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
221	2024-09-10	COVID-19 lung infection segmentation with a novel two-stage cross-domain transfer learning framework 2021-12, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102205 PMID:34425317	研究论文	本文提出了一种新颖的两阶段跨域迁移学习框架，用于从CT图像中准确分割COVID-19肺部感染	创新点包括一个名为nCoVSegNet的有效感染分割深度学习模型和一种新颖的两阶段迁移学习策略	NA	快速诊断COVID-19以控制疫情传播	COVID-19肺部感染的CT图像分割	计算机视觉	COVID-19	深度学习	nCoVSegNet	图像	NA
222	2024-09-10	Classification of COVID-19 in X-ray images with Genetic Fine-tuning 2021-Dec, Computers & electrical engineering : an international journal IF:4.0Q2 DOI:10.1016/j.compeleceng.2021.107467 PMID:34584299	研究论文	本文研究了基于X射线图像和深度学习技术对COVID-19和其他类型肺炎的检测	提出了新的遗传微调方法来自动定义ResNet50和VGG16架构的最佳超参数集	NA	开发一种能够快速高效分类COVID-19肺炎的方法，以降低成本	COVID-19、其他肺炎和健康状态的X射线图像	计算机视觉	COVID-19	深度学习	ResNet50, VGG16	图像	NA
223	2024-09-10	A comparative analysis of eleven neural networks architectures for small datasets of lung images of COVID-19 patients toward improved clinical decisions 2021-12, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.104887 PMID:34688974	研究论文	本文比较了十一种神经网络架构在COVID-19患者肺部图像小数据集上的表现，以改进临床决策	本文首次系统比较了十一种卷积神经网络在COVID-19肺部图像分类中的性能，为小医疗数据集的处理和分析提供了决策支持	本文仅限于COVID-19肺部图像的分类，未涉及其他疾病或数据类型	比较不同神经网络模型在COVID-19肺部图像分类中的性能，为临床决策提供支持	COVID-19患者的肺部图像	计算机视觉	呼吸系统疾病	卷积神经网络	CNN	图像	小数据集
224	2024-09-10	Deep learning detects heart failure with preserved ejection fraction using a baseline electrocardiogram 2021-Dec, European heart journal. Digital health DOI:10.1093/ehjdh/ztab081 PMID:36713109	研究论文	本研究利用深度学习技术，通过基线心电图检测保留射血分数的心力衰竭	首次使用卷积神经网络（CNN）根据欧洲心脏病学会（ESC）标准识别HFpEF患者，包括在诊断算法中纳入NT-proBNP测量	NA	开发一种基于心电图的深度学习模型，用于检测保留射血分数的心力衰竭	保留射血分数的心力衰竭患者和对照组	机器学习	心血管疾病	卷积神经网络（CNN）	CNN	心电图	1884名患者用于模型训练，203名志愿者用于外部验证
225	2024-09-10	Unsupervised PM2.5 anomalies in China induced by the COVID-19 epidemic 2021-Nov-15, The Science of the total environment DOI:10.1016/j.scitotenv.2021.148807 PMID:34237535	研究论文	研究评估了COVID-19疫情对中国城市PM2.5水平的影响	开发了一种基于深度学习的条件变分自编码器（CVAE）算法来识别疫情期间的无监督PM2.5异常	NA	评估COVID-19疫情对PM2.5水平的影响	中国城市的PM2.5水平	环境科学	NA	深度学习	条件变分自编码器（CVAE）	PM2.5数据	2017年至2020年中国春节期间的PM2.5数据
226	2024-09-10	SCOAT-Net: A novel network for segmenting COVID-19 lung opacification from CT images 2021-Nov, Pattern recognition IF:7.5Q1 DOI:10.1016/j.patcog.2021.108109 PMID:34127870	研究论文	提出了一种新的空间和通道级粗到细注意力网络（SCOAT-Net），用于从CT图像中分割COVID-19肺部不透明区域	设计了空间和通道级注意力模块，以增强网络对感染区域的特征提取能力	由于医疗资源有限，短时间内难以获取大量数据，这进一步阻碍了深度学习模型的训练	解决从CT图像中自动分割COVID-19肺部不透明区域的挑战	COVID-19肺部不透明区域的CT图像	计算机视觉	COVID-19	CT成像	SCOAT-Net	图像	NA
227	2024-09-10	COVID-19 in Asia: Transmission factors, re-opening policies, and vaccination simulation 2021-11, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2021.111657 PMID:34246638	研究论文	本文研究了亚洲COVID-19大流行的传播因素、重新开放政策和疫苗接种模拟	本文首次综合分析了环境因素、社会政治参数与COVID-19传播率的关系，并使用深度学习方法模拟了疫苗接种率和群体免疫时间	研究基于特定时间段和数据，结果可能受数据质量和时间限制影响	探讨COVID-19在亚洲的传播机制、重新开放策略和疫苗接种效果	COVID-19传播率、环境因素、社会政治参数、重新开放政策、疫苗接种模拟	公共卫生	COVID-19	深度学习	NA	数值数据	8个亚洲国家（伊朗、土耳其、印度、沙特阿拉伯、阿拉伯联合酋长国、菲律宾、韩国和俄罗斯）的数据
228	2024-09-10	RCTE: A reliable and consistent temporal-ensembling framework for semi-supervised segmentation of COVID-19 lesions 2021-Nov, Information sciences DOI:10.1016/j.ins.2021.07.059 PMID:34305162	研究论文	本文提出了一种可靠且一致的时间集成框架（RCTE），用于半监督的COVID-19病变分割	引入了可靠的师生架构和基于改进的广义交叉熵损失的噪声感知损失，以提高分割性能	未提及具体限制	开发一种高效的自动化诊断系统，用于从CT扫描中分割COVID-19病变	COVID-19病变的分割	计算机视觉	COVID-19	深度学习	师生架构	CT扫描图像	有限数量的标注CT扫描和大量未标注CT扫描
229	2024-09-10	Multi-label segmentation and detection of COVID-19 abnormalities from chest radiographs using deep learning 2021-Nov, Optik DOI:10.1016/j.ijleo.2021.167780 PMID:34393275	研究论文	本文提出了一种基于深度学习的全自动多标签分割和检测COVID-19异常的模型	设计了带有通道和空间注意力块的Attention U-Net模型，应用了扩张卷积以提高模型对前景像素的敏感性，并提出了一种新的混合损失函数	NA	开发一种能够自动检测胸部X光片中COVID-19常见异常的深度学习模型	胸部X光片中的COVID-19异常	计算机视觉	COVID-19	深度学习	Attention U-Net	图像	使用了Chest X-ray 14数据集和日本放射技术学会(JSRT)CXR数据集
230	2024-09-10	Impact of COVID-19 on city-scale transportation and safety: An early experience from Detroit 2021-Nov, Smart health (Amsterdam, Netherlands) DOI:10.1016/j.smhl.2021.100218 PMID:34541278	研究论文	研究COVID-19对底特律城市交通和安全的影响，并开发深度学习模型预测未来一周的病例数	提出了使用长短期记忆网络进行COVID-19病例预测的方法，并展示了高达0.91的决定系数	研究仅限于底特律的数据，可能不适用于其他城市	分析COVID-19对城市交通和安全的影响，并开发预测模型	底特律的交通流量、每日病例数、天气、社交距离指数和事故数据	NA	NA	长短期记忆网络 (LSTM)	LSTM	交通流量数据、病例数据、天气数据、社交距离指数、事故数据	2019年1月至2020年6月的数据
231	2024-09-10	Unsupervised Deep Learning based Variational Autoencoder Model for COVID-19 Diagnosis and Classification 2021-Nov, Pattern recognition letters IF:3.9Q2 DOI:10.1016/j.patrec.2021.08.018 PMID:34566223	研究论文	本文提出了一种基于无监督深度学习的变分自编码器模型，用于COVID-19的诊断和分类	引入了一种新的无监督深度学习变分自编码器（UDL-VAE）模型，结合了自适应维纳滤波（AWF）预处理技术和Inception v4与Adagrad特征提取技术	未提及具体限制	开发一种高效的无监督学习技术，用于COVID-19的检测和分类	COVID-19的诊断和分类	计算机视觉	COVID-19	变分自编码器（VAE）	变分自编码器（VAE）	图像	未提及具体样本数量
232	2024-09-10	The application of industry 4.0 technologies in pandemic management: Literature review and case study 2021-Nov, Healthcare analytics (New York, N.Y.) DOI:10.1016/j.health.2021.100008 PMID:36618951	综述	本文通过科学计量分析，系统回顾了工业4.0技术在疫情管理中的应用，并结合案例研究进行了讨论	本文首次系统性地回顾了工业4.0技术在疫情管理中的应用，并结合实际案例进行了深入分析	本文主要基于文献回顾和单一案例研究，缺乏大规模实证数据的支持	探讨工业4.0技术在疫情管理中的应用及其对未来疫情管理的影响	工业4.0技术及其在新冠疫情管理中的应用	NA	NA	物联网(IoT)、人工智能(AI)、云计算、机器学习、大数据、区块链、深度学习、数字化、网络物理系统(CPS)	NA	NA	NA
233	2024-09-10	Checklist for responsible deep learning modeling of medical images based on COVID-19 detection studies 2021-Oct, Pattern recognition IF:7.5Q1 DOI:10.1016/j.patcog.2021.108035 PMID:34054148	研究论文	本文系统分析了用于COVID-19检测的深度神经网络模型在数据获取、模型开发和解释构建阶段中的常见错误，并提出了一个可靠的COVID-19诊断模型应满足的最低条件清单	提出了一个用于可靠COVID-19诊断模型的最低条件清单，并指出了现有模型在放射学领域缺乏深入理解的问题	NA	分析现有COVID-19检测模型的常见错误，并提出一个可靠的诊断模型应满足的最低条件清单	用于COVID-19检测的深度神经网络模型	计算机视觉	COVID-19	深度学习	深度神经网络	医学图像	NA
234	2024-09-10	An optimized KELM approach for the diagnosis of COVID-19 from 2D-SSA reconstructed CXR Images 2021-Oct, Optik DOI:10.1016/j.ijleo.2021.167572 PMID:34248209	研究论文	本文提出了一种优化的KELM方法，用于从2D-SSA重构的CXR图像中诊断COVID-19	本文提出了一种基于2D奇异谱分析（SSA）的图像重构方法，并结合基于草蜢的核极限学习机（KELM）进行特征优化和参数选择	本文未提及具体的局限性	提高COVID-19诊断的准确性和效率	COVID-19的CXR图像	计算机视觉	COVID-19	2D奇异谱分析（SSA），核极限学习机（KELM）	KELM	图像	NA
235	2024-09-10	A novel fusion-based deep learning model for sentiment analysis of COVID-19 tweets 2021-Sep-27, Knowledge-based systems IF:7.2Q1 DOI:10.1016/j.knosys.2021.107242 PMID:36570870	研究论文	提出了一种基于深度学习和经典监督机器学习模型融合的新方法，用于分析COVID-19相关推文的情感	融合了深度学习和经典监督机器学习模型，用于情感分析	未提及具体限制	研究COVID-19相关推文的情感，以帮助监控和控制疫情	COVID-19相关推文和Google Trends搜索数据	自然语言处理	NA	深度学习	融合模型	文本	超过150万感染病例和100万死亡病例
236	2024-09-10	Revealing the Threat of Emerging SARS-CoV-2 Mutations to Antibody Therapies 2021-09-03, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2021.167155 PMID:34273397	研究论文	本文研究了SARS-CoV-2变异对现有抗体疗法的潜在威胁	开发了一种基于拓扑的深度学习策略，分析了大量基因数据，揭示了高频突变对临床试验中多种单克隆抗体的潜在影响	研究结果主要基于模型预测，尚未经过实验验证	揭示SARS-CoV-2变异对现有抗体疗法的潜在威胁	SARS-CoV-2刺突蛋白受体结合域的突变及其对临床试验中单克隆抗体的影响	机器学习	COVID-19	深度学习	深度学习模型	基因数据	分析了796,759个患者基因样本，识别了606个非简并RBD突变
237	2024-09-10	A cognitive IoT-based framework for effective diagnosis of COVID-19 using multimodal data 2021-Sep, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2021.102960 PMID:34249142	研究论文	提出了一种基于认知物联网和深度学习的框架，用于使用多模态数据进行COVID-19的有效诊断	引入了两个轻量级模型CovParaNet和CovTinyNet，分别用于音频和图像分类，并通过动态多模态随机森林分类器集成结果，实现了100%的准确率、精确率和召回率	NA	减少COVID-19误诊率，提供一个自我诊断系统以降低测试中心的病毒传播风险	COVID-19的准确预测	机器学习	COVID-19	深度学习	CNN	多模态数据	小数据集
238	2024-09-10	A novel deep learning based method for COVID-19 detection from CT image 2021-Sep, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2021.102987 PMID:34345248	研究论文	本文提出了一种基于深度学习的新方法，用于从CT图像中检测COVID-19	本文创新性地结合了池化层和Squeeze Excitation Block (SE-block)层，并使用Batch Normalization和Mish函数优化了COVID-19诊断的收敛时间和性能	NA	开发一种辅助检测工具，以快速诊断COVID-19感染	COVID-19感染的CT图像	计算机视觉	COVID-19	深度学习	深度神经网络 (DNN)	图像	来自两家公立医院的CT图像数据集
239	2024-09-10	CoLe-CNN+: Context learning - Convolutional neural network for COVID-19-Ground-Glass-Opacities detection and segmentation 2021-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.104689 PMID:34364263	研究论文	本文提出了一种基于深度学习策略的系统，用于从CT扫描中自动检测和分割COVID-19的磨玻璃影	引入了一种新的多卷积层结构，并提出了一个定制的损失函数，以在敏感性和精确性之间实现最佳平衡	NA	开发一种自动化的方法，从CT扫描中检测和分割COVID-19的磨玻璃影，以支持COVID-19的诊断	COVID-19患者的CT扫描图像	计算机视觉	肺部疾病	深度学习	卷积神经网络	图像	NA
240	2024-09-10	Deep learning analysis of resting electrocardiograms for the detection of myocardial dysfunction, hypertrophy, and ischaemia: a systematic review 2021-Sep, European heart journal. Digital health DOI:10.1093/ehjdh/ztab048 PMID:34604757	综述	本文综述了利用深度学习分析静息心电图以检测心肌功能障碍、肥大和缺血的证据	深度学习模型，特别是使用卷积神经网络的模型，在分析静息心电图信号以检测结构性心脏病理方面优于基于规则的模型和其他机器学习模型	研究排除了通过便携式、应激、心内或植入式设备获取的心电图，以及病理性质为心律失常的研究	评估深度学习分析静息心电图以预测结构性心脏病理的证据	静息心电图信号用于检测左心室收缩功能障碍、心肌肥大和缺血性心脏病	机器学习	心血管疾病	深度学习	卷积神经网络	心电图信号	12篇符合条件的研究文章