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
61	2024-10-10	Generalizable, Reproducible, and Neuroscientifically Interpretable Imaging Biomarkers for Alzheimer's Disease 2020-Jul, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202000675 PMID:32714766	研究论文	本文提出了一种深度学习模型3DAN，用于阿尔茨海默病的诊断，并通过多中心和公共数据库验证其泛化性和可重复性	本文创新性地提出了3DAN模型，结合注意力机制模块，能够同时捕捉候选影像生物标志物并提高阿尔茨海默病的诊断准确性	NA	开发个性化、可重复且神经科学上可解释的生物标志物，以支持阿尔茨海默病的精准医学	阿尔茨海默病及其轻度认知障碍阶段	机器学习	阿尔茨海默病	深度学习	3D注意力网络（3DAN）	影像	716个内部多中心样本和1116个公共数据库样本
62	2024-10-10	Deep learning applications in pulmonary medical imaging: recent updates and insights on COVID-19 2020, Machine vision and applications IF:2.4Q2 DOI:10.1007/s00138-020-01101-5 PMID:32834523	综述	本文综述了深度学习在肺部医学影像分析中的应用发展，特别关注了COVID-19的贡献	本文总结了深度学习在肺部影像分析中的最新进展，并特别强调了其在COVID-19中的应用	本文主要集中在2017年2月至2020年5月期间的研究，可能未涵盖最新的研究成果	探讨深度学习在肺部医学影像分析中的应用及其对COVID-19的贡献	肺部影像分析中的深度学习应用，包括分类、分割和检测等任务，以及不同肺部病理如气道疾病、肺癌、COVID-19和其他感染	计算机视觉	肺部疾病	深度学习	NA	影像	超过160项贡献和调查
63	2024-10-09	Deep learning-based medical image segmentation with limited labels 2020-11-20, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abc363 PMID:33086205	研究论文	本文提出了一种基于深度学习的医学图像分割方法，利用变形图像配准技术生成伪轮廓，以减少对大量标注数据的依赖	本文创新性地使用变形图像配准技术生成伪轮廓，结合少量标注数据训练深度学习模型，提高了在有限标注数据情况下的分割精度	本文仅在特定数据集上进行了验证，尚未在更广泛的数据集上进行测试	研究如何在有限标注数据的情况下，利用深度学习技术实现准确的医学图像分割	本文主要研究了下颌骨、腮腺和下颌下腺的分割	计算机视觉	NA	变形图像配准	深度学习模型	医学图像	10个标注的TCIA数据集和50个未标注的CT扫描图像
64	2024-10-09	Role of intelligent computing in COVID-19 prognosis: A state-of-the-art review 2020-Sep, Chaos, solitons, and fractals DOI:10.1016/j.chaos.2020.109947 PMID:32836916	综述	本文综述了机器学习和深度学习方法在COVID-19诊断和预测中的应用	比较了机器学习与其他竞争方法（如数学和统计模型）在COVID-19问题上的影响	NA	探讨智能计算在COVID-19预后中的作用	COVID-19的诊断和预测	机器学习	COVID-19	机器学习、深度学习	NA	NA	NA
65	2024-10-09	Early triage of critically ill COVID-19 patients using deep learning 2020-07-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-17280-8 PMID:32669540	研究论文	本文展示了基于深度学习的生存模型可以预测COVID-19患者发展为重症的风险	开发了一种基于深度学习的生存模型，用于早期识别COVID-19患者发展为重症的风险	NA	早期识别COVID-19患者发展为重症的风险	COVID-19患者	机器学习	COVID-19	深度学习	生存模型	临床特征	1590名患者，来自575家医疗中心，并在武汉、湖北和广东省的三个独立队列中验证，共1393名患者
66	2024-10-09	Efficient Pneumonia Detection in Chest Xray Images Using Deep Transfer Learning 2020-Jun-19, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics10060417 PMID:32575475	研究论文	提出了一种基于深度迁移学习的模型，用于在胸部X光图像中高效检测肺炎	引入了一种加权分类器，结合了多种最先进的深度学习模型（如ResNet18、Xception、InceptionV3、DenseNet121和MobileNetV3）的加权预测，以优化诊断效果	NA	提高肺炎诊断的准确性，辅助放射科医生的决策过程	胸部X光图像中的肺炎检测	计算机视觉	肺炎	深度迁移学习	加权分类器	图像	使用了来自广州妇女儿童医疗中心的肺炎数据集
67	2024-10-09	Artificial Intelligence and COVID-19: Deep Learning Approaches for Diagnosis and Treatment 2020, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/ACCESS.2020.3001973 PMID:34192103	研究论文	本文探讨了利用人工智能和深度学习方法来诊断和治疗COVID-19	本文介绍了多种深度学习方法，如生成对抗网络（GANs）、极限学习机（ELM）和长短期记忆网络（LSTM），用于构建诊断和治疗COVID-19的AI平台	NA	开发基于人工智能的平台，以加速COVID-19的诊断和治疗	COVID-19的诊断和治疗	机器学习	传染病	深度学习	生成对抗网络（GANs）、极限学习机（ELM）、长短期记忆网络（LSTM）	临床数据、医学影像	NA
68	2024-10-08	M 3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening From CT Imaging 2020-12, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2020.3030853 PMID:33048773	研究论文	本文提出了一种用于多类肺部肺炎筛查的深度学习系统M 3Lung-Sys，通过CT影像进行诊断	该系统仅由两个2D CNN网络组成，分别用于切片级和患者级分类，能够从大量CT切片中提取特征并恢复不同切片间的时间信息	NA	旨在提高COVID-19等肺部肺炎的准确诊断，以便及时隔离和治疗	COVID-19、H1N1、CAP和健康病例的CT影像	计算机视觉	肺部疾病	深度学习	CNN	影像	734名患者（251名健康人，245名COVID-19患者，105名H1N1患者，133名CAP患者）
69	2024-10-07	Explainable Deep Learning for Pulmonary Disease and Coronavirus COVID-19 Detection from X-rays 2020-Nov, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2020.105608 PMID:32599338	研究论文	本文提出了一种利用深度学习技术从X光片中自动检测肺部疾病和COVID-19的方法	本文首次提出了一种基于深度学习的COVID-19自动检测方法，并结合了肺炎检测和症状定位	实验数据来自不同机构，可能存在数据偏差	提供一种自动且快速的COVID-19诊断方法	COVID-19和肺炎的检测与定位	计算机视觉	肺部疾病	深度学习	NA	图像	6523张胸部X光片
70	2024-10-06	Introducing the GEV Activation Function for Highly Unbalanced Data to Develop COVID-19 Diagnostic Models 2020-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2020.3012383 PMID:32750973	研究论文	本文提出了一种基于广义极值分布（GEV）的新激活函数，用于处理高度不平衡数据，并开发COVID-19诊断模型	本文创新性地提出了基于广义极值分布（GEV）的激活函数，相较于传统的sigmoid激活函数，在处理高度不平衡数据时表现更优	本文未详细讨论GEV激活函数在其他类型数据或疾病诊断中的适用性	开发一种新的激活函数，以提高在高度不平衡数据情况下COVID-19诊断模型的性能	COVID-19诊断模型	机器学习	COVID-19	深度学习	NA	图像	1909例健康胸部X光片和84例COVID-19 X光片
71	2024-10-05	A Rapid, Accurate and Machine-Agnostic Segmentation and Quantification Method for CT-Based COVID-19 Diagnosis 2020-Aug, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2020.3001810 PMID:32730214	研究论文	提出了一种快速、准确且与机器无关的CT图像分割和量化方法，用于COVID-19诊断	1) 开发了首个COVID-19 CT扫描模拟器，通过拟合真实患者在不同时间点的数据变化，缓解了数据稀缺问题；2) 提出了一种新的深度学习算法，解决了大场景小目标问题，将3D分割问题分解为三个2D问题，降低了模型复杂性并显著提高了分割精度	NA	开发一种全自动、快速、准确且与机器无关的CT图像分割和量化方法，用于COVID-19诊断	COVID-19患者的CT扫描图像	计算机视觉	COVID-19	深度学习	NA	CT图像	多国、多医院、多机器的数据集
72	2024-10-04	Augmenting Interpretation of Chest Radiographs With Deep Learning Probability Maps 2020-Sep, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000505 PMID:32205817	研究论文	本文探讨了使用深度学习语义分割方法在胸部X光片上突出显示肺炎潜在焦点，以辅助诊断的可行性	提出了一种基于语义分割的深度学习方法，用于生成肺炎的概率图，以辅助诊断	研究为回顾性研究，使用的是公开数据集，且样本量有限	探索深度学习在胸部X光片上辅助诊断肺炎的可行性	胸部X光片上的肺炎诊断	计算机视觉	肺部疾病	卷积神经网络 (CNN)	U-net	图像	22,000张胸部X光片，其中3684张用于独立验证
73	2024-10-04	NuSeT: A deep learning tool for reliably separating and analyzing crowded cells 2020-09, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1008193 PMID:32925919	研究论文	本文介绍了一种基于深度学习的细胞核分割工具NuSeT，用于在显微镜图像中准确分割拥挤的细胞核	NuSeT结合了U-Net和区域提议网络（RPN），并通过分水岭步骤进一步优化，显著提高了在复杂2D和3D图像中检测和描绘细胞核边界的能力	NA	开发一种能够准确分割拥挤细胞核的深度学习工具	显微镜图像中的细胞核	计算机视觉	NA	深度学习	U-Net和区域提议网络（RPN）	图像	多种类型的荧光成像数据
74	2024-10-04	Application of deep learning to the classification of uterine cervical squamous epithelial lesion from colposcopy images combined with HPV types 2020-Feb, Oncology letters IF:2.5Q3 DOI:10.3892/ol.2019.11214 PMID:31966086	研究论文	研究利用深度学习技术结合HPV类型对宫颈鳞状上皮病变进行分类的可行性	开发了一种结合卷积神经网络和HPV张量的AI分类器，其准确性高于妇科肿瘤专家	需要进一步研究以验证其在临床中的应用	探索使用深度学习技术对宫颈鳞状上皮病变进行分类的可行性	宫颈鳞状上皮病变（SILs）的分类	计算机视觉	宫颈癌	深度学习	卷积神经网络	图像	253名患者，其中210名患有高级别SIL，43名患有低级别SIL
75	2024-10-04	A Survey on Deep Learning for Neuroimaging-Based Brain Disorder Analysis 2020, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2020.00779 PMID:33117114	综述	本文综述了深度学习在基于神经影像的脑部疾病分析中的应用	本文讨论了现有研究的局限性并提出了未来可能的研究方向	本文主要讨论了现有研究的局限性	综述深度学习在基于神经影像的脑部疾病分析中的应用	本文研究了阿尔茨海默病、帕金森病、自闭症谱系障碍和精神分裂症四种典型脑部疾病	计算机视觉	神经退行性疾病	深度学习	深度神经网络	影像	NA
76	2024-10-04	Deep Learning for Predicting Complex Traits in Spring Wheat Breeding Program 2020, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2020.613325 PMID:33469463	研究论文	本文评估了深度学习模型在华盛顿州立大学春小麦育种项目中预测复杂性状的潜力	深度学习模型在预测复杂性状方面比传统模型rrBLUP提高了0至5%的准确性	NA	评估深度学习模型在春小麦育种项目中预测复杂性状的潜力	春小麦的五个不同数量性状	机器学习	NA	深度学习	多层感知器 (MLP) 和卷积神经网络 (CNN)	基因数据	650个重组自交系 (RILs) 来自春小麦嵌套关联作图 (NAM) 群体
77	2024-10-04	Large-Scale Counting and Localization of Pineapple Inflorescence Through Deep Density-Estimation 2020, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2020.599705 PMID:33584745	研究论文	本文通过深度密度估计方法实现菠萝花序的大规模计数和定位	利用深度学习进行密度估计，实现菠萝花序的自动计数，计算复杂度与植物数量无关，适用于大规模检测	未提及具体局限性	优化菠萝种植管理，提高收获效率	菠萝花序的计数和定位	计算机视觉	NA	深度学习	密度估计模型	图像	超过160万株开花植物
78	2024-10-04	Diagnosis of COVID-19 Pneumonia Based on Graph Convolutional Network 2020, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2020.612962 PMID:33585511	研究论文	提出了一种基于图卷积网络的三维深度学习方法，用于快速诊断COVID-19肺炎	通过图卷积网络整合多源CT数据，并提出迁移学习方法初始化3D-CNN参数，以提高诊断性能	未提及	开发一种快速诊断COVID-19肺炎的方法，减轻放射科医生和医生的负担	COVID-19肺炎患者和正常对照组的CT图像	计算机视觉	COVID-19	图卷积网络（GCN）	3D卷积神经网络（3D-CNN）	图像	399例COVID-19感染病例和400例正常对照组，来自六种设备类型
79	2024-10-04	An Introductory Review of Deep Learning for Prediction Models With Big Data 2020, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2020.00004 PMID:33733124	综述	本文介绍了深度学习在人工智能和机器学习中的新学习范式，并重点讨论了深度前馈神经网络、卷积神经网络、深度信念网络、自编码器和长短期记忆网络等模型	本文介绍了深度学习模型的核心架构，并强调了这些架构在构建新应用特定网络架构中的灵活组合能力	本文主要为入门级综述，未深入探讨深度学习模型的数学和计算方法的复杂性	介绍深度学习模型的基本架构，为数据科学家和跨学科研究人员提供基础知识	深度学习模型的核心架构，包括深度前馈神经网络、卷积神经网络、深度信念网络、自编码器和长短期记忆网络	机器学习	NA	NA	深度前馈神经网络、卷积神经网络、深度信念网络、自编码器、长短期记忆网络	NA	NA
80	2024-10-04	A natural language processing pipeline to advance the use of Twitter data for digital epidemiology of adverse pregnancy outcomes 2020, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.yjbinx.2020.100076 PMID:34417007	研究论文	研究开发了一种自然语言处理管道，用于从Twitter数据中识别不良妊娠结局，以推进数字流行病学研究	首次开发了一种基于BERT的自然语言处理方法，用于自动识别Twitter上的不良妊娠结局报告，并引入了一种规则过滤器来减少误报	研究主要基于Twitter数据，可能无法完全代表所有妊娠结局报告的情况	评估女性是否在Twitter上报告不良妊娠结局，并开发自然语言处理方法以自动识别这些报告	Twitter上的不良妊娠结局报告，包括流产、死产、早产等	自然语言处理	妊娠相关疾病	自然语言处理 (NLP)	BERT	文本	超过4亿条公开的Twitter推文，涉及超过10万名宣布怀孕的用户