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
17061	2024-09-19	The State-of-the-Art Overview to Application of Deep Learning in Accurate Protein Design and Structure Prediction 2024-Jul-04, Topics in current chemistry (Cham) DOI:10.1007/s41061-024-00469-6 PMID:38965117	研究论文	本文综述了深度学习在蛋白质设计和结构预测中的最新应用	使用深度学习方法替代暴力算法，提高了蛋白质结构预测的速度和准确性	NA	探讨蛋白质结构预测领域的最新进展	蛋白质设计和结构预测	机器学习	NA	深度学习	NA	蛋白质数据库	NA
17062	2024-09-19	Regression-based Deep-Learning predicts molecular biomarkers from pathology slides 2024-Feb-10, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-45589-1 PMID:38341402	研究论文	本文开发并评估了一种基于回归的深度学习方法，用于从病理切片中直接预测连续的分子生物标志物	本文提出了一种基于回归的深度学习方法，相较于传统的分类方法，能够更准确地预测连续的生物标志物，并提高了与已知临床相关区域的对应性	NA	开发和评估一种新的深度学习方法，用于从病理切片中直接预测连续的分子生物标志物	从11,671张病理切片图像中预测多种临床和生物学相关的生物标志物，包括同源重组缺陷评分和肿瘤微环境中关键生物过程的标志物	数字病理学	NA	深度学习	回归模型	图像	11,671张病理切片图像，涵盖九种癌症类型
17063	2024-09-19	Unlocking the potential: analyzing 3D microstructure of small-scale cement samples from space using deep learning 2024-Jan-25, NPJ microgravity IF:4.4Q1 DOI:10.1038/s41526-024-00349-9 PMID:38272924	研究论文	本文提出了一种利用深度学习分析国际空间站微重力环境下硬化三钙硅酸盐样品三维微观结构的方法	本文创新性地利用深度学习框架从稀疏的实验数据中生成具有统计特性的微观结构集合，并展示了其在微重力环境下硬化水泥样品的独特微观形态	NA	研究微重力环境下硬化水泥样品的三维微观结构，并利用深度学习进行重建	微重力环境下硬化的三钙硅酸盐样品	计算机视觉	NA	深度学习	NA	图像	微重力环境下硬化的三钙硅酸盐样品
17064	2024-09-19	Contextual emotion detection in images using deep learning 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1386753 PMID:38952408	研究论文	本文研究了基于深度学习的图像中情境情感检测技术	本文提出了两种基于深度学习技术的复杂算法（DCNN和VGG19），并通过优化超参数来分析情境和肢体语言，以提高对图像中人类情感的理解	NA	开发更富有同理心的系统，应用于从医学到社交媒体情感互动的多个领域	图像中的情境情感检测	计算机视觉	NA	深度学习	DCNN, VGG19	图像	使用了来自多个数据库的真实图像，包括EMOTIC（ADE20K, MSCOCO）、EMODB_SMALL和FRAMESDB
17065	2024-09-19	AlphaCRV: a pipeline for identifying accurate binder topologies in mass-modeling with AlphaFold 2024, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbae131 PMID:39286602	研究论文	介绍了一种名为AlphaCRV的Python工具包，用于在AlphaFold筛选中识别正确的相互作用蛋白	提出了AlphaCRV工具包，通过聚类、排序和可视化保守的结合拓扑结构，帮助在AlphaFold筛选中识别正确的相互作用蛋白	NA	开发一种工具，用于在蛋白质组规模上识别生物学相关的蛋白质-蛋白质相互作用	蛋白质-蛋白质相互作用	机器学习	NA	AlphaFold	NA	蛋白质序列和折叠结构	NA
17066	2024-09-19	A single sequence MRI-based deep learning radiomics model in the diagnosis of early osteonecrosis of femoral head 2024, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2024.1471692 PMID:39280340	研究论文	本研究开发并评估了一种基于单序列MRI的深度学习放射组学模型，用于早期股骨头坏死的诊断	首次使用此类模型进行早期股骨头坏死的诊断，相比之前的多序列MRI放射组学方法更为简单，并利用深度学习技术进行改进	NA	开发和评估一种基于单序列MRI的深度学习放射组学模型，用于早期股骨头坏死的准确预测	早期股骨头坏死	机器学习	骨科疾病	MRI	深度学习模型	图像	150名患者（80名健康，70名坏死）的MRI扫描数据
17067	2024-09-19	A Systematic Review of Real-Time Deep Learning Methods for Image-Based Cancer Diagnostics 2024, Journal of multidisciplinary healthcare IF:2.7Q2 DOI:10.2147/JMDH.S446745 PMID:39281299	综述	本文深入探讨了深度学习算法在实时癌症诊断中的应用	本文评估了不同成像模式在基于深度学习的癌症诊断中的准确性和周转时间，并探讨了可解释深度学习在癌症诊断中的应用潜力	本文指出泛化问题、数据变异性和可解释性是深度学习在临床试验中应用的主要障碍	本文旨在通过系统综述了解深度学习如何影响癌症诊断的等待时间	本文研究了深度学习在实时癌症诊断中的应用，评估了不同成像模式的准确性和周转时间，并探讨了基础设施的成本和效果	计算机视觉	癌症	深度学习	卷积神经网络	图像	NA
17068	2024-09-19	Artificial intelligence in neuroimaging: Opportunities and ethical challenges 2024, Brain & spine DOI:10.1016/j.bas.2024.102919 PMID:39281849	评论	本文讨论了人工智能在神经影像学中的应用及其带来的机遇和伦理挑战	AI算法，特别是深度学习模型，在分析复杂神经影像数据方面展示了显著能力，提高了诊断准确性和个性化治疗策略	快速采用AI技术引发了算法偏差、数据隐私和AI驱动见解的可解释性等伦理挑战	探讨AI在神经影像学中的应用及其伦理挑战	神经退行性疾病	计算机视觉	NA	深度学习	深度学习模型	影像	NA
17069	2024-09-19	Corrigendum: Contextual emotion detection in images using deep learning 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1476791 PMID:39290717	correction	纠正了文章DOI: 10.3389/frai.2024.1386753中的错误	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
17070	2024-09-19	Automatic segmentation of white matter hyperintensities in T2-FLAIR with AQUA: A comparative validation study against conventional methods 2023-12, Brain research bulletin IF:3.5Q2 DOI:10.1016/j.brainresbull.2023.110825 PMID:38000477	研究论文	本文提出了一种名为AQUA的深度学习模型，用于自动分割T2-FLAIR扫描中的白质高信号（WMH），并与其他五种自动分割方法进行了比较验证	AQUA模型在U-Net架构的基础上进行了改进，引入了Bottleneck Attention Module，显著提高了对小尺寸WMH的检测性能	尽管AQUA在大多数指标上表现优异，但在召回率和F1分数上仍有改进空间，特别是在排除小病变后	开发一种高效且客观的自动分割方法，用于检测和监测与认知衰退和痴呆风险相关的白质高信号	T2-FLAIR扫描中的白质高信号（WMH）	计算机视觉	神经退行性疾病	深度学习	U-Net	图像	170名老年参与者
17071	2024-09-19	Explainable Convolutional Neural Networks for Brain Cancer Detection and Localisation 2023-Sep-02, Sensors (Basel, Switzerland) DOI:10.3390/s23177614 PMID:37688069	研究论文	本文提出了一种利用卷积神经网络和类激活映射进行脑癌检测和定位的方法	利用深度学习技术，特别是卷积神经网络和类激活映射，提供了解释性，突出显示与脑癌相关的医学图像区域	NA	检测和定位脑癌	脑癌	计算机视觉	脑癌	卷积神经网络	卷积神经网络	图像	3000个磁共振图像
17072	2024-09-19	Deep learning architecture for 3D image super-resolution of late gadolinium enhanced cardiac MRI 2023-Sep, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.5.051808 PMID:37235130	研究论文	本文提出了一种基于3D卷积神经网络（CNN）的方法，用于提高晚期钆增强心脏MRI图像的穿透平面分辨率	本文创新性地引入了一个梯度分支，为CNN超分辨率框架提供结构指导，从而提高了图像的穿透平面分辨率和分割效果	NA	提高晚期钆增强心脏MRI图像的穿透平面分辨率，并评估其对心脏腔室3D分割的影响	晚期钆增强心脏MRI图像的穿透平面分辨率和左心房（LA）的3D分割	计算机视觉	心血管疾病	3D卷积神经网络（CNN）	CNN	3D图像	使用了2018年心房分割挑战数据集和2022年左心房和瘢痕量化与分割挑战数据集
17073	2024-09-19	A lightweight CORONA-NET for COVID-19 detection in X-ray images 2023-Sep-01, Expert systems with applications IF:7.5Q1 DOI:10.1016/j.eswa.2023.120023 PMID:37063778	研究论文	本文提出了一种轻量级的深度学习方法CORONA-NET，用于从胸部X光图像中诊断COVID-19	结合了卷积神经网络（CNN）、离散小波变换（DWT）和长短期记忆网络（LSTM），实现了高效的COVID-19检测	NA	开发一种自动化的COVID-19检测系统，以快速诊断和阻止病毒传播	COVID-19患者的胸部X光图像	计算机视觉	COVID-19	卷积神经网络（CNN）、离散小波变换（DWT）、长短期记忆网络（LSTM）	CNN、LSTM	图像	3000张X光图像，其中1000张为COVID-19阳性
17074	2024-09-19	DeepBindPPI: Protein-Protein Binding Site Prediction Using Attention Based Graph Convolutional Network 2023-08, The protein journal DOI:10.1007/s10930-023-10121-9 PMID:37198346	研究论文	本文提出了一种基于注意力机制的图卷积网络模型DeepBindPPI，用于预测蛋白质-蛋白质相互作用的结合位点	本文创新性地将图卷积网络与注意力机制结合，提高了蛋白质结合位点预测的精度	本文未详细讨论模型的泛化能力和对不同类型蛋白质结合位点的预测效果	开发一种高精度的蛋白质结合位点预测方法，以支持药物发现任务	蛋白质-蛋白质相互作用的结合位点，特别是抗原-抗体相互作用	机器学习	NA	图卷积网络	注意力机制	蛋白质数据	使用了通用蛋白质数据集，并使用抗原-抗体数据进行微调
17075	2024-09-19	Pacpaint: a histology-based deep learning model uncovers the extensive intratumor molecular heterogeneity of pancreatic adenocarcinoma 2023-06-13, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-39026-y PMID:37311751	研究论文	开发了一种基于深度学习的模型PACpAInt，用于快速分型胰腺腺癌的分子亚型	PACpAInt模型能够在全切片或瓦片级别预测肿瘤组织和肿瘤细胞的分子亚型，并独立预测生存率	NA	研究胰腺腺癌的分子异质性并开发快速分型工具	胰腺腺癌的肿瘤和基质亚型	数字病理学	胰腺腺癌	深度学习	深度学习模型	转录组数据	202例多中心队列训练，4个独立队列（包括148、97、126例手术队列和25例活检队列）验证，总共598例样本
17076	2024-09-19	Volumetric Analysis of Amygdala and Hippocampal Subfields for Infants with Autism 2023-Jun, Journal of autism and developmental disorders IF:3.2Q1 DOI:10.1007/s10803-022-05535-w PMID:35389185	研究论文	本文首次使用MRI对6至24个月大的婴儿进行杏仁核和海马子区域的三维分析，以研究自闭症谱系障碍（ASD）儿童的脑部异常发育	提出了Dilated-Dense U-Net深度学习方法，用于解决这些子区域低组织对比度和小结构尺寸的挑战	NA	研究自闭症谱系障碍（ASD）婴儿杏仁核和海马子区域的发育情况	6至24个月大的婴儿的杏仁核和海马子区域	计算机视觉	自闭症	MRI	Dilated-Dense U-Net	图像	NA
17077	2024-09-19	Profiling of kidney involvement in systemic lupus erythematosus by deep learning using the National Database of Designated Incurable Diseases of Japan 2023-Jun, Clinical and experimental nephrology IF:2.2Q2 DOI:10.1007/s10157-023-02337-x PMID:36929044	研究论文	本研究利用日本国家指定难治性疾病数据库的数据，通过深度学习方法分析了系统性红斑狼疮（SLE）患者中的肾脏受累情况	本研究首次利用深度学习技术分析了SLE患者中肾脏受累与其他临床表现之间的关系	研究仅基于2015年至2017年注册的1655名SLE患者的横断面数据，可能存在样本量不足的问题	探讨系统性红斑狼疮患者中肾脏受累的临床表现及其与其他临床表现的关系	系统性红斑狼疮患者及其肾脏受累情况	机器学习	系统性红斑狼疮	深度学习	人工神经网络	临床数据	1655名SLE患者
17078	2024-09-19	Progressive attention integration-based multi-scale efficient network for medical imaging analysis with application to COVID-19 diagnosis 2023-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2023.106947 PMID:37099976	研究论文	本文开发了一种基于深度学习的医学影像分析框架，旨在解决影像数据不完美导致的特征学习不足问题	提出了一种多尺度高效网络（MEN），通过集成不同的注意力机制，实现逐步学习方式下细节特征和语义信息的充分提取	未提及	开发一种新的深度学习框架，用于医学影像分析，特别是COVID-19诊断	COVID-19诊断任务中的医学影像	计算机视觉	COVID-19	深度学习	多尺度高效网络（MEN）	影像	未提及
17079	2024-09-19	Comparison of the output of a deep learning segmentation model for locoregional breast cancer radiotherapy trained on 2 different datasets 2023-Jun, Technical innovations & patient support in radiation oncology DOI:10.1016/j.tipsro.2023.100209 PMID:37213441	研究论文	比较了基于两个不同数据集训练的深度学习分割模型在局部乳腺癌放疗中的输出	研究了使用外部数据训练的模型与使用内部数据训练的模型之间的性能差异	研究仅限于30名乳腺癌患者的内部数据，可能无法完全代表所有情况	评估使用外部数据训练的模型与使用内部数据训练的模型在乳腺癌放疗中的性能差异	深度学习分割模型在乳腺癌放疗中的应用	机器学习	乳腺癌	深度学习	分割模型	图像	30名乳腺癌患者
17080	2024-09-19	Deep learning for multi-class semantic segmentation enables colorectal cancer detection and classification in digital pathology images 2023-05-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-35491-z PMID:37225743	研究论文	本文介绍了一种基于深度学习的多类语义分割方法，用于在数字病理图像中检测和分类结直肠癌	本文提出了一种基于人工智能的方法，用于在H&E染色的全切片图像中分割多个组织隔室，并测试和比较了用于分割模型的多种最先进的损失函数	本文的局限性在于其研究范围主要集中在荷兰和德国的五个医疗中心的结直肠癌病例，以及两个公开的结直肠癌分割数据集	本文的研究目的是开发一种能够自动评估结直肠癌病理全切片图像的人工智能方法	本文的研究对象是结直肠癌的病理全切片图像	数字病理学	结直肠癌	深度学习	语义分割模型	图像	超过1000名患者的独立队列