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	2024-08-26	E-Learning Research Trends in Higher Education in Light of COVID-19: A Bibliometric Analysis 2021, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2021.762819 PMID:35308075	研究论文	本文通过对602篇发表在Web of Science数据库中的研究进行文献计量分析，概述了COVID-19期间高等教育领域电子学习的重要概念进展	研究探索了人工智能、机器学习和深度学习等新研究方向在电子学习中的应用	NA	分析COVID-19背景下高等教育领域电子学习的研究趋势	电子学习在高等教育中的应用及其相关研究	自然语言处理	NA	文献计量分析	NA	文本	602篇研究论文
62	2024-08-25	Deep Learning-Based Mapping of Tumor Infiltrating Lymphocytes in Whole Slide Images of 23 Types of Cancer 2021, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2021.806603 PMID:35251953	研究论文	本文提出了一种基于深度学习的流程，用于在23种癌症的全切片图像中分类肿瘤浸润淋巴细胞（TILs），并生成TIL图	该研究使用了三种先进的卷积神经网络架构（VGG16、Inception-V4和ResNet-34），并结合了病理学家手动标注和计算机生成的标签进行训练，提高了模型的准确性和F分数	NA	研究肿瘤浸润淋巴细胞作为生物标志物在预测疾病进展和临床结果中的作用	23种不同类型的癌症中的肿瘤浸润淋巴细胞	数字病理学	多种癌症	深度学习	CNN	图像	涉及23种癌症的全切片图像，包括大量训练数据和手动标注的图像块
63	2024-08-25	An Interpretable Deep Learning Model for Covid-19 Detection With Chest X-Ray Images 2021, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/ACCESS.2021.3087583 PMID:35256923	研究论文	本文介绍了一种用于COVID-19检测的可解释深度学习模型Gen-ProtoPNet	Gen-ProtoPNet模型使用了广义距离函数，能够处理任意类型的空间维度原型，提高了模型的解释性	NA	开发一种可解释的深度学习模型用于COVID-19的及时准确检测	COVID-19的检测	机器学习	COVID-19	深度学习	Gen-ProtoPNet	图像	使用了X射线图像数据集
64	2024-08-25	Learning Predictive and Interpretable Timeseries Summaries from ICU Data 2021, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:35309006	研究论文	本文提出了一种新方法，从ICU数据中学习既具有预测性又易于人类理解的临床时间序列摘要	提出的摘要方法由简单直观的临床数据函数组成，如“下降的平均动脉压”，这些摘要不仅易于理解，而且在性能上与最先进的深度学习模型相当	NA	提高重症监护病房风险分层任务的性能，并增强模型的可解释性	临床时间序列数据	机器学习	NA	NA	深度学习模型	时间序列数据	NA
65	2024-08-24	Deep-LSTM ensemble framework to forecast Covid-19: an insight to the global pandemic 2021, International journal of information technology : an official journal of Bharati Vidyapeeth's Institute of Computer Applications and Management DOI:10.1007/s41870-020-00571-0 PMID:33426425	研究论文	本文通过综述和设计深度学习模型来预测Covid-19疫情，评估了其在印度的重症监护确诊和死亡病例	提出了一种基于长短期记忆网络（LSTM）的深度学习集成模型来预测Covid-19疫情	NA	研究如何利用人工智能技术支持医疗健康系统诊断和预测Covid-19疫情	Covid-19疫情的重症监护确诊和死亡病例	机器学习	NA	人工智能	LSTM	数据	印度的Covid-19重症监护确诊和死亡病例
66	2024-08-24	Evaluation of deep learning-based approaches for COVID-19 classification based on chest X-ray images 2021, Signal, image and video processing DOI:10.1007/s11760-020-01820-2 PMID:33432267	研究论文	本文评估了基于深度学习的八种预训练模型在胸部X光图像上进行COVID-19分类的效果	使用预训练模型进行迁移学习，有效解决了数据不足的问题，并实现了高准确率	NA	评估深度学习模型在COVID-19分类中的应用	胸部X光图像中的COVID-19分类	计算机视觉	COVID-19	深度卷积神经网络（DCNN）	DenseNet121	图像	760张胸部X光图像，分为五类
67	2024-08-24	Design ensemble deep learning model for pneumonia disease classification 2021, International journal of multimedia information retrieval IF:3.6Q1 DOI:10.1007/s13735-021-00204-7 PMID:33643764	研究论文	本文评估了单个和集成学习模型在肺炎疾病分类中的性能	使用基于InceptionResNet_V2、ResNet50和MobileNet_V2的微调版本的集成模型，提高了肺炎疾病分类的准确性	NA	评估单个和集成学习模型在肺炎疾病分类中的性能	肺炎疾病的分类	计算机视觉	肺炎	NA	CNN	图像	6087张胸部X光图像
68	2024-08-24	Automatic prediction of COVID- 19 from chest images using modified ResNet50 2021, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-021-10783-6 PMID:33967592	研究论文	本文利用改进的ResNet50模型自动从胸部影像中预测COVID-19	提出在ResNet50架构中添加三个新层（Conv、Batch_Normaliz和Activation_Relu层）以提高分类准确性和特征提取的鲁棒性	由于COVID-19数据集较小，使用迁移学习方法	开发一种自动化工具，用于在胸部X射线和计算机断层扫描图像中检测和诊断COVID-19	COVID-19患者的胸部X射线和计算机断层扫描图像	计算机视觉	COVID-19	迁移学习	CNN	图像	胸部X射线和计算机断层扫描图像数据集
69	2024-08-24	Deep learning-based object recognition in multispectral satellite imagery for real-time applications 2021, Machine vision and applications IF:2.4Q2 DOI:10.1007/s00138-021-01209-2 PMID:34177121	研究论文	本文提出了一种基于深度学习的对象识别模型，用于多光谱卫星图像的实时应用	提出的全卷积神经网络（FCN）架构在多光谱卫星图像中实现了97.67%的准确率，超过了人类水平，并在训练时间和预测速度上实现了显著改进	NA	提高多光谱卫星图像中对象识别的准确性和预测速度	多光谱卫星图像中的对象识别	计算机视觉	NA	深度学习	全卷积神经网络（FCN）	图像	多个传感器覆盖的整个地球的高分辨率图像
70	2024-08-24	Images denoising for COVID-19 chest X-ray based on multi-resolution parallel residual CNN 2021, Machine vision and applications IF:2.4Q2 DOI:10.1007/s00138-021-01224-3 PMID:34219975	研究论文	本文提出了一种用于COVID-19胸部X光图像去噪的多分辨率并行残差CNN（MPR-CNN），以提高图像质量	MPR-CNN采用多分辨率并行卷积流提取多尺度特征，利用通道和空间注意力机制聚焦于图像细节，并通过自适应多分辨率特征融合方法增强网络表达	NA	利用深度学习网络对感染患者的阳性胸部X光图像进行预诊断，减轻医疗人员工作压力	COVID-19患者的胸部X光图像	计算机视觉	COVID-19	CNN	MPR-CNN	图像	NA
71	2024-08-24	A Deep Learning Method to Forecast COVID-19 Outbreak 2021, New generation computing IF:2.0Q2 DOI:10.1007/s00354-021-00129-z PMID:34305259	研究论文	本文使用支持向量回归（SVR）和长短期记忆网络（LSTM）方法来预测COVID-19疫情的发展	采用LSTM技术在印度场景中提供了更真实的预测结果	NA	预测COVID-19疫情的行为和结束时间	COVID-19疫情	机器学习	NA	支持向量回归（SVR），长短期记忆网络（LSTM）	LSTM	NA	NA
72	2024-08-24	Machine Learning Approaches for Tackling Novel Coronavirus (COVID-19) Pandemic 2021, SN computer science DOI:10.1007/s42979-021-00774-7 PMID:34308367	研究论文	本文探讨了机器学习方法在应对COVID-19大流行中的应用	本文总结了机器学习在帮助医生做出决策、政策制定者采取有效措施以及识别潜在感染者等方面的四种应用	本文指出了现有系统的挑战并提出了可能的未来趋势	旨在强调机器学习方法在COVID-19大流行中的作用	COVID-19大流行及其对医疗系统和卫生保健设施的影响	机器学习	COVID-19	机器学习	NA	NA	NA
73	2024-08-24	An automatic approach based on CNN architecture to detect Covid-19 disease from chest X-ray images 2021, Applied intelligence (Dordrecht, Netherlands) DOI:10.1007/s10489-020-02010-w PMID:34764572	研究论文	本文提出了一种基于卷积神经网络（CNN）架构的自动方法，用于从胸部X光图像中检测COVID-19疾病	采用深度迁移学习方法，使用多种预训练的CNN模型进行实验，其中Se-ResNeXt-50模型在二分类和多分类任务中均达到最高准确率	NA	开发一种准确的COVID-19疾病诊断方法，以帮助早期诊断和防止疾病传播	COVID-19患者、病毒性肺炎、细菌性肺炎和健康人群的胸部X光图像	计算机视觉	COVID-19	深度学习	CNN	图像	使用了多个数据集，包括728张、1428张、1442张和5232张胸部X光图像
74	2024-08-24	Stacked-autoencoder-based model for COVID-19 diagnosis on CT images 2021, Applied intelligence (Dordrecht, Netherlands) DOI:10.1007/s10489-020-02002-w PMID:34764564	研究论文	本文提出了一种基于堆叠自编码器的模型，用于在CT图像上诊断COVID-19	提出了一个堆叠自编码器检测模型，通过构建新的分类损失函数和叠加重建损失，显著提高了检测模型的精确率和召回率	研究基于较小的COVID-19 CT图像数据集，由于患者隐私原因，公开可用的数据集较少	研究基于CT影像的计算机化模型，用于传染病检测	COVID-19的CT图像	计算机视觉	COVID-19	深度学习	堆叠自编码器	图像	小型COVID-2019 CT图像数据集
75	2024-08-24	Improving Uncertainty Estimation With Semi-Supervised Deep Learning for COVID-19 Detection Using Chest X-Ray Images 2021, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/ACCESS.2021.3085418 PMID:34812397	研究论文	本研究通过胸部X光图像实现COVID-19感染检测系统，并引入不确定性估计	使用MixMatch半监督框架利用未标记数据改善不确定性估计，并提出使用Jensen-Shannon距离作为评估不确定性估计可靠性的新指标	未明确提及	改善COVID-19检测中使用的不确定性估计方法	COVID-19感染检测系统的不确定性估计	计算机视觉	COVID-19	NA	NA	图像	未明确提及
76	2024-08-23	COVID-19 detection and disease progression visualization: Deep learning on chest X-rays for classification and coarse localization 2021, Applied intelligence (Dordrecht, Netherlands) DOI:10.1007/s10489-020-01867-1 PMID:34764549	研究论文	本文通过深度学习方法对胸部X光片进行分类和粗略定位，以检测COVID-19并可视化疾病进展	采用迁移学习管道和多种预训练卷积骨干网络进行分类，并使用生成对抗网络（CycleGAN）增强COVID-19类别数据	由于标记医学图像数量有限，自动化分类仍是一个挑战	开发一种自动化方法来分类COVID-19胸部X光片，并可视化疾病进展	COVID-19胸部X光片	计算机视觉	COVID-19	迁移学习	CNN	图像	使用了两个公开的胸部X光片数据集
77	2024-08-23	Machine and Deep Learning Prediction Of Prostate Cancer Aggressiveness Using Multiparametric MRI 2021, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2021.802964 PMID:35096605	研究论文	本研究开发并验证了基于多参数磁共振成像（mpMRI）数据的机器学习和深度学习框架，用于根据前列腺癌（PCa）的侵袭性进行分类	本研究优化了多个机器学习和深度学习框架，并在T2加权、表观扩散系数（ADC）和T2w+ADC数据上进行了患者嵌套验证，以提高前列腺癌侵袭性预测的准确性	所有基于PI-RADS 2.0数据训练和验证的机器学习和深度学习框架，在PI-RADS 2.1数据测试时，其AUROC值均未超过随机水平	开发和验证机器学习和深度学习框架，以支持临床决策并减少读片者间和读片者内的变异性	前列腺癌的侵袭性评估	机器学习	前列腺癌	多参数磁共振成像（mpMRI）	机器学习和深度学习	图像	112名患者（132个外周病变，Prostate Imaging Reporting and Data System（PI-RADS）评分≥3）
78	2024-08-23	Multi-Institutional Validation of Two-Streamed Deep Learning Method for Automated Delineation of Esophageal Gross Tumor Volume Using Planning CT and FDG-PET/CT 2021, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2021.785788 PMID:35141147	研究论文	本文验证了一种双流深度学习方法在多个机构中自动勾画食管大体肿瘤体积（GTV）的临床应用	开发了一种双流深度学习模型，能够使用治疗计划CT和FDG-PET/CT扫描进行GTV分割，并具有仅使用CT或CT+PET/CT组合进行分割的灵活性	模型在不同机构中的适应性和性能需要进一步验证	验证深度学习多模态食管GTV勾画模型的临床应用性	食管癌患者的GTV勾画	机器学习	食管癌	深度学习	双流深度学习模型	CT和PET/CT扫描	606名食管癌患者
79	2024-08-23	Predicted Cognitive Conversion in Guiding Early Decision-Tailoring on Patients With Cognitive Impairment 2021, Frontiers in aging neuroscience IF:4.1Q2 DOI:10.3389/fnagi.2021.813923 PMID:35185520	研究论文	本研究旨在测试混合卷积神经网络和长短期记忆模型（CNN-LSTM）在预测阿尔茨海默病（AD）和轻度认知障碍（MCI）患者长期认知转换方面的早期决策调整的可行性	利用深度学习模型和纵向特征信息的协同优势，初步验证了在认知转换预测方面具有可比较的性能	考虑到本研究中应用的治疗策略多样性有限，应进一步模拟现实世界的医疗情况	测试混合CNN-LSTM模型在早期决策调整中的可行性	阿尔茨海默病（AD）和轻度认知障碍（MCI）患者	机器学习	阿尔茨海默病	混合卷积神经网络和长短期记忆模型（CNN-LSTM）	CNN-LSTM	纵向神经心理学相关特征	224名患者
80	2024-08-23	Identifying Prognostic Markers From Clinical, Radiomics, and Deep Learning Imaging Features for Gastric Cancer Survival Prediction 2021, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2021.725889 PMID:35186707	研究论文	本研究利用机器学习和多模态数据（包括临床变量、放射组学和深度学习提取的CT影像特征）对1061名胃癌患者进行生存预测，以提高胃癌患者的预后和治疗计划。	本研究首次整合临床变量、放射组学和深度学习影像特征，通过Cox比例风险模型进行胃癌生存预测，并分析了不同特征的预测效果。	NA	提高胃癌生存预测的准确性，以改善患者预后和治疗计划。	胃癌患者的生存预测。	机器学习	胃癌	放射组学、深度学习	Cox比例风险模型	临床数据、影像数据	1061名胃癌患者，其中743名用于模型学习，318名用于独立评估。