深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
21	2024-08-26	Co-registration of pre- and post-stent intravascular OCT images for validation of finite element model simulation of stent expansion 2020-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2550212 PMID:35291699	研究论文	本文通过深度学习技术对支架植入前后的血管内光学相干断层扫描（IVOCT）图像进行分割和配准，以验证有限元模型（FEM）对支架扩张后管腔增益的预测	开发了一种基于深度学习的平台，用于评估FEM对支架扩张后管腔增益的预测，并通过实际数据验证了其准确性	NA	验证有限元模型对支架扩张后管腔增益的预测准确性	支架植入前后的IVOCT图像以及有限元模型预测结果	数字病理学	心血管疾病	深度学习	有限元模型（FEM）	图像	约200对支架植入前后的IVOCT图像	NA	NA	NA	NA
22	2024-08-07	Cellular and Molecular Probing of Intact Human Organs 2020-02-20, Cell IF:45.5Q1 DOI:10.1016/j.cell.2020.01.030 PMID:32059778	研究论文	本研究开发了一种名为SHANEL的新方法，用于使坚硬的人体器官透明化，并进行细胞和分子水平的3D研究	SHANEL方法允许对成年人体器官进行透明化处理，并进行深达厘米级的3D组织学研究，同时开发了深度学习管道来快速分析大量细胞	NA	开发一种新技术，以实现对人体复杂组织的细胞和分子水平的3D研究	成年人体器官，包括大脑、肾脏、眼睛和甲状腺，以及转基因猪的胰腺	数字病理学	NA	组织通透化方法	深度学习	图像	多个成年人体器官和转基因猪胰腺	NA	NA	NA	NA
23	2024-08-07	Machine learning with multiparametric magnetic resonance imaging of the breast for early prediction of response to neoadjuvant chemotherapy 2020-Feb, Breast (Edinburgh, Scotland) DOI:10.1016/j.breast.2019.11.009 PMID:31786416	研究论文	本文探讨了使用多参数磁共振成像（MRI）结合机器学习和深度学习方法，对接受新辅助化疗的局部晚期乳腺癌患者进行早期治疗反应预测的研究。	本文首次应用机器学习和深度学习方法，利用多参数MRI特征预测新辅助化疗的早期反应。	临床实施中存在挑战，如数据质量和模型泛化能力等。	提高患者护理质量，通过早期预测治疗反应来优化治疗方案。	局部晚期乳腺癌患者及其对新辅助化疗的反应。	机器学习	乳腺癌	多参数磁共振成像（MRI）	机器学习和深度学习模型	图像	NA	NA	NA	NA	NA
24	2024-08-07	A Deep Siamese Convolution Neural Network for Multi-Class Classification of Alzheimer Disease 2020-Feb-05, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci10020084 PMID:32033462	研究论文	本文开发了一种基于VGG-16的孪生卷积神经网络模型，用于阿尔茨海默病的多类分类，并通过数据增强方法提高了模型的性能	提出了一种基于VGG-16的孪生卷积神经网络模型，并通过数据增强方法解决了数据不足和不平衡的问题	NA	开发一种高效的深度学习模型，用于阿尔茨海默病的早期诊断和痴呆阶段分类	阿尔茨海默病的痴呆阶段分类	机器学习	阿尔茨海默病	MRI	孪生卷积神经网络（SCNN）	图像	使用公开数据集OASIS进行实验	NA	NA	NA	NA
25	2024-08-05	Automatic labeling of respiratory phases and detection of abnormal respiratory signals in free-breathing thoracic dynamic MR image acquisitions based on deep learning 2020-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2549983 PMID:33060886	研究论文	本文提出了基于深度学习的框架，自动标记呼吸阶段并检测异常呼吸信号。	创新点在于将卷积神经网络（CNN）和长短期记忆网络（LSTM）结合用于处理3D动态磁共振成像的呼吸相位识别和异常信号检测。	研究主要集中在动态磁共振成像上，方法的普适性和适应性仍需进一步验证。	旨在改善4D胸部图像构建过程中的呼吸相位识别和异常信号检测。	研究对象为接受动态磁共振成像的患者，主要分析其呼吸图像序列。	计算机视觉	胸部不足症候群	动态磁共振成像（dMRI）	卷积神经网络（CNN）和长短期记忆网络（LSTM）	图像	每位患者约3000个切片	NA	NA	NA	NA