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
1	2024-08-05	A two-step convolutional neural network based computer-aided detection scheme for automatically segmenting adipose tissue volume depicting on CT images 2017-Jun, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2017.03.017 PMID:28495009	研究论文	本研究开发并测试了一种基于深度学习的计算机辅助检测方案，能够自动分割CT图像中的亚胚脂肪和内脏脂肪区域	提出了一种两步卷积神经网络（CNN）框架，克服了传统方法对单一CT图像切片评估脂肪区域的限制	该研究使用的CT图像数据集是回顾性收集的，可能受到数据选择偏差的影响	研究目的在于提高CT图像中脂肪区域自动分割的准确性	研究对象为人类的CT图像，尤其是涉及亚胚脂肪区域和内脏脂肪区域的图像	计算机视觉	肿瘤风险	深度学习	卷积神经网络（CNN）	CT图像	2,240个CT切片用于选择，84,000个像素补丁用于分割
2	2024-08-05	A deep learning based strategy for identifying and associating mitotic activity with gene expression derived risk categories in estrogen receptor positive breast cancers 2017-06, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.23065 PMID:28192639	研究论文	本文探讨了一种基于深度学习的策略，用于识别和关联雌激素受体阳性乳腺癌中的有丝分裂活性与基因表达相关风险类别	提出了一种深度学习分类器，以识别ER+乳腺癌的有丝分裂图像，并与Oncotype DX风险类别相关联	BR等级存在显著的观察者间变异性，可能会影响结果的准确性	开发深度学习分类器以识别ER+乳腺癌全切片图像中的有丝分裂图像	使用174个早期ER+乳腺癌的全切片图像进行研究	数字病理学	乳腺癌	深度学习	支持向量机	图像	174个全切片图像