深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
101	2024-08-05	Deep convolutional neural network for segmentation of knee joint anatomy 2018-12, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.27229 PMID:29774599	研究论文	本文描述了一种新的分割方法，采用深度卷积神经网络（CNN）、三维全连接条件随机场（CRF）和三维单纯形可变形建模来提高膝关节组织分割的效率和准确性	创新点在于结合了深度卷积神经网络、三维全连接CRF和三维单纯形可变形建模，形成高分辨率的多类组织分类方案	NA	旨在提高膝关节组织分割的效率和准确性	研究对象为膝关节的12种不同关节结构的组织	计算机视觉	NA	3D快速自旋回波MR影像数据集	CNN	图像	NA	NA	NA	NA	NA
102	2024-08-05	Colour and illumination in computer vision 2018-Aug-06, Interface focus IF:3.6Q1 DOI:10.1098/rsfs.2018.0008 PMID:29951188	评论	本文回顾了光照估计的历史和当前算法，并质疑深度学习在这一问题上的有效性	提出了一种基于单纯光照估计算法的最终偏差修正阶段的新方法，强调以曝光不变的方式进行偏差修正	未详细探讨其他算法的应用场景和比较数据	旨在改善计算机视觉中的光照估计准确性和效率	光照估计算法的理论和应用	计算机视觉	NA	NA	NA	图像	NA	NA	NA	NA	NA
103	2024-08-05	An Algorithm Based on Deep Learning for Predicting In-Hospital Cardiac Arrest 2018-06-26, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.118.008678 PMID:29945914	研究论文	本研究提出了一种基于深度学习的预警系统，用于预测院内心脏骤停	该系统表现出比现有的传统追踪和触发系统更高的性能，具有更高的敏感性和更低的误报警率	此研究基于回顾性队列，样本来源于两家医院，可能存在外部有效性限制	研究旨在提高对院内心脏骤停的预测能力	研究对象为2010年6月至2017年7月期间住院的患者共52,131例	机器学习	心脏疾病	深度学习	循环神经网络	医疗数据	52,131名患者	NA	NA	NA	NA
104	2024-08-07	Prediction of protein self-interactions using stacked long short-term memory from protein sequences information 2018-12-21, BMC systems biology DOI:10.1186/s12918-018-0647-x PMID:30577794	研究论文	本文开发了一种基于堆叠长短期记忆（SLSTM）神经网络的深度学习模型，用于预测蛋白质自相互作用	首次应用深度学习方法预测蛋白质自相互作用，并结合Zernike矩（ZMs）和位置特异性权重矩阵（PSWM）进行特征提取	NA	开发一种高效的计算方法来预测蛋白质自相互作用，以弥补传统实验方法的不足	蛋白质自相互作用	机器学习	NA	深度学习	SLSTM	序列	使用了酵母和人类蛋白质自相互作用数据集	NA	NA	NA	NA
105	2024-08-07	Automatic seizure detection using three-dimensional CNN based on multi-channel EEG 2018-12-07, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-018-0693-8 PMID:30526571	研究论文	本文提出了一种基于多通道脑电图（EEG）的三维卷积神经网络（CNN）来自动检测癫痫发作	首次尝试应用三维CNN从EEG中检测癫痫发作，提供了一种从多通道EEG信号中同时学习模式的新方法	NA	旨在提供一个有效的自动癫痫发作检测系统	多通道EEG信号	机器学习	癫痫	三维卷积神经网络（3D CNN）	CNN	脑电图（EEG）数据	13名患者的EEG数据	NA	NA	NA	NA
106	2024-08-07	Deep Learning-Based Automated Classification of Multi-Categorical Abnormalities From Optical Coherence Tomography Images 2018-Nov, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.7.6.41 PMID:30619661	研究论文	本文开发了一种基于深度学习的智能系统，用于自动分类光学相干断层扫描（OCT）图像中的多类别异常	该系统能够自动检测并区分各种OCT图像，准确度极高，性能与人类专家相当或更优	NA	开发一种新的基于深度学习的智能系统，用于自动分类OCT图像	60,407张OCT图像，由17位持牌视网膜专家标记，其中25,134张图像被纳入研究	计算机视觉	NA	深度学习	ResNet	图像	25,134张OCT图像	NA	NA	NA	NA