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
101	2024-08-07	Deep Learning on Point Clouds and Its Application: A Survey 2019-Sep-26, Sensors (Basel, Switzerland) DOI:10.3390/s19194188 PMID:31561639	综述	本文综述了点云特征学习的现有方法，包括基于点和基于树的方法，并分析了它们的优缺点，介绍了点云特征学习的应用，并预测了未来的研究趋势	将深度学习应用于点云处理，探索了基于点和基于树的点云特征学习方法	文章未明确提及具体的技术局限性	综述点云特征学习的现有方法及其应用，并预测未来研究趋势	点云数据及其在3D物体分类、语义分割和3D物体检测中的应用	计算机视觉	NA	深度学习	CNN	点云	文章未提及具体样本数量
102	2024-08-07	A Survey of Vision-Based Human Action Evaluation Methods 2019-Sep-24, Sensors (Basel, Switzerland) DOI:10.3390/s19194129 PMID:31554229	综述	本文综述了基于视觉的人类动作评估方法和技术	介绍了动作评估研究中的运动检测和预处理、手工特征表示方法以及基于深度学习的特征表示方法	未提及具体限制	旨在设计用于自动评估人类动作质量的计算模型和评估方法	人类动作评估	计算机视觉	NA	深度学习	NA	骨骼数据	未提及具体样本数量
103	2024-08-07	Machine learning polymer models of three-dimensional chromatin organization in human lymphoblastoid cells 2019-08-15, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2019.03.002 PMID:30853548	研究论文	本文提出了结合一维序列特异性、表观基因组信息和转录因子结合位点的机器学习模型，用于解释在人类淋巴母细胞中观察到的长距离染色质环化现象	本文创新性地将机器学习模型与基于聚合物的生物物理模拟相结合，以预测高分辨率的拓扑关联域内相互作用	NA	研究目的是解释人类淋巴母细胞中观察到的长距离染色质环化现象	研究对象是人类淋巴母细胞中的三维染色质结构	机器学习	NA	ChIA-PET	随机森林、梯度提升机、深度学习模型	序列、表观基因组信息、转录因子结合位点	GM12878细胞系
104	2024-08-07	Beltrami-net: domain-independent deep D-bar learning for absolute imaging with electrical impedance tomography (a-EIT) 2019-07-23, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ab21b2 PMID:31091516	研究论文	本文提出了一种新的绝对电阻抗断层成像（a-EIT）图像重建方法，结合深度学习技术和实时鲁棒的D-bar方法，并探讨了先验信息对重建结果的影响	本文的创新点在于使用Beltrami方程生成训练数据，使得训练数据不受边界形状的限制，从而训练出更通用的网络	NA	开发并验证一种新的绝对电阻抗断层成像（a-EIT）图像重建方法的可行性	电阻抗断层成像（EIT）的图像重建	计算机视觉	NA	D-bar方法	CNN	图像	使用了来自两个EIT系统（ACT4和KIT4）的实验数据，训练集包含不同先验信息
105	2024-08-07	SPHERICAL U-NET FOR INFANT CORTICAL SURFACE PARCELLATION 2019-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/ISBI.2019.8759537 PMID:31681458	研究论文	本文提出了一种新颖的端到端深度学习方法，通过将表面分割任务转化为球面上的语义分割任务，用于婴儿皮质表面的精确分割	开发了针对球面网格数据表示的表面卷积、池化和上采样操作，并将U-Net和SegNet架构转换为球面表示	NA	旨在提高人类脑部MRI研究中皮质表面分割的准确性	婴儿的皮质表面	计算机视觉	NA	卷积神经网络（CNN）	U-Net	图像	90名新生儿
106	2024-08-07	Strategies to Reduce the Expert Supervision Required for Deep Learning-Based Segmentation of Histopathological Images 2019, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2019.00222 PMID:31681779	综述	本文综述了减少深度学习在组织病理学图像分割中所需专家监督的策略	提出了使用免疫组织化学标记作为标签、真实数据增强、生成对抗网络（GAN）和迁移学习等方法，以及利用不完美注释的替代学习策略	NA	旨在探讨自动化组织病理学图像分割所需的庞大标注图像数量的策略	组织病理学图像中的多种组织学对象（如细胞核、腺体等）的分割	数字病理学	NA	深度学习	生成对抗网络（GAN）	图像	数百或数千个组织病理学图像中的对象
107	2024-08-07	Applications of Deep-Learning in Exploiting Large-Scale and Heterogeneous Compound Data in Industrial Pharmaceutical Research 2019, Frontiers in pharmacology IF:4.4Q1 DOI:10.3389/fphar.2019.01303 PMID:31749705	研究论文	本文总结了深度学习技术在工业制药研究中处理大规模异构化合物数据的现状及其对药物发现过程的影响	深度学习技术在化学信息学和生物图像分析领域的应用，如活性预测、分子设计等	NA	探讨深度学习技术在工业制药研究中处理大规模化合物数据的应用	大规模异构化合物数据	机器学习	NA	深度学习	深度学习模型	化合物数据	数千至数百万化合物
108	2024-08-07	A Deep Learning Approach to Denoise Optical Coherence Tomography Images of the Optic Nerve Head 2019-10-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-51062-7 PMID:31595006	研究论文	本文提出了一种深度学习方法，用于去噪视神经头部的光学相干断层扫描（OCT）图像	使用自定义深度学习网络，能够成功去噪未见过的单帧OCT B扫描，提高图像质量和组织可见性	NA	开发一种能够在减少扫描时间的同时提高OCT图像质量的方法	视神经头部（ONH）组织的光学相干断层扫描（OCT）图像	计算机视觉	NA	深度学习	自定义深度学习网络	图像	训练数据包括2,328个'干净B扫描'及其对应的'噪声B扫描'，测试数据包括1,552个未见过的单帧B扫描
109	2024-08-07	Artificial intelligence reveals environmental constraints on colour diversity in insects 2019-10-07, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-12500-2 PMID:31591404	研究论文	本文利用深度学习技术分析了台湾近2000种蛾类的20,000多张图像，揭示了颜色特征在生态梯度上的微妙但稳健的变化模式	首次使用深度学习模型生成2048维特征向量，准确预测每个物种的平均海拔，并发现高海拔生物群落内的图像特征变化较小	NA	解释动物在广阔地理尺度上的颜色变化	台湾近2000种蛾类的颜色特征	计算机视觉	NA	深度学习	深度学习模型	图像	20,000多张图像，近2,000种蛾类
110	2024-08-07	Accuracy of deep learning to differentiate the histopathological grading of meningiomas on MR images: A preliminary study 2019-10, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.26723 PMID:30896065	研究论文	本研究评估了深度卷积神经网络（DCNN）在从磁共振成像（MR）图像中区分脑膜瘤组织病理学分级的诊断准确性	使用Inception-V3 DCNN在ADC图上提供了最佳的诊断准确性结果，AUC达到0.94	DCNN在PCT1 W图像上的区分准确性较低	确定深度卷积神经网络在从MR图像中区分脑膜瘤组织病理学分级的诊断准确性	117名脑膜瘤患者，包括79名WHO I级，32名WHO II级和6名WHO III级	计算机视觉	脑膜瘤	磁共振成像（MR）	深度卷积神经网络（DCNN）	图像	117名脑膜瘤患者
111	2024-08-07	Deep learning reveals untapped information for local white-matter fiber reconstruction in diffusion-weighted MRI 2019-10, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.07.012 PMID:31323317	研究论文	本文提出了一种基于残差块深度神经网络（ResDNN）的数据驱动方法，用于模拟扩散加权磁共振成像（DW-MRI）信号与真实结构之间的非线性映射，以重建局部白质纤维结构。	本文采用了一种新颖的数据驱动方法，通过深度神经网络回归模型，有效地填补了DW-MRI信号与真实结构之间的差距。	NA	研究目的是通过深度学习技术揭示DW-MRI中未被充分利用的信息，以提高白质纤维结构的重建精度。	研究对象包括松鼠猴脑部的3D组织学数据和人类连接组项目中的12名受试者的扫描重扫描数据。	计算机视觉	NA	扩散加权磁共振成像（DW-MRI）	残差块深度神经网络（ResDNN）	图像	训练数据包括两个松鼠猴脑部的3D组织学数据集，验证数据包括第三个松鼠猴脑部数据集和人类连接组项目中的12名受试者的数据。
112	2024-08-07	Automatic choroidal segmentation in OCT images using supervised deep learning methods 2019-09-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-49816-4 PMID:31527630	研究论文	本文提出了一系列基于补丁和全卷积的深度学习方法，用于自动分割OCT图像中的脉络膜边界	利用深度学习方法自动分割脉络膜边界，提高了分析效率和准确性	需要进一步优化网络架构和对比度增强方法以最大化性能	开发可靠和准确的方法来自动分割OCT图像中的脉络膜组织边界	OCT图像中的脉络膜边界	计算机视觉	NA	深度学习	CNN	图像	大量OCT图像
113	2024-08-07	Traffic Speed Prediction: An Attention-Based Method 2019-Sep-05, Sensors (Basel, Switzerland) DOI:10.3390/s19183836 PMID:31491921	研究论文	本文提出了一种基于时间聚类和层次注意力机制的交通速度预测方法（TCHA），以解决传统深度学习方法在交通速度预测中忽略空间和环境因素的问题	该方法通过时间聚类区分交通环境，并利用层次注意力机制提取每个时间步的特征，从而提高预测准确性	NA	提高智能交通系统中的短期交通速度预测准确性	交通速度预测	计算机视觉	NA	深度学习	注意力机制	交通数据	特定区域的交通数据
114	2024-08-07	Predicting functional variants in enhancer and promoter elements using RegulomeDB 2019-09, Human mutation IF:3.3Q2 DOI:10.1002/humu.23791 PMID:31228310	研究论文	本文介绍了一种名为Score of Unified Regulatory Features (SURF)的计算模型，用于预测增强子和启动子元件中的功能性变异	SURF模型在第五次基因组解释关键评估的“调控饱和”挑战中表现最佳，并且通过RegulomeDB查询的功能基因组数据特征提高了预测准确性	NA	开发和验证一种新的计算模型，用于预测调控区域中的功能性变异	增强子和启动子元件中的功能性变异	NA	NA	大规模并行报告分析	深度学习模型	DNA序列	NA
115	2024-08-07	Robust Self-Adaptation Fall-Detection System Based on Camera Height 2019-Aug-30, Sensors (Basel, Switzerland) DOI:10.3390/s19173768 PMID:31480384	研究论文	本研究构建了一个包含多种日常活动和跌倒事件的数据集，并研究了相机/传感器高度对跌倒检测准确性的影响	提出了一种增强跟踪和去噪的Alex-Net（ETDA-Net）来提高跟踪和去噪性能，并分类跌倒和非跌倒事件	NA	研究相机/传感器高度对跌倒检测准确性的影响	日常活动和跌倒事件	计算机视觉	NA	深度学习	CNN	图像	数据集中的每个活动由八名参与者在八个方向上进行，并使用深度相机在五个不同高度拍摄
116	2024-08-07	Deep learning enables automatic quantitative assessment of puborectalis muscle and urogenital hiatus in plane of minimal hiatal dimensions 2019-Aug, Ultrasound in obstetrics & gynecology : the official journal of the International Society of Ultrasound in Obstetrics and Gynecology IF:6.1Q1 DOI:10.1002/uog.20181 PMID:30461079	研究论文	本文利用深度学习技术自动分割并量化评估经会阴超声图像中的耻骨直肠肌和尿生殖裂孔	首次使用卷积神经网络（CNN）自动分割并量化耻骨直肠肌和尿生殖裂孔的尺寸	NA	开发一种自动且观察者独立的方法来测量尿生殖裂孔和耻骨直肠肌的尺寸	耻骨直肠肌和尿生殖裂孔的尺寸	计算机视觉	NA	深度学习	CNN	图像	1318个三维和四维经会阴超声体积数据集，来自253名未产妇
117	2024-08-07	Skin Lesion Segmentation in Dermoscopic Images with Combination of YOLO and GrabCut Algorithm 2019-Jul-10, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics9030072 PMID:31295856	研究论文	本文提出了一种结合YOLO和GrabCut算法的新型有效皮肤病变分割方法	该方法通过四个步骤实现皮肤病变分割，并在ISBI 2017数据集上实现了90%的灵敏度，优于其他基于深度学习的方法	NA	旨在提高计算机系统对皮肤癌早期和准确诊断的能力	皮肤病变在皮肤镜图像中的自动分割	计算机视觉	皮肤癌	YOLO, GrabCut	CNN	图像	使用了PH2和ISBI 2017两个公开数据集
118	2024-08-07	A convolutional neural network for fast upsampling of undersampled tomograms in X-ray CT time-series using a representative highly sampled tomogram 2019-May-01, Journal of synchrotron radiation IF:2.4Q3 DOI:10.1107/S1600577519003448 PMID:31074449	研究论文	本文提出了一种基于深度学习的超分辨率方法，称为上采样深度神经网络（UDNN），用于提高X射线CT时间序列中欠采样断层图像的上采样质量	该方法利用高采样断层图像的数据集来学习低采样和高采样断层图像之间的端到端映射，从而提高断层图像重建的质量	该方法需要针对不同类型的样本进行快速重新训练，且依赖于高采样断层图像的数据集	旨在提高X射线CT时间序列中欠采样断层图像的上采样质量	X射线CT时间序列中的欠采样断层图像	计算机视觉	NA	X射线CT	卷积神经网络	断层图像	两个80GB的断层图像数据集
119	2024-08-07	Predicting pregnancy using large-scale data from a women's health tracking mobile application 2019-May, Proceedings of the ... International World-Wide Web Conference. International WWW Conference DOI:10.1145/3308558.3313512 PMID:31538145	研究论文	本文利用女性健康追踪移动应用程序的大规模数据，开发了四种模型（包括逻辑回归模型和三个LSTM模型）来预测女性怀孕的概率	利用女性健康追踪移动应用程序的数据，首次展示了从移动健康追踪数据中预测怀孕的可行性，并开发了一种从深度学习模型中提取时间趋势的技术	NA	探索利用女性健康追踪移动应用程序的数据预测怀孕的可行性	女性怀孕概率	NA	NA	LSTM	逻辑回归模型, LSTM模型	数据日志	7900万条日志，来自65,276名女性
120	2024-08-07	Towards Machine Learning Prediction of Deep Brain Stimulation (DBS) Intra-operative Efficacy Maps 2019-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2509728 PMID:31602087	研究论文	本文提出了一种基于机器学习的方法，通过卷积神经网络对磁共振成像（MRI）中的每个体素进行分类，以预测深部脑刺激（DBS）手术中的疗效图	本文将DBS手术中的疗效预测问题重新定义为分类问题，并使用基于补丁的卷积神经网络进行分类，相较于基于注册的方法，提高了分类性能	尽管本文的方法显示出改进，但仍需要进一步的验证	改进DBS手术前的规划和个性化治疗策略	187名患者的2,869个刺激坐标及其相关的3D补丁和疗效评分	机器学习	NA	磁共振成像（MRI）	卷积神经网络（CNN）	图像	187名患者，2,869个刺激坐标