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
121	2024-10-01	Enhanced Accuracy for Multiclass Mental Workload Detection Using Long Short-Term Memory for Brain-Computer Interface 2020, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2020.00584 PMID:32655353	研究论文	研究使用长短期记忆网络（LSTM）提高脑机接口中多类心理负荷检测的准确性	提出了使用卷积神经网络（CNN）和长短期记忆网络（LSTM）的新型深度学习框架，显著提高了多类心理负荷分类的准确性	NA	提高脑机接口中多类心理负荷检测的准确性	心理负荷的分类和检测	机器学习	NA	功能近红外光谱（fNIRS）	长短期记忆网络（LSTM）	脑活动信号	15名参与者（男女各半），每人进行10次心理负荷实验
122	2024-10-01	A Path Toward Explainable AI and Autonomous Adaptive Intelligence: Deep Learning, Adaptive Resonance, and Models of Perception, Emotion, and Action 2020, Frontiers in neurorobotics IF:2.6Q3 DOI:10.3389/fnbot.2020.00036 PMID:32670045	研究论文	本文总结了生物神经网络模型如何帮助理解自主适应智能，并解释了这些模型的动态和涌现特性如何可解释，从而可以自信地应用于大规模应用	提出了Adaptive Resonance Theory (ART)算法，克服了反向传播和深度学习的计算问题，实现了无灾难性遗忘的快速分类	未提及	探讨可解释的人工智能和自主适应智能的发展路径	生物神经网络模型及其在感知、认知、情感和行动中的应用	机器学习	NA	Adaptive Resonance Theory (ART)	NA	NA	NA
123	2024-09-30	[Research on coronavirus disease 2019 (COVID-19) detection method based on depthwise separable DenseNet in chest X-ray images] 2020-Aug-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202005056 PMID:32840070	研究论文	本文提出了一种基于深度可分离DenseNet的COVID-19检测方法，并在胸部X光图像上进行了验证	提出了深度可分离DenseNet模型，相比传统DenseNet减少了模型参数，同时保持了分类效果	未提及具体的局限性	快速诊断COVID-19	COVID-19的胸部X光图像	计算机视觉	COVID-19	深度学习	DenseNet	图像	2905张胸部X光图像
124	2024-09-27	Analysis of the role and robustness of artificial intelligence in commodity image recognition under deep learning neural network 2020, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0235783 PMID:32634167	研究论文	研究基于多阶段卷积神经网络（MS-CNN）的图像识别模型在商品图像智能识别中的应用及其识别性能	提出了一种基于MS-CNN模型的商品图像识别方法，并通过实验验证了其在不同噪声和标签错误条件下的鲁棒性	未提及具体的局限性	探索基于MS-CNN模型的商品图像识别方法的应用及其在不同条件下的识别性能	商品图像的颜色、形状和纹理特征，以及MS-CNN模型的识别效果	计算机视觉	NA	卷积神经网络（CNN）	多阶段卷积神经网络（MS-CNN）	图像	50,000张包含不同商品的图片
125	2024-09-27	Anatomical Modeling of Brain Vasculature in Two-Photon Microscopy by Generalizable Deep Learning 2020, BME frontiers IF:5.0Q1 DOI:10.34133/2020/8620932 PMID:37849965	研究论文	本文开发了一种可泛化的深度学习技术，用于从多个双光子显微镜系统获取的小鼠大脑图像中进行血管分割	该方法能够泛化到不同成像系统，并能高效处理大规模血管图像，计算速度比现有技术快10倍，深度大3倍	NA	开发一种可泛化且计算高效的深度学习框架，用于大脑血管的解剖建模	小鼠大脑的双光子显微镜血管图像	计算机视觉	NA	深度学习	深度学习框架	图像	多个小鼠大脑的血管图像
126	2024-09-14	A systematic review on recent trends in transmission, diagnosis, prevention and imaging features of COVID-19 2020-Nov, Process biochemistry (Barking, London, England) DOI:10.1016/j.procbio.2020.08.016 PMID:32843849	综述	本文综述了COVID-19的传播方式、诊断方法、预防措施以及影像学特征的最新趋势	介绍了人工智能和深度学习算法在COVID-19诊断中的应用潜力，并提出了无人机热成像筛查等新技术的发展方向	未详细讨论新技术在实际应用中的可行性和局限性	探讨COVID-19的传播、诊断、预防和影像学特征的最新进展	COVID-19的传播方式、诊断方法、预防措施以及影像学特征	NA	传染病	计算机断层扫描(CT)、反转录聚合酶链反应(RT-PCR)、免疫荧光色谱法	深度学习算法	NA	NA
127	2024-09-14	Cone-beam CT-derived relative stopping power map generation via deep learning for proton radiotherapy 2020-Sep, Medical physics IF:3.2Q1 DOI:10.1002/mp.14347 PMID:32579710	研究论文	本文提出了一种基于深度学习的方法，用于从锥形束CT图像中生成相对停止功率图，以实现质子放射治疗中的在线剂量计算	本文创新性地使用基于cycle-GAN架构的深度学习网络，通过设计复合损失函数来生成高质量的相对停止功率图，从而实现在线剂量计算	本文仅在23名头颈部癌症患者中进行了验证，未来需要在更多患者和不同类型的癌症中进行进一步验证	旨在提高质子放射治疗中剂量分布的准确性，减少对正常组织的过度照射	头颈部癌症患者	计算机视觉	头颈部癌症	深度学习	cycle-GAN	图像	23名头颈部癌症患者
128	2024-09-14	High quality proton portal imaging using deep learning for proton radiation therapy: a phantom study 2020-04-27, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ab8a74 PMID:33438674	研究论文	本文提出了一种基于深度学习的方法，利用kV数字化重建放射图（DRR）来提高质子门户成像（PPI）的质量	本文创新性地使用残差生成对抗网络（GAN）框架来学习PPI和DRR之间的非线性映射，并通过残差块来强调两者之间的结构差异	本文仅在模拟数据上进行了验证，尚未在临床环境中进行测试	提高质子放射治疗中的质子门户成像质量，以便在治疗过程中验证肿瘤位置	质子门户成像（PPI）和数字化重建放射图（DRR）	计算机视觉	NA	深度学习	生成对抗网络（GAN）	图像	训练集包含149张图像，测试集包含30张图像
129	2024-09-14	[Research and application of orthotopic DR chest radiograph quality control system based on artificial intelligence] 2020-Feb-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.201904017 PMID:32096390	研究论文	本文研究并应用了基于人工智能的正位DR胸部X光片质量控制系统	本文展示了深度学习算法在医学图像大数据有效训练中比传统图像处理算法更准确和高效，并开发了一套智能质量控制系统	NA	研究并实现计算机辅助的医学图像质量控制	正位DR胸部X光片的质量控制	计算机视觉	NA	深度学习算法	图像分割模型和图像分类模型	图像	涉及大量医学图像数据
130	2024-09-11	Automated Quality Assessment and Image Selection of Ultra-Widefield Fluorescein Angiography Images through Deep Learning 2020-09, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.9.2.52 PMID:32995069	研究论文	本研究评估了使用深度学习自动分类和选择超广角荧光血管造影图像质量的可行性	开发了一种基于深度学习的自动图像质量评估系统，能够对超广角荧光血管造影图像进行分类和选择	NA	评估自动图像质量分类和选择系统的可行性	超广角荧光血管造影图像	计算机视觉	NA	深度学习	分类模型	图像	训练集包含3543张图像，测试集包含392张随机选择的图像和100张独立平衡的图像
131	2024-09-08	A deep learning system accurately classifies primary and metastatic cancers using passenger mutation patterns 2020-02-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-13825-8 PMID:32024849	研究论文	本文开发了一个深度学习系统，通过分析乘客突变模式来准确分类原发性和转移性癌症	该系统在独立样本上的准确率显著高于训练有素病理学家的诊断准确率	添加驱动突变信息反而降低了分类器的准确性	开发一种基于乘客突变模式预测癌症类型的深度学习分类器	2606个肿瘤样本，涵盖24种常见癌症类型	机器学习	NA	全基因组测序(WGS)	深度学习分类器	基因组数据	2606个肿瘤样本
132	2024-09-06	Rule-based automatic diagnosis of thyroid nodules from intraoperative frozen sections using deep learning 2020-08, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2020.101918 PMID:32972671	研究论文	本文提出了一种基于规则的系统，利用深度学习技术从术中冷冻切片中自动诊断甲状腺结节	首次将深度学习应用于术中冷冻切片甲状腺结节的诊断	系统将16.2%的切片分类为不确定，需要进一步人工检查或通过永久切片处理	开发一种基于规则的系统，利用深度学习技术从术中冷冻切片中自动诊断甲状腺结节	甲状腺结节的术中冷冻切片	数字病理学	甲状腺疾病	深度学习	卷积神经网络 (CNN)	图像	259张测试切片
133	2024-09-05	Improving Diagnostic Accuracy in Low-Dose SPECT Myocardial Perfusion Imaging With Convolutional Denoising Networks 2020-09, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2020.2979940 PMID:32167887	研究论文	本研究探讨了深度学习方法在低剂量SPECT心肌灌注成像中减少图像噪声并提高诊断准确性的潜力	提出了一种深度学习方法，能够在低剂量SPECT-MPI中实现显著的噪声减少，并提高诊断准确性	NA	研究深度学习在低剂量SPECT心肌灌注成像中的应用，以提高诊断准确性	低剂量SPECT心肌灌注成像的图像噪声和诊断准确性	计算机视觉	心血管疾病	深度学习	卷积去噪网络	图像	1,052名受试者
134	2024-09-05	Early Detection of Alzheimer's Disease Using Magnetic Resonance Imaging: A Novel Approach Combining Convolutional Neural Networks and Ensemble Learning 2020, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2020.00259 PMID:32477040	研究论文	本文提出了一种结合卷积神经网络（CNN）和集成学习（EL）的新方法，用于通过磁共振成像（MRI）早期检测阿尔茨海默病（AD）	该研究创新性地结合了CNN和EL，通过数据驱动的方法定位最具辨别性的脑区，并最大化集成模型的泛化能力，以早期捕捉AD相关的脑部变化	需要进一步研究以检验该方法的临床意义及其在检测其他脑部疾病中的通用性	开发一种新的方法用于早期检测阿尔茨海默病	使用MRI对MCI患者和AD患者进行分类	机器学习	阿尔茨海默病	磁共振成像（MRI）	卷积神经网络（CNN）	图像	未明确提及具体样本数量
135	2024-09-02	Putting artificial intelligence (AI) on the spot: machine learning evaluation of pulmonary nodules 2020-Nov, Journal of thoracic disease IF:2.1Q3 DOI:10.21037/jtd-2019-cptn-03 PMID:33282401	综述	本文综述了人工智能在肺结节评估中的应用，特别是深度学习和卷积神经网络在肺结节检测、分割和分类中的进展	深度学习和卷积神经网络在肺结节检测和分类中显示出有希望的结果	仍存在一些缺陷和挑战，需要将这些进展应用于常规临床实践中	旨在概述人工智能在肺结节检测和特征化方面的最新进展，最终目标是预测和分类肺癌	肺结节	机器学习	肺癌	深度学习 (DL) 和卷积神经网络 (CNNs)	卷积神经网络 (CNNs)	图像	NA
136	2024-09-02	Attention-Based Network for Weak Labels in Neonatal Seizure Detection 2020-Aug, Proceedings of machine learning research PMID:32995751	研究论文	本文评估了不同深度学习模型和数据平衡方法在新生儿癫痫检测中的影响，并提出了一种模型，该模型能为每个EEG通道提供重要性级别，以判断通道是否显示癫痫活动	提出的模型无需重新训练即可适应不同布局的EEG设备，并首次评估了深度学习模型与人类评分者决策的一致性	高AUC值的深度学习模型不一定与人类专家的意见一致，仍需进一步优化算法以实现最佳的癫痫区分	研究深度学习算法在新生儿癫痫检测中的应用	新生儿癫痫检测	机器学习	新生儿疾病	深度学习	注意力机制网络	EEG数据	NA
137	2024-09-02	Deep Learning strategies for Ultrasound in Pregnancy 2020-Aug, European Medical Journal. Reproductive health PMID:33123376	综述	本文综述了深度学习方法在孕期超声成像中的应用，介绍了其架构并分析了其策略	深度学习在医学图像分析中的应用，特别是在分类、分割、物体检测和跟踪任务中取得了最先进的性能	超声成像质量相对较低、对比度低和高变异性，自动化解读超声图像具有挑战性	探讨深度学习在孕期超声成像中的应用，以改善临床实践	孕期超声成像的自动化解读和结构识别	计算机视觉	NA	深度学习	CNN	图像	NA
138	2024-09-02	Machine Learning Neuroprotective Strategy Reveals a Unique Set of Parkinson Therapeutic Nicotine Analogs 2020, The open bioinformatics journal PMID:33927788	研究论文	本文提出了一种新颖的机器学习计算策略，用于预测尼古丁类似物在帕金森病中通过未配对信号通路的行为对神经保护潜力的影响	本文开发了一种跨学科的计算策略，结合结构生物信息学、信号通路手动重建和深度学习，预测尼古丁类似物的神经保护活性	NA	开发一种计算策略，预测一系列8种新型尼古丁类似物在帕金森病中的神经保护活性	8种新型尼古丁类似物及其在帕金森病中的神经保护活性	机器学习	帕金森病	深度学习	机器学习模型	结构数据	8种新型尼古丁类似物
139	2024-09-01	DDxNet: a deep learning model for automatic interpretation of electronic health records, electrocardiograms and electroencephalograms 2020-10-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-73126-9 PMID:33009423	研究论文	本文开发了DDxNet，一种用于时间变化临床数据（如电子健康记录、心电图和脑电图）的深度学习模型，旨在提高诊断任务的准确性和效率	DDxNet能够处理多种模态（如ECG、EEG、EHR）、不同级别的特征化需求（如异常检测、表型分析）和数据保真度（如单导联ECG、22通道EEG），并能快速开发模型	NA	开发一种通用的深度学习模型，以快速准确地解释电子健康记录、心电图和脑电图，提高诊断效率	电子健康记录、心电图和脑电图	机器学习	NA	深度学习	深度架构	时间变化临床数据	NA
140	2024-08-31	Rapid Identification of Potential Inhibitors of SARS-CoV-2 Main Protease by Deep Docking of 1.3 Billion Compounds 2020-08, Molecular informatics IF:2.8Q2 DOI:10.1002/minf.202000028 PMID:32162456	研究论文	本文利用深度对接技术（Deep Docking）对13亿化合物进行虚拟筛选，以快速识别SARS-CoV-2主蛋白酶的潜在抑制剂	开发了一种新的深度学习平台——深度对接（Deep Docking），能够快速预测对接分数，实现对大量化合物的结构基础虚拟筛选	NA	开发针对SARS-CoV-2的小分子治疗药物	SARS-CoV-2主蛋白酶的潜在抑制剂	机器学习	COVID-19	深度对接（Deep Docking）	深度学习平台	化合物	13亿化合物