提出了一种非线性特征加权方法和优化层处理成本敏感问题	NA	提高阿尔茨海默病分类的准确性	阿尔茨海默病分类算法	机器学习	阿尔茨海默病	深度学习	深度信念网络	多源数据	临床数据来自国家阿尔茨海默病协调中心
16515	2024-08-07	Unsupervised Deep Learning for Bayesian Brain MRI Segmentation 2019-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-030-32248-9_40 PMID:32432231	研究论文	本文提出了一种结合传统概率图谱分割和深度学习的无监督学习方法，用于不同对比度的脑部MRI图像分割	该方法无需手动标注图像即可训练新的MRI扫描分割模型	NA	开发一种无需手动标注的新图像数据集的深度学习分割模型	脑部MRI图像分割	计算机视觉	NA	深度学习	深度学习模型	图像	数千个脑部MRI扫描
16516	2024-08-07	A contrastive learning approach to integrate spatial transcriptomics and histological images 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.04.039 PMID:38707535	研究论文	本文介绍了一种基于对比学习的模型ConGcR，用于整合基因表达、空间位置和组织形态学数据，以进行数据表示和空间组织结构识别	提出了ConGcR模型，结合图卷积和ResNet作为编码器，并进一步通过图自编码器ConGaR增强模型，以更好地建模空间嵌入表示	NA	旨在有效整合空间多模态数据，提高组织结构识别的准确性	基因表达、空间位置和组织形态学数据	计算机视觉	NA	对比学习	图卷积网络、ResNet	基因表达数据、图像	16个人脑样本、4个鸡心样本、8个乳腺癌样本和30个人类肺部空间转录组样本
16517	2024-08-07	Deep learning-based detection of indicator species for monitoring biodiversity in semi-natural grasslands 2024-Sep, Environmental science and ecotechnology IF:14.0Q1 DOI:10.1016/j.ese.2024.100419 PMID:38706811	研究论文	本文开发了一种基于深度学习的对象检测模型，用于识别高自然价值草地中的指示物种，以监测生物多样性	首次利用温室培养的指示植物样本进行深度学习模型的训练，实现了对草地生态系统中植物的实地识别	研究主要集中在温室和实验草地数据上，未来需要进一步验证模型在更广泛自然草地环境中的适用性	探索深度学习技术在草地生物多样性监测中的应用	高自然价值草地中的指示物种	机器学习	NA	深度学习	对象检测模型	图像	包括温室数据、实验草地数据和自然草地数据
16518	2024-08-07	ASOptimizer: Optimizing antisense oligonucleotides through deep learning for IDO1 gene regulation 2024-Jun-11, Molecular therapy. Nucleic acids DOI:10.1016/j.omtn.2024.102186 PMID:38706632	research paper	本文介绍了一种基于深度学习的平台ASOptimizer，用于高效且低成本地设计反义寡核苷酸（ASOs），以优化IDO1基因的调控	ASOptimizer不仅选择最有效的mRNA靶点，还优化化学修饰以增强性能	NA	开发一种高效且低成本的方法来设计反义寡核苷酸，用于癌症治疗	IDO1 mRNA的反义寡核苷酸设计	machine learning	NA	deep learning	NA	sequence	NA
16519	2024-08-07	Fusion of multi-source relationships and topology to infer lncRNA-protein interactions 2024-Jun-11, Molecular therapy. Nucleic acids DOI:10.1016/j.omtn.2024.102187 PMID:38706631	研究论文	本文提出了一种基于图自编码器（GAE）的FMSRT-LPI模型，用于预测长非编码RNA与蛋白质的相互作用（LPI）	首次将路径掩蔽和度回归策略集成到GAE框架中，用于潜在的LPI推断	NA	准确预测长非编码RNA与蛋白质的相互作用，以阐明lncRNA的功能和致病机制	长非编码RNA与蛋白质的相互作用	生物信息学	NA	图自编码器（GAE）	GAE	网络数据	多个公共数据集
16520	2024-08-07	Evaluation of Deep Learning Clinical Target Volumes Auto-Contouring for Magnetic Resonance Imaging-Guided Online Adaptive Treatment of Rectal Cancer 2024-Jun, Advances in radiation oncology IF:2.2Q2 DOI:10.1016/j.adro.2024.101483 PMID:38706833	研究论文	本文提出并应用了一个全面的框架，用于评估深度学习在直肠癌患者MRI引导在线自适应放疗中自动勾画临床目标体积（CTV）的性能和临床可用性。	本文创新地提出了一种全面的评估框架，用于验证深度学习自动勾画CTV的准确性和临床信任度。	尽管模型在专家修正后性能与观察者间变异相当，但仍引入了一定的偏差，尽管对临床实践影响不大。	旨在评估深度学习在直肠癌放疗中自动勾画CTV的性能和临床应用潜力。	研究对象为接受MRI引导在线自适应放疗的直肠癌患者。	机器学习	直肠癌	深度学习	nnU-Net	图像	44名直肠癌患者