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
81	2024-10-11	Advanced Deep Learning Techniques Applied to Automated Femoral Neck Fracture Detection and Classification 2020-10, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-020-00364-8 PMID:32583277	研究论文	使用深度学习和高级数据增强技术进行股骨颈骨折的自动检测和分类	采用生成对抗网络（GAN）和数字重建放射图像（DRR）进行数据增强，提高了股骨颈骨折诊断和分类的准确性	研究仅限于回顾性分析，且样本量相对较小	开发一种能够准确诊断和分类股骨颈骨折的深度学习工具	股骨颈骨折的诊断和分类	计算机视觉	骨科疾病	深度学习	卷积神经网络（CNN）	图像	1063张AP髋关节X光片，来自550名患者
82	2024-10-11	Deep learning with noisy labels: Exploring techniques and remedies in medical image analysis 2020-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2020.101759 PMID:32623277	研究论文	本文探讨了在医学图像分析中使用深度学习处理噪声标签的技术和补救措施	本文开发了新的方法来对抗噪声标签的负面影响，并提供了针对不同类型噪声标签的缓解方法的建议	本文主要集中在噪声标签的处理上，未涉及其他可能影响深度学习模型性能的因素	帮助医学图像分析研究人员和开发者选择和设计有效处理深度学习中噪声标签的新技术	医学图像分析中的噪声标签问题	计算机视觉	NA	深度学习	深度模型	图像	三个医学影像数据集
83	2024-10-11	Faster RCNN-based detection of cervical spinal cord injury and disc degeneration 2020-Sep, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.13001 PMID:32797664	研究论文	本研究利用深度神经网络结合Faster R-CNN模型，通过MRI图像检测颈椎脊髓损伤和椎间盘退变	首次将Faster R-CNN应用于MRI图像中颈椎疾病的分类和检测	研究样本仅限于1500名患者，且数据集划分存在不平衡	探索深度学习在MRI图像中颈椎疾病检测的应用	颈椎脊髓损伤和椎间盘退变	计算机视觉	脊髓疾病	MRI	Faster R-CNN	图像	1500名患者，分为椎间盘组（800例）、损伤组（200例）和正常组（500例）
84	2024-10-11	Objective assessment of stored blood quality by deep learning 2020-09-01, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2001227117 PMID:32839303	研究论文	本文展示了使用无标签成像流式细胞术和深度学习来评估储存红细胞损伤的方法	本文提出了一种基于深度学习的无标签成像流式细胞术方法，用于客观评估储存红细胞的质量，并展示了其在分类红细胞形态方面的优越性	该方法尚未在多个站点、协议和仪器上进行广泛的临床测试	开发一种自动化且客观的方法来评估储存红细胞的质量	储存红细胞的损伤评估	机器学习	NA	深度学习	神经网络	图像	NA
85	2024-10-11	Knowledge-primed neural networks enable biologically interpretable deep learning on single-cell sequencing data 2020-08-03, Genome biology IF:10.1Q1 DOI:10.1186/s13059-020-02100-5 PMID:32746932	研究论文	本文介绍了一种知识引导的神经网络（KPNNs），用于在单细胞测序数据上进行可解释的深度学习	KPNNs结合了深度学习的预测能力和生物网络的可解释性，通过在多层网络中分配有意义的权重，增强了模型的可解释性	本文仅在单细胞测序数据上验证了KPNNs的应用，未来需要在其他领域进一步验证其广泛适用性	开发一种结合深度学习预测能力和生物网络可解释性的方法	单细胞RNA测序数据，包括癌症和免疫细胞	机器学习	NA	单细胞RNA测序	神经网络	基因表达数据	五个生物应用中的单细胞RNA测序数据
86	2024-10-11	Revealing architectural order with quantitative label-free imaging and deep learning 2020-07-27, eLife IF:6.4Q1 DOI:10.7554/eLife.55502 PMID:32716843	研究论文	本文报道了使用定量无标记成像和深度学习技术揭示未标记活细胞和组织切片中结构密度、各向异性和方向的方法	结合定量无标记成像（QLIPP）和深度神经网络，预测多种细胞和组织结构的荧光图像，并开发了多通道2.5D U-Net架构和数据归一化方法	NA	揭示未标记活细胞和组织切片中的结构密度、各向异性和方向，并预测荧光图像	未标记的活细胞和组织切片	计算机视觉	NA	定量无标记成像（QLIPP）	多通道2.5D U-Net	图像	NA
87	2024-10-11	Machine Learning for 3D Kinematic Analysis of Movements in Neurorehabilitation 2020-06-15, Current neurology and neuroscience reports IF:4.8Q1 DOI:10.1007/s11910-020-01049-z PMID:32542455	综述	本文综述了机器学习，特别是深度学习在神经康复中3D运动学分析的应用	深度学习方法在人体姿势和运动分类中的应用，以及便携式立体摄像系统在临床环境中进行3D姿态估计的可能性	目前这些技术在运动康复领域的应用尚未广泛	探讨机器学习在3D运动学分析中的应用及其对神经康复的影响	机器学习在神经康复中的应用	机器学习	NA	深度学习	卷积神经网络	图像	NA
88	2024-10-11	DePicT Melanoma Deep-CLASS: a deep convolutional neural networks approach to classify skin lesion images 2020-Mar-11, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-020-3351-y PMID:32164530	研究论文	提出了一种基于深度卷积神经网络的皮肤病变图像分类方法，用于早期检测黑色素瘤	采用深度卷积神经网络构建了DePicT Melanoma Deep-CLASS系统，显著提高了图像分类效率和推荐质量	NA	开发一种基于深度学习的皮肤病变分类方法，用于早期检测黑色素瘤	皮肤病变图像	计算机视觉	黑色素瘤	深度学习	卷积神经网络（CNN）	图像	1796张皮肤镜图像
89	2024-10-11	Multi-resolution convolutional neural networks for fully automated segmentation of acutely injured lungs in multiple species 2020-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2019.101592 PMID:31760194	研究论文	本文提出了一种多分辨率卷积神经网络用于自动分割多物种中急性损伤肺部	本文创新性地使用多分辨率卷积神经网络，通过级联低分辨率到高分辨率网络，避免了在高分辨率和全局上下文之间的权衡	本文的局限性在于依赖于有限的训练数据集，并使用了迁移学习来弥补这一不足	研究目的是开发一种自动分割急性损伤肺部的方法	研究对象是多物种中急性呼吸窘迫综合征（ARDS）损伤的肺部	计算机视觉	呼吸系统疾病	卷积神经网络	多分辨率卷积神经网络	CT图像	287个动物数据集
90	2024-10-11	Spatiotemporal Imputation of MAIAC AOD Using Deep Learning with Downscaling 2020-Feb, Remote sensing of environment IF:11.1Q1 DOI:10.1016/j.rse.2019.111584 PMID:32158056	研究论文	本文提出了一种利用深度学习进行降尺度处理的方法，用于填补MAIAC AOD数据的缺失值	本文创新性地使用深度学习结合降尺度技术，通过残差连接和参数共享来提高学习效果并减少过拟合，同时采用bagging方法降低误差方差	NA	研究目的是填补MAIAC AOD数据的缺失值，以提高空气质量建模的可靠性	研究对象是MAIAC AOD数据及其在加利福尼亚州的时空变异性	机器学习	NA	深度学习	深度残差网络	空间数据	研究涵盖了2000年至2016年加利福尼亚州的MAIAC AOD数据
91	2024-10-11	Impact of a deep learning assistant on the histopathologic classification of liver cancer 2020, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-020-0232-8 PMID:32140566	研究论文	研究开发了一种基于深度学习的助手，用于帮助病理学家区分肝细胞癌和胆管癌，并评估其对诊断性能的影响	首次评估了深度学习助手在临床工作流程中对病理学家诊断性能的实际影响	研究样本量较小，且仅限于两种肝癌亚型	探讨深度学习助手在肝癌病理分类中的应用及其对病理学家诊断准确性的影响	肝细胞癌和胆管癌的病理分类，以及深度学习助手对病理学家诊断性能的影响	数字病理学	肝癌	深度学习	NA	图像	验证集26个全切片图像，独立测试集80个全切片图像，11名病理学家
92	2024-10-11	Real-time colorectal cancer diagnosis using PR-OCT with deep learning 2020, Theranostics IF:12.4Q1 DOI:10.7150/thno.40099 PMID:32194821	研究论文	本文设计了一种基于深度学习的模式识别光学相干断层扫描（PR-OCT）系统，用于实时诊断结直肠癌	本文的创新点在于将深度学习技术应用于PR-OCT系统，实现了对结直肠癌的实时自动诊断	本文的局限性在于样本量相对较小，未来需要更大规模的数据集进行验证	本文的研究目的是开发一种能够实时诊断结直肠癌的新技术	本文的研究对象是结直肠癌及其相关组织	计算机视觉	结直肠癌	光学相干断层扫描（OCT）	卷积神经网络（CNN）	图像	约26,000张OCT图像，来自20个肿瘤区域、16个良性区域和6个其他异常区域
93	2024-10-11	Automated identification of retinopathy of prematurity by image-based deep learning 2020, Eye and vision (London, England) DOI:10.1186/s40662-020-00206-2 PMID:32766357	研究论文	本研究开发了一种基于深度学习的智能系统，用于自动识别早产儿视网膜病变（ROP）的严重程度	本研究首次使用101层卷积神经网络（ResNet）和更快的区域卷积神经网络（Faster-RCNN）进行图像分类和识别，并实现了对ROP严重程度的四级分类	NA	开发一种能够自动分类ROP严重程度并检测ROP阶段和plus病变的智能系统	早产儿视网膜病变（ROP）的严重程度分类和病变检测	计算机视觉	NA	卷积神经网络（CNN）	ResNet和Faster-RCNN	图像	36,231张眼底图像
94	2024-10-11	Predicting risk of late age-related macular degeneration using deep learning 2020, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-020-00317-z PMID:32904246	研究论文	本文利用深度学习和生存分析预测晚期年龄相关性黄斑变性的风险	本文首次展示了深度学习与生存分析结合的方法，能够准确预测晚期年龄相关性黄斑变性的风险，并在独立数据集上验证了其高预测准确性	本文的模型尚未在其他独立数据集上进行广泛验证，其泛化能力仍需进一步研究	开发一种能够准确预测晚期年龄相关性黄斑变性风险的深度学习模型，以辅助临床决策	年龄相关性黄斑变性患者	计算机视觉	眼科疾病	深度学习	深度学习模型	图像	3298名参与者（超过80,000张图像）
95	2024-10-11	Deep Learning Applications to Combat Novel Coronavirus (COVID-19) Pandemic 2020, SN computer science DOI:10.1007/s42979-020-00383-w PMID:33163975	综述	本文综述了深度学习在抗击新型冠状病毒（COVID-19）大流行中的应用	本文探讨了深度学习在医疗影像、疾病追踪、蛋白质结构分析、药物发现和病毒严重性与传染性分析等多个方面的创新应用	尽管深度学习算法在多个研究中得到应用，但在实际问题中的应用仍存在一些限制和挑战	讨论深度学习在控制新型冠状病毒（COVID-19）大流行中的贡献	深度学习在医疗影像、疾病追踪、蛋白质结构分析、药物发现和病毒严重性与传染性分析等领域的应用	机器学习	新型冠状病毒（COVID-19）	深度学习	NA	NA	NA
96	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
97	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
98	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
99	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
100	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