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
19821	2024-08-09	De novo prediction of cancer-associated T cell receptors for noninvasive cancer detection 2020-08-19, Science translational medicine IF:15.8Q1 DOI:10.1126/scitranslmed.aaz3738 PMID:32817363	研究论文	本文开发了一种名为DeepCAT的深度学习方法，用于从头预测与癌症相关的T细胞受体（TCRs），并验证了其在癌症诊断中的应用	首次使用深度学习方法DeepCAT进行癌症相关TCRs的从头预测，为无创癌症检测提供新途径	NA	开发一种新的深度学习方法，用于早期癌症的无创检测	癌症相关的T细胞受体（TCRs）	机器学习	NA	深度学习	深度学习模型	TCR序列	超过250名癌症患者和600名健康个体的血液TCR序列
19822	2024-08-09	Automatic Hip Fracture Identification and Functional Subclassification with Deep Learning 2020-Mar, Radiology. Artificial intelligence DOI:10.1148/ryai.2020190023 PMID:33937815	研究论文	研究使用深度学习自动识别和分类髋部骨折的可行性	开发了一种深度学习模型，能够自动识别和分类髋部骨折，其性能达到专家水平，并能辅助提高人类观察者的表现	NA	探索使用深度学习自动识别和分类髋部骨折的可行性，以减少诊断错误和缩短手术时间	髋部和骨盆X光片	计算机视觉	NA	深度学习	Densely Connected Convolutional Neural Network (DenseNet)	图像	1118项研究的髋部和骨盆X光片，3026个髋部被标记
19823	2024-08-09	Imaging Advances in Chronic Obstructive Pulmonary Disease. Insights from the Genetic Epidemiology of Chronic Obstructive Pulmonary Disease (COPDGene) Study 2019-02-01, American journal of respiratory and critical care medicine IF:19.3Q1 DOI:10.1164/rccm.201807-1351SO PMID:30304637	综述	本文总结了COPDGene研究中影像学发现对慢性阻塞性肺病（COPD）理解的主要进展	介绍了通过影像学特征如早期间质性肺异常、肺气肿的视觉存在及模式等，对COPD发病机制和预后的新见解，以及使用深度学习进行COPD表型分型的研究	NA	旨在理解慢性阻塞性肺病的病因、进展和异质性	超过10,000名当前和曾经的吸烟者	数字病理学	慢性阻塞性肺病	计算机断层扫描	深度学习	影像数据	超过10,000名参与者
19824	2024-08-08	Strengths and limitations of web servers for the modeling of TCRpMHC complexes 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.06.028 PMID:39104710	研究论文	本文比较了三个流行的网络服务器（ImmuneScape、TCRpMHCmodels和TCRmodel2）在模拟TCRpMHC复合物结构方面的优缺点	研究采用了不同的建模策略，包括对接、同源建模和深度学习，并对这些方法的准确性进行了评估	研究仅限于人类MHC等位基因，并且依赖于已有的实验确定的晶体结构数据	评估和比较不同网络服务器在模拟TCRpMHC复合物结构方面的性能	TCRpMHC复合物的三维结构	生物信息学	NA	对接、同源建模、深度学习	NA	蛋白质结构	87个TCRpMHC复合物
19825	2024-08-08	Preeclampsia and its prediction: traditional versus contemporary predictive methods 2024-Dec, The journal of maternal-fetal & neonatal medicine : the official journal of the European Association of Perinatal Medicine, the Federation of Asia and Oceania Perinatal Societies, the International Society of Perinatal Obstetricians DOI:10.1080/14767058.2024.2388171 PMID:39107137	综述	本文综述了子痫前期的流行病学、病因、病理生理及风险因素，并重点讨论了人工智能深度学习技术在预测子痫前期中的新兴作用	人工智能模型在预测子痫前期方面展现出较高的准确性和价值，特别是在预测晚发型子痫前期方面表现出色	传统的子痫前期预测模型在敏感性和特异性方面存在显著局限，尤其是预测晚发型子痫前期的检出率仅为30%至50%	探讨人工智能深度学习技术在子痫前期预测中的应用，以提高预测方法的临床应用	子痫前期的预测方法及其在临床上的应用	机器学习	妊娠相关疾病	人工智能深度学习	AI模型	NA	NA
19826	2024-08-08	Artificial intelligence in musculoskeletal imaging: realistic clinical applications in the next decade 2024-Sep, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-024-04684-6 PMID:38902420	综述	本文综述了深度学习在肌肉骨骼疾病检测中的应用，这些应用在未来十年内有潜力转化为常规临床实践	深度学习方法在骨折检测、儿童骨龄估计、骨测量计算及骨关节炎分级等方面显示出高诊断性能	深度学习方法在MRI上的肌肉骨骼疾病检测面临多任务、多类别检测的挑战，且由于不同扫描仪和脉冲序列导致的图像质量波动，其泛化能力受限	评估深度学习方法在肌肉骨骼疾病检测中的诊断性能，并探讨其在临床实践中的潜在益处	深度学习在肌肉骨骼疾病检测中的应用	计算机视觉	NA	深度学习	DL	图像	使用不同机构、不同成像参数和成像硬件获取的大量图像数据
19827	2024-08-08	Pure tone audiogram classification using deep learning techniques 2024-Sep, Clinical otolaryngology : official journal of ENT-UK ; official journal of Netherlands Society for Oto-Rhino-Laryngology & Cervico-Facial Surgery IF:1.7Q2 DOI:10.1111/coa.14170 PMID:38745553	研究论文	本研究开发了一个基于深度学习技术的纯音听力图分类框架	深度学习方法在所有任务中均优于其他方法，实现了高准确率、精确度、召回率和F1分数	NA	开发一个能够准确分类各种常见任务听力图的深度学习框架	纯音听力图的分类	机器学习	NA	深度学习	NA	图像	12518份听力图，来自6259名患者
19828	2024-08-08	Artificial intelligence enhances whole-slide interpretation of PD-L1 CPS in triple-negative breast cancer: A multi-institutional ring study 2024-Sep, Histopathology IF:3.9Q1 DOI:10.1111/his.15205 PMID:38747491	研究论文	本文提出了一种基于深度学习的方法，通过细胞分析和组织区域分析，结合全切片级别的融合，来提高三阴性乳腺癌中PD-L1 CPS的评估一致性和准确性	使用人工智能辅助诊断方法，显著提高了不同级别病理学家在PD-L1 CPS评估中的一致性和重复性	NA	建立一种客观有效且高度可重复的方法来评估三阴性乳腺癌中PD-L1 CPS	三阴性乳腺癌中的PD-L1 CPS	数字病理	乳腺癌	深度学习	深度学习模型	图像	21名来自四个机构的不同级别的病理学家参与评估
19829	2024-08-08	Modern acceleration in musculoskeletal MRI: applications, implications, and challenges 2024-Sep, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-024-04634-2 PMID:38441617	研究论文	本文综述了现代加速技术在肌肉骨骼MRI中的应用、影响和挑战	引入了加速技术如并行成像、同时多切片采集和压缩感知，实现了高达八倍的扫描速度提升，同时保持图像质量和分辨率	实施快速成像协议会影响工作流程、间接成本和MRI技术人员及放射科医生的工作量，需要谨慎管理	探讨加速技术在肌肉骨骼MRI中的应用，以提高患者访问和舒适度，并促进可持续的成像实践	肌肉骨骼MRI的加速技术及其临床应用	医学成像	NA	MRI加速技术，包括并行成像、同时多切片采集和压缩感知	深度学习图像重建	图像	NA
19830	2024-08-08	Two-Dimensional Laplace NMR Reconstruction through Deep Learning Enhancement 2024-Aug-07, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.4c05211 PMID:39046081	研究论文	本文提出了一种结合物理知识和数据驱动深度学习的二维拉普拉斯核磁共振（NMR）重建方法	该方法通过构建正向过程模型来模拟多维衰减信号之间的关系，并利用非迭代神经网络算法从合成数据中自动获取先验信息，避免了繁琐的参数调整	NA	改进二维拉普拉斯NMR的处理和重建	二维拉普拉斯NMR信号	机器学习	NA	深度学习	神经网络	NMR信号	NA
19831	2024-08-08	Application of artificial intelligence in cancer diagnosis and tumor nanomedicine 2024-Aug-07, Nanoscale IF:5.8Q1 DOI:10.1039/d4nr01832j PMID:39021117	综述	本文综述了人工智能在医学和纳米医学领域的应用，特别是其在癌症诊断中的重要性和挑战	探讨了人工智能在癌症诊断中利用结构化、非结构化和多模态融合数据的关键作用，并介绍了其在纳米医学传感器和纳米肿瘤药物中的应用	文章讨论了人工智能在癌症诊断中面临的挑战，并提出了未来的发展方向	旨在探讨人工智能在癌症诊断中的应用及其对提高癌症检测和患者预后的潜在影响	人工智能在癌症诊断和肿瘤纳米医学中的应用	机器学习	NA	深度学习	卷积神经网络	多模态数据	NA
19832	2024-08-08	GalaxyDock-DL: Protein-Ligand Docking by Global Optimization and Neural Network Energy 2024-Aug-07, Journal of chemical theory and computation IF:5.7Q1 DOI:10.1021/acs.jctc.4c00385 PMID:39109987	研究论文	本文介绍了一种基于全局优化和神经网络能量的蛋白质-配体对接方法GalaxyDock-DL，该方法通过深度学习训练能量函数来封装物理效应，从而显著提高对接性能	GalaxyDock-DL方法在训练数据上的过拟合程度较低，且不依赖已知的结合口袋中心位置信息，而是系统地依赖于目标蛋白质-配体复合物的物理性质	NA	提高蛋白质-配体复合体结构预测的性能，并指导生物功能配体的有效设计	蛋白质-配体复合体的结构预测和结合亲和力的预测	生物信息学	NA	深度学习	神经网络	结构数据	NA
19833	2024-08-08	Deep learning-based dose prediction for magnetic resonance-guided prostate radiotherapy 2024-Aug-06, Medical physics IF:3.2Q1 DOI:10.1002/mp.17312 PMID:39106418	研究论文	本文开发了一种基于深度学习的剂量预测管道，用于前列腺MR-Linac治疗	利用深度学习技术快速预测剂量分布和剂量学评估标准，以辅助选择适应方法并减少治疗时间	仅在特定条件下进行了验证，可能需要进一步的临床验证	开发一种基于深度学习的剂量预测方法，以优化前列腺MR-Linac治疗的适应性放射治疗	前列腺癌患者接受MR-Linac治疗的剂量分布	机器学习	前列腺癌	深度学习	CNN	图像	35名前列腺癌患者的212张MR图像
19834	2024-08-08	Automated Detection of Maxillary Sinus Opacifications Compatible with Sinusitis from CT Images 2024-Aug-06, Dento maxillo facial radiology DOI:10.1093/dmfr/twae042 PMID:39107903	研究论文	本研究开发了一种基于深度学习的自动检测模型，用于从CT图像中诊断上颌窦炎	采用基于You Only Look Once（YOLO）的模型进行物体检测，并通过迁移学习方法和数据增强技术提高了模型的鲁棒性	在挑战性测试数据集上，模型的精确度有所下降	提高上颌窦炎诊断的准确性，区分上颌窦炎、潴留囊肿和正常窦	上颌窦炎、潴留囊肿和正常窦的CT图像	计算机视觉	鼻窦炎	深度学习	YOLOv8n	图像	1080张冠状位CT图像，包括2158个上颌窦，其中1138个正常窦，366个囊肿，654个窦炎
19835	2024-08-08	scTab: Scaling cross-tissue single-cell annotation models 2024-Aug-04, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-51059-5 PMID:39098889	研究论文	本文提出了一种名为scTab的自动化细胞类型预测模型，专门针对表格数据，并通过新颖的数据增强方案在大规模单细胞RNA-seq数据集上进行训练	scTab模型能够处理大规模数据集，并通过数据增强方案提高模型在跨组织注释中的泛化能力	NA	开发能够在大规模单细胞RNA-seq数据集上进行跨组织细胞类型预测的自动化模型	单细胞RNA-seq数据的细胞类型预测	机器学习	NA	单细胞RNA-seq	神经网络	表格数据	2220万细胞
19836	2024-08-08	PLEKv2: predicting lncRNAs and mRNAs based on intrinsic sequence features and the coding-net model 2024-Aug-02, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-024-10662-y PMID:39095710	研究论文	本文介绍了PLEKv2工具，该工具基于内在序列特征和编码网络模型，用于预测长非编码RNA（lncRNA）和信使RNA（mRNA）	PLEKv2相较于传统工具和基于深度学习的模型，在人类数据集上的预测准确率提高了8.1%至48.9%，并且在跨物种预测中表现出超过90%的准确率	NA	开发一种快速准确的工具来区分lncRNA和mRNA转录本	lncRNA和mRNA	生物信息学	NA	NA	CNN	序列数据	NA
19837	2024-08-08	An EEG-based marker of functional connectivity: detection of major depressive disorder 2024-Aug, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-023-10041-5 PMID:39104678	研究论文	本研究提出了一种基于脑电图（EEG）信号的新型功能连接标记P-MSWC，并利用卷积神经网络（CNN）识别重度抑郁症（MDD）	本研究结合同步挤压小波变换和相干理论，提出了P-MSWC融合特征，该特征能全面捕捉原始EEG信号的信息并具有显著的抗噪能力	NA	开发一种快速且可靠的重度抑郁症检测方法	重度抑郁症患者与健康人群的脑功能连接差异	机器学习	精神疾病	同步挤压小波变换	CNN	脑电图信号	单一数据集准确率达到99.92%，合并数据集准确率达到97.86%
19838	2024-08-08	Cognitive workload estimation using physiological measures: a review 2024-Aug, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-023-10051-3 PMID:39104683	综述	本文综述了利用生理测量方法估计认知工作负荷的研究进展	详细分析了所有生理测量方法在估计认知工作负荷中的应用	仍需探索所有生理测量方法在估计认知工作负荷中的详细分析	深入分析生理测量方法在评估认知工作负荷中的应用	认知工作负荷的生理测量方法	认知神经科学	NA	机器学习, 深度学习	NA	生理数据	NA
19839	2024-08-08	ADHD/CD-NET: automated EEG-based characterization of ADHD and CD using explainable deep neural network technique 2024-Aug, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-023-10028-2 PMID:39104684	研究论文	本研究提出了一种基于脑电图（EEG）的深度学习系统ADHD/CD-NET，用于客观区分注意力缺陷多动障碍（ADHD）、ADHD合并行为障碍（CD）和单纯行为障碍（CD）	本研究首次提出了一种基于EEG的深度学习系统ADHD/CD-NET，能够客观区分ADHD、ADHD合并CD和单纯CD，并通过Grad-CAM技术解释了CNN模型的预测结果	NA	研究目的是开发一种能够客观区分ADHD和CD的深度学习系统，以减少误诊风险	研究对象包括ADHD、ADHD合并CD和单纯CD患者	机器学习	儿童神经发育障碍	脑电图（EEG）	卷积神经网络（CNN）	脑电信号	内部数据集包括45名ADHD患者、62名ADHD合并CD患者和16名CD患者；外部公共数据集包括61名ADHD患者和60名健康对照
19840	2024-08-08	Deep learning networks based decision fusion model of EEG and fNIRS for classification of cognitive tasks 2024-Aug, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-023-09986-4 PMID:39104699	研究论文	本研究通过深度学习网络对EEG和fNIRS数据进行决策融合，以分类认知任务	研究展示了EEG和fNIRS数据融合在分类认知任务中的性能优于单一数据源	NA	探索EEG和fNIRS数据融合在认知任务分类中的应用	EEG和fNIRS数据在认知任务分类中的应用	机器学习	NA	深度学习	CNN, LSTM, GRU, CNN-LSTM, CNN-GRU, LSTM-GRU, CNN-LSTM-GRU	时间序列数据	数据集01包含26名受试者，数据集02包含29名受试者