深度学习模型

搜索
登录

深度学习模型

文章数：5篇

Nature：用可解释的深度学习模型，研发对抗超级耐药菌的全新抗生素

据世界卫生组织数据显示，2019年全球约有120万人死于由抗生素耐药性加剧的细菌感染，这已超过艾滋病导致的死亡人数。近日，麻省理工学院研究人员在Nature发表最新研究，利用人工智能和可解释的深度学习模型，从超过1200万种化合物中识别出一种全新的新型抗生素类型，可以杀死临床上常见的超级细菌耐甲氧西林金黄色葡萄球菌。这些化合物对人类细胞的毒性很低，因此成为特别有希望的抗生素候选者，值得关注。

人工智能药物研发研究论文基础研究抗生素耐药

柯嘉等：基于核磁共振的深度学习模型可预测直肠癌预后

深度学习模型有可能改善直肠癌的预后，但尚未得到系统评估。近日，中山大学附属第六医院柯嘉及团队在Radiology发表最新研究，纳入中国725名直肠癌患者盆腔的核磁共振扫描结果分训练集和验证集，发现基于核磁共振开发的深度学习模型可较好的预测直肠癌预后，值得关注。

核磁共振深度学习模型研究论文基础研究预测模型

药物-组学关联

Nature子刊：利用深度学习模型挖掘药物与多组学数据间的关联

先前多项研究已经证明测序技术和多组学的快速发展，极大促进了疾病标记物的识别和精准医学的发展，但有效整合多组学数据和表型数据的规模和异质性，并且进一步深入挖掘数据间的关联仍存在较大地挑战。近日，丹麦哥本哈根大学研究人员在Nature Biotechnology发表最新研究，开发了一个基于深度学习的多组变分自编码器（MOVE），并且将这一方法应用于789名新诊断的2型糖尿病患者的多组学表型数据，以探究药物与组学表型间的关系。发现MOVE能够有效整合处理多组学和表型数据，并能更灵敏地挖掘出药物-组学间的关联，其中二甲双胍和奥美拉唑对多组学数据影响最明显，值得关注。

药物-组学关联 T2D患者研究论文基础研究深度学习模型

天津医科大学：结直肠癌光学诊断的深度学习模型

结肠镜检查常被用于筛查结直肠癌。天津医科大学李祥春和陈可欣与团队合作在Nature Communications发表文章，报道了最新研发的用于结直肠癌光学诊断的深度学习模型CRCNet。经过3个测试集的检测，CRCNet在部分测试集中诊断的准确度和召回率上优于内窥镜专家，其余则与专家相当，表现出临床应用的潜能。

结直肠癌内窥镜影像深度学习模型诊断

北肿团队：用深度学习预测直肠癌术前新辅助放化疗的效果

术前新辅助放化疗（NCRT）的反应评估是局部进展期直肠癌的一个挑战。近年来，深度学习（DL）已广泛应用于肿瘤诊断和治疗。来自北京大学肿瘤医院的孙应实研究团队在Radiology发表最新研究，建立并验证了一种基于弥散峰度和T2加权核磁共振（MRI）预测直肠癌NCRT反应的DL方法。该研究发现基于弥散峰态MRI的DL模型在预测病理完全缓解方面表现良好，可帮助放射科医师评估局部进展期直肠癌NCRT后的缓解情况。

直肠癌深度学习模型病理完全反应新辅助放化疗