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	2024-08-07	Introduction to machine and deep learning for medical physicists 2020-Jun, Medical physics IF:3.2Q1 DOI:10.1002/mp.14140 PMID:32418339	review	本文综述了机器学习和深度学习在医学物理学中的应用，包括模型构建的基本方面，如数据处理、模型训练和验证	深度学习作为机器学习的一个子集，能够从原始输入数据中学习多层次表示，消除了传统机器学习中手工特征的必要性	人类可能倾向于在短期内高估技术的能力，而在长期内低估其能力，这需要平衡模型准确性和可解释性	探讨机器学习和深度学习在放射肿瘤学中的应用，并推动其在临床实践中的实施	机器学习和深度学习技术在医学物理学中的应用	machine learning	NA	machine learning, deep learning	CNN, LSTM, GAN	image, text	NA	NA	NA	NA	NA
22	2024-08-07	nanoTRON: a Picasso module for MLP-based classification of super-resolution data 2020-06-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaa154 PMID:32145010	research paper	本文介绍了nanoTRON工具，这是一个基于图像识别的交互式开源工具，用于超分辨率数据的分类	nanoTRON是第一个带有图形用户界面的深度学习工具，扩展了Picasso软件包	NA	开发一个自动化的工具来分类超分辨率图像数据	超分辨率图像数据	computer vision	NA	深度学习	MLP（多层感知器）	image	NA	NA	NA	NA	NA
23	2024-08-07	Deep learning-based fully automated detection and segmentation of lymph nodes on multiparametric-mri for rectal cancer: A multicentre study 2020-Jun, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2020.102780 PMID:32512507	研究论文	本研究开发并验证了一种基于深度学习的全自动淋巴结检测和分割模型，用于直肠癌的多参数磁共振成像	本研究首次提出了一种基于多参数磁共振成像的全自动淋巴结检测和分割模型，通过深度学习框架Mask R-CNN实现，显著提高了检测和分割的效率和准确性	本研究仅在单一中心进行了模型训练，并在内部和外部数据集上进行了验证，未来需要在更多中心进行验证以确保模型的泛化能力	开发并验证一种基于深度学习的全自动淋巴结检测和分割模型，以提高直肠癌分期中淋巴结评估的准确性和效率	直肠癌患者的淋巴结	机器学习	直肠癌	多参数磁共振成像（mpMRI）	Mask R-CNN	图像	5789个标注的淋巴结（直径≥3mm）来自293名直肠癌患者	NA	NA	NA	NA
24	2024-08-07	Deep learning approach for diabetes prediction using PIMA Indian dataset 2020-Jun, Journal of diabetes and metabolic disorders IF:1.8Q4 DOI:10.1007/s40200-020-00520-5 PMID:32550190	研究论文	本文利用PIMA印度数据集，通过深度学习方法预测糖尿病	使用深度学习技术在PIMA数据集上实现了高达98.07%的预测准确率	研究仅使用了PIMA数据集，未涉及其他数据集或更广泛的数据类型	开发一种有效的预测工具，帮助医生早期发现糖尿病并推荐生活方式改变	糖尿病的早期检测和预防	机器学习	糖尿病	深度学习	深度学习	数据集	PIMA数据集	NA	NA	NA	NA
25	2024-08-07	Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks 2020-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2020.103795 PMID:32568676	研究论文	本研究利用深度学习技术，通过10种卷积神经网络对CT图像进行分析，以快速诊断COVID-19并辅助临床管理	使用10种不同的卷积神经网络模型，特别是ResNet-101和Xception，显著提高了COVID-19的诊断准确性	研究仅限于CT图像分析，未涉及其他诊断方法的比较	开发一种快速有效的COVID-19诊断方法，以辅助高负荷条件下的临床管理	COVID-19患者和其他非COVID-19肺炎患者的CT图像	计算机视觉	COVID-19	深度学习	卷积神经网络	图像	1020张CT切片，包括108名COVID-19患者和86名其他肺炎患者	NA	NA	NA	NA
26	2024-08-07	Prediction of bone mineral density from computed tomography: application of deep learning with a convolutional neural network 2020-Jun, European radiology IF:4.7Q1 DOI:10.1007/s00330-020-06677-0 PMID:32060712	研究论文	研究使用深度学习模型从无增强的腹部CT图像预测腰椎骨密度	通过深度学习技术，可以从无增强的腹部CT图像中估计腰椎的骨密度	NA	探讨深度学习模型是否能从无增强的腹部CT图像预测腰椎的骨密度	腰椎的骨密度	机器学习	NA	CT	CNN	图像	183名患者，共1665张CT图像，增强后为99,900张图像	NA	NA	NA	NA
27	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）	NA	NA	NA	NA