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
19101	2024-08-21	Predicting Emission Spectra of Heteroleptic Iridium Complexes Using Artificial Chemical Intelligence 2024-Aug-19, Chemphyschem : a European journal of chemical physics and physical chemistry IF:2.3Q2 DOI:10.1002/cphc.202400176 PMID:38752882	研究论文	本文报道了一种基于深度学习的方法，用于精确预测磷光异配位[Ir( )( )]配合物的发射光谱	该方法利用图神经网络和其他化学特征，能够超越传统DFT和相关波函数方法的准确性，并对不完美的训练光谱具有鲁棒性	NA	旨在快速发现新型Ir(III)染料，用于有机发光二极管和太阳能燃料电池等应用	磷光异配位[Ir( )( )]配合物的发射光谱	机器学习	NA	深度学习	图神经网络	实验数据	NA
19102	2024-08-21	Enhancing dental interns' proficiency in operating electronic facebows through scenario-training-based deep learning method 2024-Aug-19, Journal of dental education IF:1.4Q3 DOI:10.1002/jdd.13696 PMID:39160763	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
19103	2024-08-21	An efficient colorectal cancer detection network using atrous convolution with coordinate attention transformer and histopathological images 2024-08-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-70117-y PMID:39154091	研究论文	本研究提出了一种结合坐标注意力变换器和空洞卷积的新型结直肠癌检测网络（CCDNet），用于提高组织病理学图像中癌症分类和肿瘤定位的准确性	引入了一种新的空洞卷积与坐标注意力变换器（AConvCAT），结合了两种网络的优势，通过捕捉局部和全局信息来分类不同尺度的结直肠组织	NA	提高结直肠癌在组织病理学图像中的检测准确性	结直肠癌的组织病理学图像	计算机视觉	结直肠癌	空洞卷积	CNN	图像	使用了结直肠组织病理学图像和NCT-CRC-HE-100K数据集
19104	2024-08-21	Application of artificial intelligence in the diagnosis and treatment of Kawasaki disease 2024-Aug-16, World journal of clinical cases IF:1.0Q3 DOI:10.12998/wjcc.v12.i23.5304 PMID:39156094	评论	本文评论了人工智能在川崎病诊断和治疗中的应用潜力和局限性	探讨了机器学习、基因信号计算工具箱和深度学习在川崎病诊断中的创新应用	强调了提高AI决策准确性、保护患者个人信息和明确AI决策责任的重要性	探讨人工智能在川崎病诊断和治疗中的应用	川崎病的诊断和治疗	机器学习	川崎病	机器学习 (ML), 深度学习 (DL)	NA	医学数据	NA
19105	2024-08-21	Prediction of non-muscle invasive bladder cancer recurrence using deep learning of pathology image 2024-08-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-66870-9 PMID:39147803	研究论文	本研究旨在构建基于深度学习的病理图像分析模型，用于预测非肌肉浸润性膀胱癌（NMIBC）的早期复发	本研究通过两阶段的补丁级预测和全切片级预测，构建了一个病理图像分析模型，并进行了迁移学习，以提高模型的泛化能力	NA	开发一种基于深度学习的病理图像分析模型，用于预测非肌肉浸润性膀胱癌的早期复发	非肌肉浸润性膀胱癌（NMIBC）患者的病理图像	数字病理学	膀胱癌	深度学习	CNN	图像	训练集包含147名患者，测试集包含63名患者
19106	2024-08-21	Empowering vertical farming through IoT and AI-Driven technologies: A comprehensive review 2024-Aug-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e34998 PMID:39157372	综述	本文全面分析了机器学习和物联网技术在垂直农业系统中的应用	通过集成人工智能和物联网技术，解决了垂直农业中多指标监测、营养建议和植物诊断系统的难题	文章未明确提及具体的局限性	探讨如何利用现代技术提高垂直农业的效率和产量	垂直农业系统中的疾病检测、作物产量预测、营养和灌溉控制管理	计算机视觉	NA	机器学习（ML）、深度学习（DL）、物联网（IoT）、图像处理	NA	图像	NA
19107	2024-08-21	Hybridizing mechanistic modeling and deep learning for personalized survival prediction after immune checkpoint inhibitor immunotherapy 2024-Aug-14, NPJ systems biology and applications IF:3.5Q1 DOI:10.1038/s41540-024-00415-8 PMID:39143136	研究论文	本研究结合预测性机制建模和深度学习方法，预测个体患者在接受免疫检查点抑制剂（ICI）免疫治疗后的生存概率	提出了一种混合方法，结合了可从机制模型计算的测量值和易于测量的患者特征，提高了预测准确性	NA	旨在提高个体患者在接受ICI免疫治疗后的生存预测准确性	个体患者的生存概率	机器学习	NA	深度学习	深度学习时间-事件预测模型	混合机制+临床数据	93名患者
19108	2024-08-21	Deep learning-assisted multispectral imaging for early screening of skin diseases 2024-Aug, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2024.104292 PMID:39069204	研究论文	本研究介绍了一种基于多光谱成像（MSI）的方法，用于早期筛查和检测皮肤表面病变	该方法通过捕获多波长图像数据，能够检测组织中的细微光谱变化，显著增强对各种皮肤状况的区分	NA	旨在引入一种基于多光谱成像的方法，用于早期筛查和检测皮肤表面病变	皮肤表面病变，包括黑色素细胞痣、疣、脂溢性角化病和牛皮癣	计算机视觉	皮肤疾病	多光谱成像	一维卷积神经网络	图像	NA
19109	2024-08-21	Optical imaging for diabetic retinopathy diagnosis and detection using ensemble models 2024-Aug, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2024.104259 PMID:38944405	研究论文	本文利用基于卷积神经网络（CNN）的模型和集成学习方法，通过光学成像技术诊断和检测糖尿病视网膜病变（DR）	提出了一种结合多种深度学习模型（如VGG19、Resnet50和InceptionV3）的集成方法，以提高糖尿病视网膜病变的检测性能和鲁棒性	NA	开发一种新的方法来早期诊断糖尿病视网膜病变	糖尿病视网膜病变	计算机视觉	糖尿病	卷积神经网络（CNN）	集成模型	图像	使用公开的视网膜图像数据集进行评估
19110	2024-08-21	Prediction of the short-term efficacy and recurrence of photodynamic therapy in the treatment of oral leukoplakia based on deep learning 2024-Aug, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2024.104236 PMID:38851310	研究论文	本研究构建了一个基于深度学习的模型，用于预测氨基酮戊酸光动力疗法（ALA-PDT）治疗口腔白斑（OLK）的短期疗效和复发情况	本研究通过结合临床变量和深度学习自动编码器提取的病理切片特征，提高了预测模型的性能	基于临床病理特征的预测模型对短期疗效有很好的预测效果，但对复发的预测效果有限	预测ALA-PDT治疗OLK的短期疗效和复发情况	口腔白斑（OLK）患者接受ALA-PDT治疗后的短期疗效和复发情况	机器学习	口腔疾病	深度学习	自动编码器	图像	未明确提及具体样本数量
19111	2024-08-21	Optical Coherence Tomography Versus Optic Disc Photo Assessment in Glaucoma Screening 2024-Aug-01, Journal of glaucoma IF:2.0Q2 DOI:10.1097/IJG.0000000000002392 PMID:38546240	综述	本文综述了光学相干断层扫描（OCT）和视盘摄影在青光眼筛查中的优势和局限	引入人工智能（AI）和深度学习模型以提高视盘摄影的诊断准确性，通过自动化检测青光眼性视神经病变和减少主观性	OCT成本较高且便携性较差，而视盘摄影受限于主观解读和评分可靠性；AI模型的有效性依赖于训练数据的质量	探讨OCT和视盘摄影在青光眼筛查中的应用，并评估AI技术整合的可能性	光学相干断层扫描（OCT）和视盘摄影技术	NA	青光眼	光学相干断层扫描（OCT）	深度学习模型	图像	NA
19112	2024-08-21	Barriers and Potential Solutions to Glaucoma Screening in the Developing World: A Review 2024-Aug-01, Journal of glaucoma IF:2.0Q2 DOI:10.1097/IJG.0000000000002404 PMID:38625838	综述	本文综述了发展中国家青光眼筛查的障碍及潜在解决方案	提出了利用人工智能和深度学习技术来建立有效的青光眼筛查程序	NA	探讨发展中国家青光眼筛查的障碍并提出解决方案	青光眼筛查的障碍和促进因素	NA	青光眼	人工智能 (AI), 深度学习 (DL)	NA	NA	NA
19113	2024-08-21	A novel groundnut leaf dataset for detection and classification of groundnut leaf diseases 2024-Aug, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2024.110763 PMID:39156669	研究论文	本研究提供了一个新的花生叶部疾病检测与分类数据集，包含1720张在实际种植田中拍摄的健康和病害花生叶图像	该研究首次提供了一个专门针对花生叶部疾病的数据集，用于训练和评估深度学习模型	NA	旨在促进开发先进的深度学习方法，帮助农民准确识别花生叶部疾病，提高产量	花生叶部疾病	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	1720张花生叶图像
19114	2024-08-21	An annotated image dataset of pests on different coloured sticky traps acquired with different imaging devices 2024-Aug, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2024.110741 PMID:39156668	research paper	本文介绍了一个新的图像数据集，该数据集包含两种常见储粮害虫（赤拟谷盗和米象）在不同颜色粘虫板上的图像，使用三种不同设备（DSLR、网络摄像头和智能手机）拍摄	首次提供了一个包含不同颜色粘虫板和不同成像设备拍摄的害虫图像数据集，用于计算机视觉和深度学习算法的研究	NA	研究计算机视觉和机器学习在自动识别和计数粘虫板上害虫的应用	赤拟谷盗和米象	computer vision	NA	NA	deep learning	image	包含两种害虫在四种颜色粘虫板上的图像，使用三种不同设备拍摄，并分为训练、验证和测试部分
19115	2024-08-21	The artificial intelligence in autopsy and crime scene analysis 2024 Jul-Aug, La Clinica terapeutica DOI:10.7417/CT.2024.5114 PMID:39101424	综述	本文综述了人工智能技术在法医学领域中的应用，特别是在尸检和犯罪现场分析中的应用	人工智能技术如机器学习、深度学习、机器人技术和人工神经网络被应用于法医学领域，提高了尸检的精确性和效率	尽管人工智能在尸检中的应用提高了效率和准确性，但其集成需要谨慎平衡技术进步和伦理责任，以确保法医实践的信任和完整性	探讨人工智能在法医学中的应用，特别是在尸检和犯罪现场分析中的应用	分析人工智能在法医学和尸检领域的应用	人工智能	NA	机器学习, 深度学习, 机器人技术, 人工神经网络	NA	NA	NA
19116	2024-08-21	DeepRisk: A deep learning approach for genome-wide assessment of common disease risk 2024-Jul, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2024.02.015 PMID:39156563	研究论文	本文介绍了一种基于深度学习的DeepRisk方法，用于评估常见疾病的遗传风险	DeepRisk方法通过深度学习模型捕捉单核苷酸多态性（SNPs）之间的复杂非线性关联，改进了传统的多基因风险评分方法	NA	开发一种更有效的方法来评估常见疾病的遗传风险	常见疾病如阿尔茨海默病、炎症性肠病、2型糖尿病和乳腺癌	机器学习	NA	深度学习	深度学习模型	基因型数据	NA
19117	2024-08-21	A review of deep learning methods for ligand based drug virtual screening 2024-Jul, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2024.02.011 PMID:39156568	综述	本文综述了深度学习方法在基于配体的药物虚拟筛选中的应用	探讨了如何总结现有的深度学习在药物虚拟筛选中的应用，选择不同模型解决不同的药物筛选问题，并进一步提高深度学习在药物虚拟筛选中的能力	未具体提及	旨在总结和分析深度学习方法在药物虚拟筛选中的应用，并探讨未来的挑战和方向	深度学习模型在药物虚拟筛选中的性能	机器学习	NA	深度学习	CNN, LSTM, GAN等	数据集	构建了不同大小的数据集来评估深度学习模型在大规模配体虚拟筛选中的性能
19118	2024-08-21	Machine learning for the identification of phase transitions in interacting agent-based systems: A Desai-Zwanzig example 2024-Jul, Physical review. E DOI:10.1103/PhysRevE.110.014121 PMID:39160966	研究论文	本文提出了一种数据驱动的框架，用于在Desai-Zwanzig模型中识别相变，使用比传统封闭形式模型更少的变量	使用扩散映射算法识别数据驱动的潜变量集，并利用深度学习框架进行数据驱动坐标的共形重参数化	NA	研究基于代理的模型中的相变和噪声诱导过渡	Desai-Zwanzig模型	机器学习	NA	扩散映射算法	残差神经网络	数据驱动坐标	NA
19119	2024-08-21	Predicting treatment response in multicenter non-small cell lung cancer patients based on federated learning 2024-Jun-05, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-024-12456-7 PMID:38840081	研究论文	本文基于联邦学习框架，设计了一种多中心非小细胞肺癌患者治疗反应预测模型，以预测非小细胞肺癌患者的缓解概率，同时确保医疗数据隐私和高预测准确性及计算效率。	本文采用联邦学习方法，通过在本地保留数据、进行本地模型训练和聚合模型参数，有效解决了多中心数据直接整合的挑战，同时保证了患者隐私和数据安全。	NA	开发一种能够有效预测多中心非小细胞肺癌患者化疗和放疗反应的模型，同时保护患者隐私。	非小细胞肺癌患者及其治疗反应。	机器学习	肺癌	联邦学习	CNN	图像	245名接受化疗和放疗的非小细胞肺癌患者
19120	2024-08-21	Spatial and geometric learning for classification of breast tumors from multi-center ultrasound images: a hybrid learning approach 2024-Jun-05, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01307-3 PMID:38840240	研究论文	本研究开发了一种混合学习方法，用于从多中心超声图像中分类乳腺肿瘤，提取更多潜在特征	提出了一种结合卷积神经网络（CNN）和图神经网络（GNN）的混合学习方法，从空间和几何层面提取特征	NA	开发一种辅助工具，帮助医生决定是否进行进一步的检查或治疗	乳腺肿瘤的分类	机器学习	乳腺癌	深度学习	CNN 和 GNN	图像	使用了三个多中心数据集（BUSI, BUS, OASBUD）