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	2024-10-10	Deep learning application engine (DLAE): Development and integration of deep learning algorithms in medical imaging 2019 Jul-Dec, SoftwareX IF:2.4Q2 DOI:10.1016/j.softx.2019.100347 PMID:34113706	研究论文	介绍了一个深度学习应用引擎（DLAE）系统概念，并展示了其在医学影像中的潜在应用和临床工作流程中的集成路径	开发了一个开源软件应用程序，提供了一种无需编码的深度学习方法，支持多种深度学习技术在医学影像中的应用	NA	开发和集成深度学习算法在医学影像中的应用	深度学习应用引擎（DLAE）系统及其在医学影像中的应用	计算机视觉	NA	深度学习	卷积神经网络、全卷积网络、生成对抗网络、边界框检测器	图像	NA
2	2024-08-06	MRI-based treatment planning for proton radiotherapy: dosimetric validation of a deep learning-based liver synthetic CT generation method 2019-07-16, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab25bc PMID:31146267	研究论文	本文验证了一种基于深度学习的合成CT生成方法在腹部放疗中的应用	研究提出将稠密块集成到3D循环一致生成对抗网络中，以有效学习MRI与CT的数据映射	样本量相对较小，仅使用了21名患者的数据进行验证	验证深度学习方法在合成CT生成中的应用有效性	21名拥有配对CT和MR图像的患者	数字病理学	肝癌	深度学习	3D循环一致生成对抗网络	医学影像	21个配对的CT和MR图像
3	2024-08-07	Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer 2019-07, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-019-0462-y PMID:31160815	研究论文	本文展示了深度残差学习可以从普遍可获得的H&E组织学图像中直接预测胃肠道癌症患者的微卫星不稳定性	提出了一种新的方法，即利用深度学习技术直接从组织学图像中预测微卫星不稳定性，无需额外的遗传或免疫组织化学测试	NA	探索深度学习技术在预测胃肠道癌症微卫星不稳定性中的应用	胃肠道癌症患者的微卫星不稳定性	机器学习	胃肠道癌症	深度学习	深度残差学习	图像	NA
4	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
5	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
6	2024-08-07	Single-Particle Diffusion Characterization by Deep Learning 2019-07-23, Biophysical journal IF:3.2Q2 DOI:10.1016/j.bpj.2019.06.015 PMID:31280841	研究论文	本文利用深度学习技术对单粒子扩散轨迹进行分类，以推断导致异常扩散的潜在过程	本文采用神经网络对单粒子轨迹进行分类，并展示了其在估计Hurst指数和扩散系数方面的应用，相比传统的时间平均MSD分析，具有更高的准确性和更少的步骤需求	NA	开发一种简单的方法，利用多条短轨迹准确评估扩散过程	单粒子扩散轨迹	机器学习	NA	深度学习	神经网络	轨迹数据	模拟数据和实验数据，包括多条短轨迹（最少25步）和极短轨迹（10步）
7	2024-08-07	Automatic CNN-based detection of cardiac MR motion artefacts using k-space data augmentation and curriculum learning 2019-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2019.04.009 PMID:31055126	研究论文	本文提出了一种基于k空间数据增强和课程学习的自动检测心脏磁共振（CMR）电影图像中运动伪影的方法	提出了一种基于k空间合成伪影创建的数据增强方案和基于合成伪影严重程度的预定义课程学习方法	仅在UK Biobank数据集的一个子集上进行了评估，可能需要进一步验证其在其他数据集上的性能	开发自动检测心脏磁共振图像中运动伪影的技术	心脏磁共振电影图像中的运动伪影	计算机视觉	NA	k空间数据增强	3D-CNN和LRCN	图像	3510张心脏磁共振图像
8	2024-08-07	ORCA-SPOT: An Automatic Killer Whale Sound Detection Toolkit Using Deep Learning 2019-07-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-47335-w PMID:31358873	研究论文	本文介绍了一种使用深度学习自动检测虎鲸声音的工具包ORCA-SPOT	ORCA-SPOT工具包能够自动从大型生物声学数据库中提取虎鲸声音，提高了处理效率和准确性	NA	旨在通过自动识别虎鲸的通信模式来增进对非人类动物种内通信的理解	虎鲸（Orcinus orca）的声音和环境噪音	机器学习	NA	深度神经网络	深度学习模型	声音	11,509个虎鲸信号和34,848个噪音片段
9	2024-08-07	Two-stage framework for optic disc localization and glaucoma classification in retinal fundus images using deep learning 2019-07-17, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-019-0842-8 PMID:31315618	研究论文	本文提出了一种两阶段框架，用于在视网膜眼底图像中定位视盘并进行青光眼分类	该方法在视盘定位和青光眼分类方面达到了新的最先进水平，并提出了一种基于规则的半自动地面实况生成方法，用于训练基于RCNN的模型进行自动视盘定位	在评估青光眼分类时，仅报告曲线下面积可能无法全面反映分类器的性能，需要额外的性能指标来证实结果	开发一种自动化的方法来定位视盘并进行青光眼分类，以辅助临床医生进行疾病识别	视网膜眼底图像中的视盘定位和青光眼分类	计算机视觉	青光眼	深度学习	CNN	图像	七个公开可用的视盘定位数据集和一个包含健康和青光眼标签的最大公开可用数据集ORIGA
10	2024-08-07	Deep Learning to Assess Long-term Mortality From Chest Radiographs 2019-07-03, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2019.7416 PMID:31322692	研究论文	本文开发并测试了一种名为CXR-risk的卷积神经网络（CNN），用于从胸部X光片预测长期死亡率，包括非癌症死亡	利用深度学习技术从单一胸部X光片中评估长期死亡风险，为预防和干预提供依据	NA	开发和测试一种CNN模型，用于预测基于胸部X光片的长期死亡率	胸部X光片数据及其与长期死亡率的关系	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	开发阶段样本量为41,856，测试阶段样本量为10,464，外部测试样本量为5,493
11	2024-08-07	Deep learning for automatic Gleason pattern classification for grade group determination of prostate biopsies 2019-Jul, Virchows Archiv : an international journal of pathology IF:3.4Q1 DOI:10.1007/s00428-019-02577-x PMID:31098801	研究论文	本文利用卷积神经网络（CNN）自动检测前列腺活检中的Gleason模式（GP）并确定分级组（GG），以减少前列腺癌病理分级中的观察者间变异性。	本文首次使用Inception-v3卷积神经网络对数字化前列腺活检图像进行GP的自动检测和GG的确定，提高了病理分级的准确性。	研究样本量较小，仅涉及38名患者的96份前列腺活检样本，可能影响结果的泛化性。	开发一种计算机辅助方法，通过自动检测Gleason模式和确定分级组，提高前列腺癌病理分级的准确性和治疗选择的优化。	前列腺活检样本中的Gleason模式和分级组。	数字病理学	前列腺癌	卷积神经网络（CNN）	Inception-v3	图像	96份前列腺活检样本来自38名患者
12	2024-08-07	DeepCentering: fully automated crystal centering using deep learning for macromolecular crystallography 2019-Jul-01, Journal of synchrotron radiation IF:2.4Q3 DOI:10.1107/S160057751900434X PMID:31274465	研究论文	介绍了一种名为DeepCentering的新型自动化晶体中心定位系统，该系统利用卷积神经网络实现完全自动化的精确晶体中心定位	DeepCentering系统实现了无需X射线照射晶体的完全自动化精确晶体中心定位	NA	开发一种用于高吞吐量蛋白质晶体学的完全自动化晶体中心定位系统	蛋白质晶体	计算机视觉	NA	卷积神经网络	CNN	图像	NA
13	2024-08-07	Deep learning for cardiovascular medicine: a practical primer 2019-07-01, European heart journal IF:37.6Q1 DOI:10.1093/eurheartj/ehz056 PMID:30815669	综述	本文综述了深度学习在心血管医学中的应用现状，探讨了其优势与局限性，并为临床医生和研究者提供了技术背景	深度学习能够自动化医学图像解释，增强临床决策，识别新型表型，并在复杂疾病中选择更好的治疗路径	深度学习模型解释困难，需要大量标注数据进行训练，设计缺乏标准化，训练数据效率低，临床试验适用性有限	探讨深度学习在心血管医学中的应用及其挑战	心血管医学中的深度学习应用	机器学习	心血管疾病	深度学习	多层神经网络	图像	NA
14	2024-08-07	3D whole brain segmentation using spatially localized atlas network tiles 2019-07-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2019.03.041 PMID:30910724	研究论文	本文提出了一种基于空间定位图谱网络块（SLANT）的方法，用于高分辨率全脑分割	使用多个独立的三维全卷积网络（FCN）进行空间分布学习，并结合传统医学图像处理方法与深度学习，提高了分割性能并减少了计算时间	NA	提高全脑分割的性能和效率	全脑分割	计算机视觉	NA	深度卷积神经网络（CNN）	三维全卷积网络（FCN）	MRI图像	5111个初始未标记扫描