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
301	2024-08-07	A dual foveal-peripheral visual processing model implements efficient saccade selection 2020-Aug-03, Journal of vision IF:2.0Q2 DOI:10.1167/jov.20.8.22 PMID:38755789	研究论文	开发了一种视觉运动模型，实现视觉搜索作为焦点精度寻求策略，目标位置和类别从共同的生成过程中独立抽取	模型采用对数极坐标视网膜编码方式处理全视觉场，模仿生物学方式，并在感知层面利用强大的压缩率，实现视觉搜索的亚线性方式	NA	研究如何通过双中央凹-周边视觉处理模型实现高效的扫视选择	视觉搜索任务中的目标识别与定位	计算机视觉	NA	深度学习	CNN	图像	在大型杂乱图像中寻找数字的任务中测试模型
302	2024-08-07	Development and Validation of a Multitask Deep Learning Model for Severity Grading of Hip Osteoarthritis Features on Radiographs 2020-04, Radiology IF:12.1Q1 DOI:10.1148/radiol.2020190925 PMID:32013791	研究论文	开发并验证了一种用于评估X光片上髋关节骨关节炎特征严重程度的多任务深度学习模型	该模型能够在大规模流行病学研究中替代专家放射科医生的详细结构评估	该研究为回顾性研究，且模型性能在外部测试集上略有下降	开发一种多任务深度学习模型，用于评估髋关节骨关节炎的放射学特征，并比较其与执业放射科医生的表现	髋关节骨关节炎的五个特征：股骨骨赘、髋臼骨赘、关节间隙狭窄、骨赘下硬化和骨赘下囊肿	机器学习	骨关节炎	DenseNet-161	多任务神经网络	X光片	共评估了4368名参与者（平均年龄61.0岁，2538名女性），15364个髋关节，7738张负重前后位骨盆X光片
303	2024-08-07	Deep Learning Automated Detection of Reticular Pseudodrusen from Fundus Autofluorescence Images or Color Fundus Photographs in AREDS2 2020-12, Ophthalmology IF:13.1Q1 DOI:10.1016/j.ophtha.2020.05.036 PMID:32447042	研究论文	本研究开发了深度学习模型，用于从眼底自发光（FAF）图像或彩色眼底照片（CFP）中自动检测网状假性玻璃膜疣（RPD），特别是在年龄相关性黄斑变性（AMD）的背景下。	深度学习模型在检测RPD方面表现出与眼科医生相当或更高的准确性，特别是在使用FAF图像时。	使用彩色眼底照片（CFP）进行RPD检测的准确性较低，尽管仍优于眼科医生。	开发和评估深度学习模型在自动检测年龄相关性黄斑变性中的网状假性玻璃膜疣（RPD）的能力。	研究对象包括来自AREDS2研究的2450名参与者的11,535张FAF和CFP图像。	机器学习	年龄相关性黄斑变性	深度学习	CNN	图像	11,535张图像来自2450名参与者
304	2024-08-07	FastSurfer - A fast and accurate deep learning based neuroimaging pipeline 2020-10-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2020.117012 PMID:32526386	研究论文	本文提出了一种快速且准确的基于深度学习的大脑神经影像处理流程FastSurfer，用于自动化处理人脑结构MRI扫描，复制FreeSurfer的解剖学分割包括表面重建和皮质分区	引入了一种先进的深度学习架构，能够进行全脑95类分割，并采用了竞争密集块和竞争跳跃路径以及多切片信息聚合技术，专门针对皮质和皮质下结构的精确分割进行优化	NA	开发一种快速且准确的深度学习基础的神经影像处理流程，以适应大规模队列研究的需求	人脑结构MRI扫描的自动化处理	计算机视觉	NA	深度学习	CNN	图像	数千或数万个体
305	2024-08-07	Development and validation of an interpretable deep learning framework for Alzheimer's disease classification 2020-06-01, Brain : a journal of neurology IF:10.6Q1 DOI:10.1093/brain/awaa137 PMID:32357201	研究论文	本文开发并验证了一种可解释的深度学习框架，用于阿尔茨海默病的分类	该框架结合了全卷积网络和多层感知器，能够从多模态输入中识别出独特的阿尔茨海默病特征，并生成直观的个体风险可视化，其诊断性能超过了多机构团队的执业神经科医生	NA	开发一种可解释的深度学习框架，用于提高阿尔茨海默病的诊断准确性	阿尔茨海默病患者和认知正常的个体	机器学习	阿尔茨海默病	MRI	全卷积网络和多层感知器	图像	训练集包括417名临床诊断的阿尔茨海默病患者和认知正常个体，验证集包括AIBL（382名）、Framingham Heart Study（102名）和NACC（582名）
306	2024-08-07	Deep ensemble learning for Alzheimer's disease classification 2020-05, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2020.103411 PMID:32234546	研究论文	本文提出了一种用于阿尔茨海默病分类的深度集成学习框架，该框架利用深度学习算法整合多源数据并利用专家智慧	首次采用深度学习方法集成阿尔茨海默病分类算法，提出了一种非线性特征加权方法和优化层处理成本敏感问题	NA	提高阿尔茨海默病分类的准确性	阿尔茨海默病分类算法	机器学习	阿尔茨海默病	深度学习	深度信念网络	多源数据	临床数据来自国家阿尔茨海默病协调中心