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
19781	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
19782	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
19783	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
19784	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
19785	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
19786	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
19787	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
19788	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
19789	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）
19790	2024-08-21	Prediction of Visual Field Progression with Baseline and Longitudinal Structural Measurements Using Deep Learning 2024-06, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2024.02.007 PMID:38354971	研究论文	本研究开发了一种深度学习算法，用于基于基线和纵向结构测量预测视野进展。	本研究首次使用深度学习模型结合基线和序列结构测量来预测青光眼患者的视野进展。	模型需要进一步的临床验证，并且仅在特定数据集上进行了测试。	开发一种能够利用基线和纵向结构数据预测青光眼患者视野进展的深度学习算法。	3079只眼睛（1765名患者）的青光眼患者，具有至少5次视野检查和3年以上的随访。	机器学习	青光眼	深度学习	Siamese神经网络	图像	3079只眼睛（1765名患者）
19791	2024-08-21	Application of a Deep Learning System to Detect Papilledema on Nonmydriatic Ocular Fundus Photographs in an Emergency Department 2024-05, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2023.10.025 PMID:37926337	研究论文	本研究测试了改进版的BONSAI深度学习系统在非散瞳眼底照片中检测视乳头水肿的能力，并评估其在急诊部门的潜在应用价值	BONSAI深度学习系统能够可靠地区分正常与异常的视神经盘，并在检测视乳头水肿方面表现出高敏感性和特异性	NA	评估深度学习系统在急诊部门作为实时诊断辅助工具检测视乳头水肿的能力	非散瞳眼底照片中的视乳头水肿检测	计算机视觉	NA	深度学习	深度学习系统	图像	1608张照片，来自828名患者
19792	2024-08-21	AttnPep: A Self-Attention-Based Deep Learning Method for Peptide Identification in Shotgun Proteomics 2024-Apr-05, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.4c00147 PMID:38506788	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
19793	2024-08-21	Challenges in Reducing Bias Using Post-Processing Fairness for Breast Cancer Stage Classification with Deep Learning 2024-Apr, Algorithms IF:1.8Q2 DOI:10.3390/a17040141 PMID:38962581	研究论文	本文研究了使用深度学习模型进行乳腺癌分期分类时，通过后处理公平性减少偏差的挑战	量化了在训练数据中某些人口群体代表性不足的情况下，模型预测乳腺癌阶段的偏差，并探讨了后处理调整对改善模型性能的影响	后处理调整后，只有部分模型显示出性能改善，表明使用后处理实现公平性的挑战仍然存在	探讨在乳腺癌医学影像模型中减少偏差的方法	乳腺癌分期分类的深度学习模型	机器学习	乳腺癌	深度学习	深度学习模型	医学影像	1000个活检样本来自842名患者
19794	2024-08-21	Improving Deep Learning-Based Algorithm for Ploidy Status Prediction Through Combined U-NET Blastocyst Segmentation and Sequential Time-Lapse Blastocysts Images 2024 Apr-Jun, Journal of reproduction & infertility DOI:10.18502/jri.v25i2.16006 PMID:39157795	research paper	本文通过结合U-NET胚胎分割和时间序列胚胎图像，改进了基于深度学习的算法，用于预测胚胎的倍性状态	采用U-NET架构进行胚胎图像分割，并结合时间序列胚胎图像，提高了预测模型的准确性	NA	评估使用U-NET架构进行胚胎分割和时间序列胚胎图像提取的有效性，以提高胚胎倍性状态预测模型的准确性	胚胎的倍性状态预测	machine learning	NA	convolutional neural network (CNN)	U-NET, CNN	image	1,020个时间序列胚胎视频，生成31,642和99,324张胚胎图像
19795	2024-08-21	Hybridizing mechanistic mathematical modeling with deep learning methods to predict individual cancer patient survival after immune checkpoint inhibitor therapy 2024-Mar-29, Research square DOI:10.21203/rs.3.rs-4151883/v1 PMID:38586046	研究论文	本研究结合预测性机制建模与深度学习方法，预测个体癌症患者在接受免疫检查点抑制剂治疗后的生存概率	提出了一种混合方法，结合了可从机制模型计算但临床不易直接测量的指标和易于测量的临床特征，提高了预测准确性	NA	旨在提高个体癌症患者在接受免疫检查点抑制剂治疗后生存概率的预测准确性	癌症患者的生存概率	机器学习	NA	深度学习	人工神经网络	图像和临床数据	93名患者
19796	2024-08-21	Audio-Based Emotion Recognition Using Self-Supervised Learning on an Engineered Feature Space 2024-Mar, AI (Basel, Switzerland) DOI:10.3390/ai5010011 PMID:38715564	研究论文	本文研究了基于音频的情绪识别，通过在工程化的特征空间上应用自监督学习来提高模型性能	本文采用了自监督学习方法，在工程化的音频特征数据上进行预训练和微调，相较于直接使用原始音频数据的方法，这种方法在少量标注数据的情况下能显著提升模型性能	文章未明确提及具体的局限性	探索自监督学习在基于音频的情绪识别中的应用效果	研究对象为CMU-MOSEI数据集中的音频数据	机器学习	NA	自监督学习	NA	音频	使用了CMU-MOSEI数据集中的音频数据，具体样本数量未明确提及
19797	2024-08-21	AttnPep: A Self-Attention-Based Deep Learning Method for Peptide Identification in Shotgun Proteomics 2024-02-02, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.3c00729 PMID:38252705	研究论文	本文提出了一种基于自注意力机制的深度学习方法AttnPep，用于提高蛋白质组学中肽段鉴定的准确性	AttnPep利用自注意力模块帮助神经网络聚焦于与PSM分类相关的特征，忽略不相关的特征，从而提高PSM鉴定的准确性	NA	提高蛋白质组学中肽段鉴定的准确性	蛋白质组学中的肽段鉴定	机器学习	NA	深度学习	自注意力机制	质谱数据	复杂SWATH数据集
19798	2024-08-21	Prediction of multiclass surgical outcomes in glaucoma using multimodal deep learning based on free-text operative notes and structured EHR data 2024-01-18, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocad213 PMID:37964658	研究论文	本研究开发并评估了基于自由文本手术记录和结构化电子健康记录的多模态深度学习模型，用于预测青光眼手术的多类别结果	本研究首次将术中信息纳入多模态模型，用于预测青光眼手术的多类别结果，并展示了其在临床决策中的价值	NA	研究目的是通过整合术中信息，提高青光眼手术结果预测的准确性	青光眼手术的多类别结果预测	机器学习	青光眼	多模态深度学习	神经网络	文本和结构化数据	NA
19799	2024-08-21	Presegmenter Cascaded Framework for Mammogram Mass Segmentation 2024, International journal of biomedical imaging IF:3.3Q2 DOI:10.1155/2024/9422083 PMID:39155940	研究论文	本文提出了一种新颖的两阶段端到端级联框架，用于乳腺X线摄影图像中的乳腺肿块分割，该框架结合了潜在肿块区域的显著性图来指导深度学习模型进行乳腺肿块分割	引入预分割注意力（PSA）块在第二阶段分割模型中，使模型能够根据生成的显著性图动态适应乳腺X线图像中最具信息量的区域	当前的深度学习模型在乳腺X线摄影肿块分割中存在假阳性（FPs）、假阴性（FNs）和端到端方法的挑战	提高乳腺X线摄影图像中乳腺肿块分割的准确性，以支持早期癌症诊断和治疗计划	乳腺X线摄影图像中的乳腺肿块	计算机视觉	乳腺癌	深度学习（DL）	U-net	图像	使用了三个数据集：INbreast、CSAW-S和DMID
19800	2024-08-21	Automatic detection of fish scale circuli using deep learning 2024, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpae056 PMID:39155982	研究论文	本文介绍了一种使用卷积神经网络（CNN）自动从鱼鳞图像中提取生长数据的全自动方法	提出了一种基于CNN的自动化方法来检测鱼鳞的生长环（circuli），并能从多个径向轨迹中自动检测鱼鳞中心和个体生长环	在鱼鳞图像的淡水区域，生长带最为狭窄，导致circuli检测的置信度较低	开发一种自动化的方法来提取鱼鳞的生长数据，以便于鱼类年龄和生长分析	鱼鳞的生长环（circuli）	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	焦点检测器训练使用了725张鱼鳞图像，circuli检测器训练使用了40,678个circuli标注