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
19361	2024-08-28	DeepNC: a framework for drug-target interaction prediction with graph neural networks 2022, PeerJ IF:2.3Q2 DOI:10.7717/peerj.13163 PMID:35578674	研究论文	本文提出了一种基于图神经网络的药物-靶点相互作用预测框架DeepNC	DeepNC框架利用三种图神经网络算法（GENConv、GCNConv和HypergraphConv）学习药物和靶点的特征，并通过全连接层预测结合亲和力值	NA	构建一种先进的基于深度学习的药物-靶点相互作用预测模型	药物和靶点的结合亲和力	机器学习	NA	图神经网络	GNN	图	使用了三个数据集（Davis、Kiba和Allergy）进行模型评估
19362	2024-08-28	Cleanup Sketched Drawings: Deep Learning-Based Model 2022, Applied bionics and biomechanics IF:1.8Q3 DOI:10.1155/2022/2238077 PMID:35578715	研究论文	本文提出了一种基于全卷积网络（FCNN）的深度学习模型，用于简化粗糙的栅格草图图像	该模型能够自动生成高质量的简化草图图像，有效解决了粗糙草图图像中的噪声、不必要背景和低分辨率问题	NA	研究如何使用深度学习技术自动清理和改进粗糙绘图	粗糙的栅格草图图像	计算机视觉	NA	深度学习	全卷积网络（FCNN）	图像	三个公开的栅格图像数据集
19363	2024-08-28	Automated bone marrow cytology using deep learning to generate a histogram of cell types 2022, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-022-00107-6 PMID:35603269	研究论文	本文开发了一种基于深度学习的端到端系统，用于自动化骨髓细胞学分析，并生成细胞类型直方图	提出了一种新的细胞类型直方图（HCT）表示方法，用于量化骨髓细胞类别概率分布，作为细胞学患者指纹	NA	开发一种支持人工智能的计算病理学技术，以提高血液学诊断的效率和准确性	骨髓细胞学分析	计算机视觉	血液疾病	深度学习	NA	图像	NA
19364	2024-08-28	AANet: Attentive All-level Fusion Deep Neural Network Approach for Multi-modality Early Alzheimer's Disease Diagnosis 2022, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:37128453	研究论文	本文提出了一种名为AANet的新系统，用于融合多层次和多模态患者数据，包括3D脑图像、患者人口统计学、遗传学和血液生物标志物，以进行早期阿尔茨海默病诊断。	AANet通过自注意力机制的全层次融合方法，自动调整各层次MRI图像特征、患者人口统计学、血液生物标志物和遗传数据的权重，实现了多模态数据的有效整合。	NA	开发一种新的深度学习框架，用于多模态数据融合的疾病诊断。	早期阿尔茨海默病的诊断。	机器学习	阿尔茨海默病	深度学习	CNN	图像、文本	数据来自阿尔茨海默病神经成像倡议
19365	2024-08-28	Assessment of the CASP14 assembly predictions 2021-12, Proteins IF:3.2Q2 DOI:10.1002/prot.26199 PMID:34337786	研究论文	本文评估了CASP14中39个研究小组提交的超过2500个蛋白质复合物三维模型的预测性能	文章展示了结合传统技术与深度学习方法在蛋白质复合物预测中的有效性，并指出AlphaFold2预测在界面预测中的潜在帮助	文章指出，对于没有整体模板复合物的预测仍面临重大挑战	评估CASP14中蛋白质复合物结构预测的准确性和挑战	CASP14中的22个蛋白质复合物	计算机视觉	NA	模板基础建模、蛋白质对接、深度学习基础的接触预测	深度学习模型	3D模型	超过2500个3D模型，涉及22个蛋白质复合物
19366	2024-08-28	Clinical Artificial Intelligence Applications: Breast Imaging 2021-Nov, Radiologic clinics of North America IF:2.1Q2 DOI:10.1016/j.rcl.2021.07.010 PMID:34689871	review	本文简要概述了人工智能在临床乳腺影像学中的发展	随着影像技术的发展，人工智能技术采用了更复杂的算法、更快的计算机和更大的数据集	NA	探讨人工智能在乳腺影像学中的应用	乳腺影像学中的检测、诊断及治疗反应评估任务	computer vision	breast cancer	AI	deep learning	image	NA
19367	2024-08-28	BI-RADS-NET: AN EXPLAINABLE MULTITASK LEARNING APPROACH FOR CANCER DIAGNOSIS IN BREAST ULTRASOUND IMAGES 2021-Oct, IEEE International Workshop on Machine Learning for Signal Processing : [proceedings]. IEEE International Workshop on Machine Learning for Signal Processing DOI:10.1109/mlsp52302.2021.9596314 PMID:35509454	研究论文	本文介绍了BI-RADS-Net，一种用于乳腺癌超声图像检测的可解释多任务学习深度学习方法	该方法通过学习与临床诊断相关的特征表示，同时解释和分类乳腺肿瘤，并提供基于形态学特征的预测解释	NA	开发一种可解释的深度学习方法，用于乳腺癌超声图像的癌症检测	乳腺肿瘤的检测和分类	计算机视觉	乳腺癌	深度学习	CNN	图像	1,192张图像
19368	2024-08-28	Predict Alzheimer's disease using hippocampus MRI data: a lightweight 3D deep convolutional network model with visual and global shape representations 2021-05-24, Alzheimer's research & therapy DOI:10.1186/s13195-021-00837-0 PMID:34030743	研究论文	本文提出了一种基于海马体MRI数据和全局形状表示的轻量级3D深度卷积网络模型DenseCNN2，用于阿尔茨海默病的分类	DenseCNN2模型结合了海马体分割和全局形状特征，提高了分类性能	NA	开发一种高效的阿尔茨海默病分类诊断工具	阿尔茨海默病患者和正常对照组的海马体MRI数据	机器学习	阿尔茨海默病	MRI	CNN	图像	326名阿尔茨海默病患者和607名正常对照组的海马体MRI数据
19369	2024-08-28	High-resolution 3D abdominal segmentation with random patch network fusion 2021-04, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2020.101894 PMID:33421919	研究论文	本文提出了一种基于随机空间初始化和统计融合的补丁网络，用于高分辨率3D腹部器官分割。	该方法通过随机空间初始化和统计融合在重叠区域的关注点（ROI）上，提高了多器官分割的性能。	NA	研究高分辨率3D腹部器官分割的挑战性问题。	3D腹部器官在高分辨率CT上的分割。	计算机视觉	NA	3D全卷积网络（FCN）	补丁网络	图像	260名受试者
19370	2024-08-28	Dental microfracture detection using wavelet features and machine learning 2021-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2580744 PMID:35505894	研究论文	本文提出了一种结合高分辨率锥束计算机断层扫描（CBCT）和机器学习算法来检测牙齿微裂纹的方法	该方法通过使用小波金字塔构造生成相位图像，并利用U-Net深度学习架构定位裂纹的方向和范围，提供了一种新的量化牙齿结构破坏的方法	目前该模型仅在2D切片上进行了验证，未来的工作将扩展到3D体积，并改进特征提取和临床验证	开发一种新的算法来早期检测牙齿微裂纹，以提高治疗效果和牙齿保留时间	研究对象为提取的人类牙齿，包括裂纹牙齿和对照牙齿	机器学习	NA	CBCT	U-Net	图像	22颗裂纹牙齿和14颗对照牙齿
19371	2024-08-28	Deep learning-based detection and segmentation of diffusion abnormalities in acute ischemic stroke 2021, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-021-00062-8 PMID:35602200	研究论文	本文开发了一种基于深度学习的工具，用于检测和分割急性缺血性卒中的扩散异常	提出的模型在小型病变中表现优于通用网络和DeepMedic，具有较低的假阳性率、平衡的精确度和敏感性，以及对数据扰动的鲁棒性	NA	开发一种高效的工具，用于检测和分割急性卒中的扩散异常	急性和亚急性缺血性卒中患者的扩散加权MRI图像	计算机视觉	脑血管疾病	深度学习	NA	图像	2,348例临床扩散加权MRI图像，以及280例外部数据集MRI图像
19372	2024-08-28	A deep learning framework for drug repurposing via emulating clinical trials on real-world patient data 2021-Jan, Nature machine intelligence IF:18.8Q1 DOI:10.1038/s42256-020-00276-w PMID:35603127	研究论文	本文介绍了一种基于真实世界患者数据模拟临床试验的深度学习框架，用于药物再利用的候选药物生成和测试	该框架结合了因果推断和深度学习方法，模拟随机临床试验，用于大规模医疗索赔数据库中的药物再利用	NA	开发一种高效的、易于定制的框架，用于药物再利用的候选药物生成和测试	冠状动脉疾病患者群体	机器学习	心血管疾病	深度学习	NA	电子健康记录和保险索赔数据	数百万冠状动脉疾病患者
19373	2024-08-28	Drug-target affinity prediction using graph neural network and contact maps 2020-May-27, RSC advances IF:3.9Q2 DOI:10.1039/d0ra02297g PMID:35517730	research paper	本文利用分子和蛋白质的结构信息，分别构建药物分子和蛋白质的图结构，并引入图神经网络获取其表示，提出了一种名为DGraphDTA的方法进行药物-靶标亲和力预测。	本文提出了一种基于图神经网络和接触图的药物-靶标亲和力预测方法DGraphDTA，该方法利用蛋白质的序列预测其结构特征，提高了预测的准确性和泛化能力。	NA	提高计算机辅助药物设计中药物-靶标亲和力预测的准确性。	药物分子和蛋白质的结构信息及其相互作用。	machine learning	NA	图神经网络	图神经网络	图结构	NA
19374	2024-08-28	Towards machine learned quality control: A benchmark for sharpness quantification in digital pathology 2018-04, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2017.09.001 PMID:29241972	研究论文	本文介绍了一种用于模糊检测的基准数据集，并比较了当前最先进的清晰度描述符及其在随机森林框架内的预测性能，同时展示了卷积神经网络如残差网络可以从头开始训练模糊检测器。	提出了一个用于模糊检测的基准数据集，并展示了卷积神经网络在训练模糊检测器方面的应用，以及在临床设置中测试了该框架，显示出优于现有质量控制流程的性能。	未提及具体限制。	旨在解决数字病理学中高吞吐量扫描的质量控制问题。	数字病理学中的模糊区域检测。	数字病理学	NA	卷积神经网络	CNN	图像	未提及具体样本数量。
19375	2024-08-27	Research on terahertz image analysis of thin-shell seeds based on semantic segmentation 2024-Dec-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.124897 PMID:39094271	研究论文	本研究探讨了结合太赫兹时域光谱和成像与语义分割模型，用于快速无损评估薄壳种子内部结构和质量特征	本研究首次采用DeepLab V3+模型进行种子组织自动分割，显著提高了速度和准确性	NA	探索太赫兹成像技术与深度学习模型在薄壳种子内部结构和质量评估中的应用	120个来自三种不同品种的西瓜种子	计算机视觉	NA	太赫兹时域光谱和成像	DeepLab V3+	图像	120个西瓜种子样本
19376	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
19377	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
19378	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
19379	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
19380	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