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
18001	2024-08-27	Neuroimaging biomarkers for the diagnosis and prognosis of patients with disorders of consciousness 2024-Nov-15, Brain research IF:2.7Q3 DOI:10.1016/j.brainres.2024.149133 PMID:39084451	综述	本文综述了利用神经影像学和电生理技术在意识障碍患者中诊断和预后评估的神经影像生物标志物的研究进展	神经影像技术能够揭示传统行为评估可能忽视的隐蔽意识，结合不同任务范式或分析方法可以显著提高诊断和预后的准确性	神经生物标志物的稳定性仍需进一步验证，未来研究可能需要结合大数据和深度学习方法	探讨神经影像生物标志物在意识障碍患者中的临床应用价值	意识障碍患者的脑活动模式	神经影像学	意识障碍	功能性磁共振成像(fMRI)、静息态功能磁共振成像(rs-fMRI)、脑电图(EEG)、正电子发射断层扫描(PET)	NA	影像数据	NA
18002	2024-08-27	Multi-instance learning attention model for amyloid quantification of brain sub regions in longitudinal cognitive decline 2024-Nov-01, Brain research IF:2.7Q3 DOI:10.1016/j.brainres.2024.149103 PMID:38955250	研究论文	本研究旨在开发一种深度学习模型，通过PET扫描自动检测大脑不同区域的淀粉样蛋白沉积，无需相应的MRI扫描	提出了一种基于多实例学习和注意力的深度学习模型，该模型在ADNI和A4研究的外部数据集上表现优于现有模型	NA	开发一种能够仅通过PET扫描自动检测大脑不同区域淀粉样蛋白沉积的深度学习模型	大脑不同区域的淀粉样蛋白沉积	机器学习	阿尔茨海默病	PET扫描	多实例学习注意力模型	图像	2647个F-Florbetapir PET扫描用于训练和验证，1413个F-Florbetapir PET扫描用于外部数据集测试
18003	2024-08-27	An integrated CBLA-Net with fractional discrete wavelet transform and frequency-based CARS to predict heavy metal elements by XRF 2024-Sep-22, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2024.343073 PMID:39182974	研究论文	本文提出了一种综合框架，用于通过XRF预测土壤中重金属元素的浓度，包括预处理、变量选择和决策制定	引入了基于分数离散小波变换的最优去噪方法和基于频率的竞争自适应重加权采样算法进行特征选择，并设计了一种新的深度学习网络CBLA-Net，用于精确估计重金属元素浓度	NA	提高通过XRF技术预测土壤中重金属元素浓度的准确性	土壤中的重金属元素浓度	机器学习	NA	XRF	CBLA-Net	光谱数据	未具体说明样本数量
18004	2024-08-27	In vivo ultrasound localization microscopy for high-density microbubbles 2024-Sep, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2024.107410 PMID:39084108	研究论文	本文介绍了一种结合Transformer和U-Net架构的深度学习框架ULM-TransUNet，用于提高高密度微泡条件下的超声定位显微成像质量	提出了ULM-TransUNet框架，能够学习重叠微泡的复杂数据模式，提高定位精度	目前仅通过数值模拟和体内实验验证，尚未在临床广泛应用	旨在提高高密度微泡条件下的超声定位显微成像性能	高密度微泡的超声定位显微成像	计算机视觉	NA	超声定位显微成像（ULM）	Transformer和U-Net	图像	具体样本数量未在摘要中提及
18005	2024-08-27	Spectral analysis enhanced net (SAE-Net) to classify breast lesions with BI-RADS category 4 or higher 2024-Sep, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2024.107406 PMID:39047350	research paper	本文提出了一种名为SAE-Net的新型网络，结合组织微观结构信息与形态学信息，用于提高高级别乳腺病变的识别	SAE-Net通过结合灰度图像分支和光谱模式分支，能够同时学习图像形态学特征和超声射频信号的微观结构特征	NA	提高乳腺超声筛查中高级别乳腺病变的识别准确性	乳腺病变，特别是BI-RADS分类为4级或以上的病变	computer vision	breast cancer	NA	CNN	image	NA
18006	2024-08-27	Deep coherence learning: An unsupervised deep beamformer for high quality single plane wave imaging in medical ultrasound 2024-Sep, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2024.107408 PMID:39094387	研究论文	本文提出了一种新的无监督学习方法——深度相干学习（DCL），用于提高医学超声中单平面波成像（PWI）的质量	提出的DCL-based深度学习波束形成器（DL-DCL）能够从低质量的单平面波数据中生成高质量的PWI，并具有通用波束形成能力	NA	旨在通过深度学习技术提高医学超声中单平面波成像的质量	医学超声中的单平面波成像	计算机视觉	NA	深度学习	深度相干学习（DCL）	图像	使用公开数据集进行了模拟、幻影和体内研究
18007	2024-08-27	A Multiscale Connected UNet for the Segmentation of Lung Cancer Cells in Pathology Sections Stained Using Rapid On-Site Cytopathological Evaluation 2024-Sep, The American journal of pathology DOI:10.1016/j.ajpath.2024.05.011 PMID:38897537	研究论文	本研究提出了一种基于深度学习的分割算法，用于快速现场细胞病理学评估（ROSE），以提高内镜超声引导下经支气管针吸活检（EBUS-TBNA）手术中的诊断效率	该算法通过使用CUNet3+网络模型，能够准确分割ROSE染色病理切片中的癌细胞团簇，并在准确性上优于传统的分割算法	NA	提高肺癌早期检测的准确性	肺癌细胞在ROSE染色病理切片中的分割	数字病理学	肺癌	深度学习	CUNet3+	图像	内部测试数据集
18008	2024-08-27	Deep Learning Classification and Quantification of Pejorative and Nonpejorative Architectures in Resected Hepatocellular Carcinoma from Digital Histopathologic Images 2024-Sep, The American journal of pathology DOI:10.1016/j.ajpath.2024.05.007 PMID:38879083	研究论文	本研究利用基于ResNet34的监督式深度学习方法，对680张全切片图像（WSIs）进行分析，构建了一种算法用于识别和量化肝细胞癌切除标本中的有害和非有害结构	本研究首次采用深度学习技术识别和量化肝细胞癌中的有害结构，并验证了其在预测复发风险中的有效性	研究仅在一个外部医院的数据集上进行了验证，需要进一步在更多数据集上验证其泛化能力	开发一种基于人工智能的特征的复合预测算法，用于早期肝细胞癌切除后的复发预测	肝细胞癌切除标本中的有害和非有害结构	数字病理学	肝细胞癌	深度学习	ResNet34	图像	680张全切片图像（WSIs）来自107个肝切除标本，以及29个来自另一个医院的肝细胞癌样本
18009	2024-08-27	Deep learning based diagnosis of PTSD using 3D-CNN and resting-state fMRI data 2024-Sep, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2024.111845 PMID:38908302	研究论文	本研究使用基于深度学习的三维卷积神经网络（3D-CNN）和静息态功能磁共振成像（rs-fMRI）数据来诊断创伤后应激障碍（PTSD）	本研究首次使用3D-CNN模型对rs-fMRI数据进行分析，显示出比其他六种机器学习技术更高的分类准确率	NA	旨在通过分类PTSD患者与健康对照来准确检测PTSD	PTSD患者与健康对照的rs-fMRI扫描数据	机器学习	心理疾病	功能磁共振成像（fMRI）	三维卷积神经网络（3D-CNN）	图像	19名PTSD男性患者和24名健康对照男性
18010	2024-08-27	scSwinFormer: A Transformer-Based Cell-Type Annotation Method for scRNA-Seq Data Using Smooth Gene Embedding and Global Features 2024-Aug-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00616 PMID:39101690	研究论文	本文介绍了一种基于Transformer的深度学习方法scSwinFormer，用于大规模scRNA-seq数据的细胞类型注释	scSwinFormer通过平滑基因嵌入模块和自注意力模块捕捉基因间的潜在依赖关系，并利用Cell Token整合scRNA-seq数据中的全局信息，提高了细胞类型注释的准确性	NA	开发一种新的方法来提高scRNA-seq数据细胞类型注释的准确性	scRNA-seq数据的细胞类型注释	机器学习	NA	scRNA-seq	Transformer	基因表达数据	多个真实数据集
18011	2024-08-27	Denoising Drug Discovery Data for Improved Absorption, Distribution, Metabolism, Excretion, and Toxicity Property Prediction 2024-Aug-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00639 PMID:39108185	研究论文	本文开发了一种基于深度学习的去噪方案，用于提高小分子吸收、分布、代谢、排泄和毒性（ADMET）属性预测的准确性	首次提出使用训练误差（TE）作为噪声检测指标，通过微调原始模型与去噪数据来提高ADMET数据模型的性能	该方法主要适用于中等噪声的模型，对于低噪声和高噪声模型的性能改善有限	提高ADMET属性预测模型的准确性	小分子的ADMET属性	机器学习	NA	深度学习	NA	数据	NA
18012	2024-08-27	DDSBC: A Stacking Ensemble Classifier-Based Approach for Breast Cancer Drug-Pair Cell Synergy Prediction 2024-Aug-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01101 PMID:39116326	研究论文	本文介绍了一种针对乳腺癌药物组合细胞协同作用的堆叠集成分类器DDSBC	DDSBC专门针对乳腺癌设计，与跨癌症类型的现有模型相比，提供了更专注的方法	在某些指标上，其他方法略微超过DDSBC 1-2%	旨在提高乳腺癌药物组合协同作用的预测准确性	乳腺癌药物组合的细胞协同作用	机器学习	乳腺癌	NA	堆叠集成分类器	NA	NA
18013	2024-08-27	Transformers for Molecular Property Prediction: Lessons Learned from the Past Five Years 2024-Aug-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00747 PMID:39136669	综述	本文综述了过去五年中使用transformer模型进行分子性质预测的研究进展	分析了当前可用的模型，并探讨了训练和微调transformer模型时出现的关键问题，如预训练数据的选择和规模、最佳架构选择以及有前景的预训练目标	强调了比较不同模型时的挑战，需要标准化的数据分割和稳健的统计分析	旨在从当前使用transformer模型进行分子性质预测的研究中提炼见解	分析transformer模型在分子性质预测中的应用	机器学习	NA	transformer模型	transformer	分子数据	NA
18014	2024-08-27	MGNDTI: A Drug-Target Interaction Prediction Framework Based on Multimodal Representation Learning and the Gating Mechanism 2024-Aug-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00957 PMID:39137398	研究论文	本文提出了一种基于多模态表示学习和门控机制的药物-靶点相互作用预测框架MGNDTI	MGNDTI通过多模态表示学习和门控机制，有效提取药物和靶点的联合表示，并在多个数据集上显著优于现有方法	NA	加速药物发现和促进药物再定位	药物-靶点相互作用预测	机器学习	NA	图卷积网络	多模态门控网络	序列数据，分子图	使用了四个数据集（Human, BioSNAP, BindingDB）进行实验
18015	2024-08-27	The use of artificial neural networks in studying the progression of glaucoma 2024-08-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-70748-1 PMID:39179625	研究论文	本文利用人工神经网络研究青光眼的发展过程，通过分析医疗记录中的数据来预测和辅助诊断	本文采用医疗记录数据而非图像处理，能够包含大量参数，突出其潜在影响	处理医疗记录数据较为困难	研究青光眼的发展过程，支持早期诊断和个性化治疗	青光眼患者	机器学习	眼科疾病	人工神经网络	神经网络	医疗记录	大量参数
18016	2024-08-27	Evaluation of perceived urgency from single-trial EEG data elicited by upper-body vibration feedback using deep learning 2024-08-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-70508-1 PMID:39179642	研究论文	本研究利用深度学习方法，从单次脑电图（EEG）数据中评估由上身振动反馈引起的感知紧迫性	引入了一种新的方法，通过结合2D卷积神经网络和时间卷积网络来捕捉脑电图的空间和时间特征，以评估感知紧迫性	提出的模型仅在 urgency-via-vibration 数据集上进行了测试，可能影响研究结果的泛化性	评估在关键通知期间由振动反馈引起的紧迫性水平	通过脑电图技术评估用户的认知状态	机器学习	NA	脑电图（EEG）	2D卷积神经网络和时间卷积网络	脑电图数据	涉及三个紧迫性类别（不紧急、紧急和非常紧急）的单次脑电图数据
18017	2024-08-27	A novel image semantic communication method via dynamic decision generation network and generative adversarial network 2024-Aug-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-70619-9 PMID:39179724	研究论文	本文提出了一种新的图像语义通信模型，该模型结合了动态决策生成网络和生成对抗网络，以有效压缩传输图像并减少重建图像的失真	该模型通过语义编码和动态决策生成网络在发射端根据信道的信噪比选择特征，并在接收端通过生成器/解码器与判别器网络合作，通过对抗和感知损失提高图像重建质量	NA	解决图像语义通信中有效压缩传输图像和减少重建图像失真的挑战	图像语义通信模型	计算机视觉	NA	生成对抗网络	生成对抗网络	图像	使用CIFAR-10数据集进行实验
18018	2024-08-27	MSH-DTI: multi-graph convolution with self-supervised embedding and heterogeneous aggregation for drug-target interaction prediction 2024-Aug-23, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-024-05904-5 PMID:39179993	研究论文	本文提出了一种名为MSH-DTI的深度学习模型，用于预测药物-靶点相互作用	模型采用自监督学习方法获取药物和靶点结构特征，并设计了异构交互增强特征融合模块进行多图构建，使用图卷积网络提取节点特征	现有DTI预测模型通常依赖有限的数据提取药物和靶点特征，且异构信息的整合常涉及简单的聚合和注意力机制	开发一种新的深度学习模型，以提高药物-靶点相互作用预测的准确性和全面性	药物-靶点相互作用	机器学习	NA	图卷积网络	CNN	图数据	使用DTINet数据集进行实验
18019	2024-08-27	A hierarchical deep learning approach for diagnosing impacted canine-induced root resorption via cone-beam computed tomography 2024-Aug-23, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-024-04718-4 PMID:39180070	研究论文	本研究使用深度学习方法自动评估通过锥束计算机断层扫描（CBCT）图像诊断犬齿诱导的根吸收（CIRR）	提出了分层深度学习方法，通过有限CBCT数据提高了CIRR诊断的准确性	需要更大样本量的未来研究来验证所提方法在医学图像分类任务中的有效性	利用深度学习自动评估CBCT图像中的CIRR诊断	犬齿诱导的根吸收（CIRR）	计算机视觉	口腔疾病	锥束计算机断层扫描（CBCT）	3D ResNet, 3D U-Net	图像	50个CBCT图像，176颗切牙
18020	2024-08-27	Deep learning of multimodal networks with topological regularization for drug repositioning 2024-Aug-23, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-024-00897-y PMID:39180095	研究论文	本文介绍了一种名为STRGNN的新型图深度学习方法，用于通过包含蛋白质、RNA、代谢物和化合物的广泛多模态网络预测药物-疾病关系	STRGNN方法整合了包括转录组、蛋白质组和代谢组在内的全面多组学数据，并开发了一种具有拓扑正则化的学习算法，该算法能够选择性地利用信息模态并过滤冗余	NA	提高药物发现和再定位的计算技术	药物-疾病关系预测	机器学习	NA	深度学习	图深度学习	多组学数据	NA