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
17121	2024-09-15	End to End Multitask Joint Learning Model for Osteoporosis Classification in CT Images 2023, Computational intelligence and neuroscience DOI:10.1155/2023/3018320 PMID:36970245	研究论文	本文提出了一种端到端的多任务联合学习模型，用于CT图像中的骨质疏松分类	本文创新性地提出了一个结合定位、分割和分类的联合学习框架，以提高骨质疏松诊断的准确性，并引入了边界热图回归分支和门控卷积模块来优化特征提取	本文未提及具体的局限性	开发一种高效且经济的骨质疏松诊断方法	骨质疏松的分类和诊断	计算机视觉	骨质疏松	深度学习	联合学习模型	CT图像	自建数据集，测试数据集包含正常、骨质减少和骨质疏松三种标签类别，总体准确率为93.3%
17122	2024-09-15	Computational macroscopic lifetime imaging and concentration unmixing of autofluorescence 2022-12, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.202200133 PMID:36546622	研究论文	本文介绍了一种基于单像素结构光平台的计算宏观寿命成像和自体荧光浓度解混方法	利用单像素成像技术，结合超连续可见光激发和超光谱单像素检测，实现了自体荧光强度和寿命的并行表征，并通过深度学习数据处理管道进行自体荧光解混，得到自体荧光物质的浓度	NA	开发一种新的计算成像方法，用于宏观量化自体荧光的强度和寿命	自体荧光物质，包括黄素腺嘌呤二核苷酸、核黄素和原卟啉	计算机视觉	NA	单像素成像技术	深度学习	光谱数据	临床相关的自体荧光物质样本
17123	2024-09-15	Application of Deep Learning on Single-cell RNA Sequencing Data Analysis: A Review 2022-10, Genomics, proteomics & bioinformatics DOI:10.1016/j.gpb.2022.11.011 PMID:36528240	综述	本文综述了深度学习在单细胞RNA测序数据分析中的应用	深度学习能够从噪声大、异质性强和高维度的单细胞RNA测序数据中提取信息丰富且紧凑的特征，从而改进下游分析	当前深度学习方法在单细胞RNA测序数据分析中面临挑战，需要进一步改进算法	综述近期开发的深度学习技术在单细胞RNA测序数据分析中的应用，并探讨其优势和潜在改进方向	单细胞RNA测序数据分析中的深度学习技术	机器学习	NA	单细胞RNA测序	深度学习	基因表达数据	NA
17124	2024-09-15	Interpretable deep learning of myelin histopathology in age-related cognitive impairment 2022-09-21, Acta neuropathologica communications IF:6.2Q1 DOI:10.1186/s40478-022-01425-5 PMID:36127723	研究论文	本文使用弱监督的多实例学习算法，通过分析人脑尸检组织切片的整张幻灯片图像，预测认知障碍的存在与否	本文提出了一种可扩展的平台，利用可解释的深度学习来识别认知障碍中的病理学意外方面，并可推广到其他神经生物学疾病的研究	尽管模型能够预测认知障碍的存在，但准确性仅略高于随机水平	改进识别与认知相关的组织病理学变化的方法，以无偏见的方式进行	老年捐赠者的大脑组织切片，用于预测认知障碍的存在与否	数字病理学	老年疾病	弱监督的多实例学习算法	NA	图像	367例认知障碍患者和349例无认知障碍患者的大脑组织切片
17125	2024-09-15	Polarization multiplexed diffractive computing: all-optical implementation of a group of linear transformations through a polarization-encoded diffractive network 2022-May-26, Light, science & applications DOI:10.1038/s41377-022-00849-x PMID:35614046	研究论文	本文介绍了一种极化复用衍射处理器，通过单一衍射网络实现多个任意选择的线性变换的全光学实现	本文的创新点在于引入极化复用技术，通过单一衍射网络实现多个线性变换的全光学实现	本文的局限性在于需要大量的训练样本和复杂的深度学习优化过程	研究目的是开发一种全光学实现多个线性变换的方法	研究对象是极化复用衍射网络及其在光学计算中的应用	机器学习	NA	衍射光学网络	深度学习	光学数据	数千个输入/输出场对应于每个复值线性变换的样本
17126	2024-09-15	A Lightweight Hybrid Dilated Ghost Model-Based Approach for the Prognosis of Breast Cancer 2022, Computational intelligence and neuroscience DOI:10.1155/2022/9325452 PMID:39262920	研究论文	提出了一种基于轻量级混合扩张Ghost模型的乳腺癌预后方法	引入改进的随机通道注意力机制和DenseNet模型进行恶性细胞检测和家族分类	未提及具体局限性	提高乳腺癌恶性细胞检测和家族分类的准确性	乳腺癌恶性细胞及其家族分类	计算机视觉	乳腺癌	卷积神经网络 (CNN)	DenseNet	图像	未提及具体样本数量
17127	2024-09-15	Ten future challenges for synthetic biology 2021-Sep, Engineering biology DOI:10.1049/enb2.12011 PMID:36968258	评论	本文讨论了合成生物学领域的10个未来挑战	NA	NA	探讨合成生物学未来的技术进步和发展方向	合成生物学领域的技术挑战	合成生物学	NA	自动化、深度学习、进化控制	NA	NA	NA
17128	2024-09-14	Smartphone video imaging: A versatile, low-cost technology for food authentication 2025-Jan-01, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2024.140911 PMID:39213969	研究论文	本研究介绍了一种基于智能手机的低成本成像技术——智能手机视频成像（SVI），用于食品认证	SVI技术通过人工智能辅助，实现了对异质内容样本的分类、分析物含量的空间表示以及从视频中重建高光谱图像，超越了传统的计算机视觉方法	NA	开发一种低成本、多功能的成像技术，用于食品认证	食品样本，特别是人参和藏红花粉混合物	计算机视觉	NA	智能手机视频成像（SVI）	残差神经网络（ResNet），U-Net	视频	NA
17129	2024-09-14	The research hotspots and theme trends of artificial intelligence in nurse education: A bibliometric analysis from 1994 to 2023 2024-10, Nurse education today IF:3.6Q1 DOI:10.1016/j.nedt.2024.106321 PMID:39084073	综述	本文通过文献计量分析探讨了1994年至2023年间人工智能在护理教育中的研究热点和主题趋势	本文通过多种分析工具揭示了人工智能在护理教育中的研究热点和未来趋势	本文主要依赖文献计量分析，可能忽略了其他定性研究方法的贡献	探讨人工智能在护理教育中的研究热点和主题趋势	人工智能在护理教育中的应用	机器学习	NA	文献计量分析	NA	文本	135篇文章
17130	2024-09-14	Non-invasive prediction of axillary lymph node dissection exemption in breast cancer patients post-neoadjuvant therapy: A radiomics and deep learning analysis on longitudinal DCE-MRI data 2024-Oct, Breast (Edinburgh, Scotland) DOI:10.1016/j.breast.2024.103786 PMID:39137488	研究论文	本研究利用放射组学和深度学习分析纵向DCE-MRI数据，预测乳腺癌患者在新辅助治疗后腋窝淋巴结切除豁免的可能性	本研究引入了一种基于支持向量机的“数据整合”模型，显著提高了腋窝淋巴结状态评估的准确性	本研究为回顾性分析，样本量有限，需要进一步的前瞻性研究验证	开发一种精确的方法来评估乳腺癌患者在新辅助治疗后腋窝淋巴结的状态	乳腺癌患者在新辅助治疗后的腋窝淋巴结状态	数字病理学	乳腺癌	动态对比增强MRI (DCE-MRI)	支持向量机 (SVM)	图像	160名乳腺癌患者
17131	2024-09-14	Artificial intelligence-assisted grading for tear trough deformity 2024-Oct, Journal of plastic, reconstructive & aesthetic surgery : JPRAS DOI:10.1016/j.bjps.2024.07.048 PMID:39151284	研究论文	本文研究了利用智能手机摄影和人工智能深度学习技术辅助泪沟畸形分级的方法	首次展示了使用内置智能手机摄像头和AI深度学习程序对泪沟畸形进行分类的可行性	研究样本量相对较小，且仅使用了单一的智能手机摄像头	建立一个可靠且精确的数字图像分级模型，以辅助外科医生进行临床评估和手术决策	泪沟畸形	计算机视觉	NA	深度学习	NA	图像	504名患者和983张照片
17132	2024-08-20	Correction to "Physics-Informed Deep Learning Approach for Reintroducing Atomic Detail in Coarse-Grained Configurations of Multiple Poly(lactic acid) Stereoisomers" 2024-Sep-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01407 PMID:39158929	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
17133	2024-09-14	Enhancing early Parkinson's disease detection through multimodal deep learning and explainable AI: insights from the PPMI database 2024-09-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-70165-4 PMID:39251639	研究论文	研究通过多模态深度学习和可解释人工智能技术，利用PPMI数据库数据，提升帕金森病早期检测的准确性	引入了一种联合协同学习方法进行多模态融合，结合了不同的3D架构和新型激励网络（EN），并支持可解释人工智能（XAI）技术	NA	提升帕金森病早期检测的准确性	帕金森病的早期检测	机器学习	神经退行性疾病	多模态深度学习	DenseNet, ResNet, Vision Transformer (ViT)	影像和临床数据	利用了Parkinson's Progression Markers Initiative数据库的数据
17134	2024-09-14	Advancements in supervised deep learning for metal artifact reduction in computed tomography: A systematic review 2024-Sep-07, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111732 PMID:39265203	综述	本文系统回顾了监督式深度学习在计算机断层扫描中减少金属伪影的算法性能	介绍了基于深度学习的金属伪影减少算法在临床实践中的应用	需要标准化方法来评估基于深度学习的金属伪影减少算法在临床数据上的性能，以提高算法之间的可比性	提供当前监督式深度学习金属伪影减少算法在计算机断层扫描中的性能概述	监督式深度学习金属伪影减少算法在计算机断层扫描中的应用	计算机视觉	NA	深度学习	NA	图像	14项研究
17135	2024-09-14	Visible and near-infrared spectral imaging combined with robust regression for predicting firmness, fatness, and compositional properties of fresh pork bellies 2024-Sep-06, Meat science IF:5.7Q1 DOI:10.1016/j.meatsci.2024.109645 PMID:39265383	研究论文	研究利用可见光和近红外光谱成像结合稳健回归方法预测新鲜猪腹肉的硬度、脂肪含量和化学成分	首次将可见光和近红外光谱成像技术应用于预测猪腹肉的硬度、脂肪含量和化学成分，并提出了一种稳健的回归方法	研究仅限于猪腹肉样本，未来可扩展到其他肉类产品	探索可见光和近红外光谱成像技术在实时评估猪腹肉质量方面的潜力	猪腹肉的硬度、脂肪含量和化学成分	计算机视觉	NA	可见光和近红外光谱成像	迭代重加权偏最小二乘回归	光谱图像	182个猪腹肉样本
17136	2024-09-14	scNODE : generative model for temporal single cell transcriptomic data prediction 2024-09-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae393 PMID:39230694	研究论文	提出了一种名为scNODE的深度学习模型，用于预测未观测时间点的单细胞基因表达数据	scNODE结合了变分自编码器和神经常微分方程，通过连续非线性的潜在空间预测基因表达，并引入动态正则化项以增强模型对分布偏移的鲁棒性	NA	解决单细胞实验中由于资源和技术限制导致的离散和稀疏采样问题，以促进细胞发育分析	单细胞基因表达数据	机器学习	NA	深度学习	变分自编码器、神经常微分方程	基因表达数据	三个真实世界的scRNA-seq数据集
17137	2024-09-14	Multi-task deep latent spaces for cancer survival and drug sensitivity prediction 2024-09-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae388 PMID:39230696	研究论文	本文介绍了一种名为MODAE的新型深度学习算法，用于整合细胞系和患者的组学数据，以探索精准医学的机会	MODAE算法在药物敏感性迁移学习框架中引入了患者生存预测作为附加任务，旨在平衡自编码、领域适应、药物敏感性预测和生存预测目标，以更好地保留与生存相关的患者异质性	尽管MODAE在生存预测任务中表现与基线模型相当，但在药物敏感性预测任务中表现不佳	探索精准医学的机会，特别是通过整合细胞系和患者的组学数据来预测癌症患者的生存和药物敏感性	癌症患者的生存和药物敏感性	机器学习	癌症	深度学习	MODAE	组学数据	NA
17138	2024-09-14	Metadata-guided feature disentanglement for functional genomics 2024-09-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae403 PMID:39230700	研究论文	本文介绍了一种名为Metadata-guided Feature Disentanglement (MFD)的方法，用于从潜在的技术偏差中分离出生物学相关的特征	MFD方法通过将目标元数据纳入模型训练，条件化模型输出层的权重，并使用对抗性学习惩罚来强制特征子空间之间的独立性，从而实现特征解耦	NA	开发一种方法，从功能基因组学数据中分离出生物学相关的特征，同时减少技术偏差的影响	功能基因组学数据中的生物学相关特征和技术偏差	机器学习	NA	深度学习 (DL)	NA	基因组序列	NA
17139	2024-09-14	Improving dictionary-based named entity recognition with deep learning 2024-09-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae402 PMID:39230709	研究论文	本文通过深度学习方法改进了基于字典的命名实体识别，自动生成需要屏蔽的名称列表，从而提高了文本挖掘的精度	本文创新性地使用Transformer模型（BioBERT）进行实体类型分类，自动生成需要屏蔽的名称列表，显著提高了文本挖掘的精度	本文未详细讨论模型的召回率略有下降的问题	改进基于字典的命名实体识别方法，提高文本挖掘的精度	生物医学领域的基因、疾病、物种和化学物质四种实体类型	自然语言处理	NA	Transformer模型（BioBERT）	Transformer	文本	超过1250万个文本片段
17140	2024-09-14	Daily PM2.5 concentration prediction based on variational modal decomposition and deep learning for multi-site temporal and spatial fusion of meteorological factors 2024-Aug-29, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-024-13005-2 PMID:39207594	研究论文	本文提出了一种基于变分模态分解和深度学习的多站点时空融合气象因子预测每日PM2.5浓度的混合模型	该研究引入了新的混合模型VCBA，结合了变分模态分解、因果卷积神经网络、双向长短期记忆网络和注意力机制，用于时空融合的多站点数据预测	NA	准确预测每日PM2.5浓度，以保护环境和公众健康	PM2.5浓度及其影响因素	机器学习	NA	变分模态分解（VMD）	因果卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）	气象数据	太原市多个站点