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
141	2024-09-19	A Novel Method for COVID-19 Diagnosis Using Artificial Intelligence in Chest X-ray Images 2021-Apr-29, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare9050522 PMID:33946809	研究论文	提出了一种利用人工智能和胸部X光图像自动诊断COVID-19的新方法	提出了CoVIRNet模型，结合了深度学习和机器学习技术，通过多尺度特征提取和分类，实现了95.7%的准确率，特征提取器与随机森林分类器结合达到了97.29%的准确率	由于COVID-19数据集较小，存在过拟合的风险	开发一种非侵入性技术，利用人工智能自动检测疑似COVID-19患者	COVID-19患者的胸部X光图像	计算机视觉	传染病	深度学习	Inception-ResNet	图像	有限数量的COVID-19患者胸部X光图像
142	2024-09-19	Transfer learning for establishment of recognition of COVID-19 on CT imaging using small-sized training datasets 2021-Apr-22, Knowledge-based systems IF:7.2Q1 DOI:10.1016/j.knosys.2021.106849 PMID:33584016	研究论文	本文利用迁移学习技术，基于小规模训练数据集，建立了用于CT影像识别COVID-19的方法	本文首次采用迁移学习结合DensNet-121模型，利用CheXNet预训练网络在小规模数据集上进行微调，实现了COVID-19的高精度识别	本文方法依赖于预训练网络的性能，且仅在COVID-19-CT数据集上进行了验证	开发一种基于CT影像的高效COVID-19识别方法，以减轻临床和放射科医生的负担	COVID-19的CT影像识别	计算机视觉	COVID-19	迁移学习	DensNet-121	CT影像	小规模数据集
143	2024-09-19	Deep Learning-Driven Automated Detection of COVID-19 from Radiography Images: a Comparative Analysis 2021-Mar-02, Cognitive computation IF:4.3Q1 DOI:10.1007/s12559-020-09779-5 PMID:33680209	研究论文	本文详细研究了基于深度学习的COVID-19自动检测方法，并进行了模型性能的基准测试	首次对315种深度学习模型在COVID-19检测中的性能进行了基准测试，并发现DenseNet201模型结合Quadratic SVM分类器表现最佳	研究主要集中在X射线图像上，未涵盖其他类型的医学影像数据	评估和比较不同深度学习模型在COVID-19检测中的性能	COVID-19、正常和肺炎的X射线图像	计算机视觉	COVID-19	深度学习	DenseNet201	图像	来自四个数据集的X射线图像，共315个模型
144	2024-09-19	Machine and Deep Learning towards COVID-19 Diagnosis and Treatment: Survey, Challenges, and Future Directions 2021-01-27, International journal of environmental research and public health DOI:10.3390/ijerph18031117 PMID:33513984	综述	本文综述了基于人工智能的机器学习和深度学习方法在COVID-19诊断和治疗中的应用	总结了现有的最先进方法及其在COVID-19中的应用，并提供了未来研究方向	NA	探讨人工智能技术在COVID-19诊断和治疗中的应用及其未来发展方向	COVID-19的诊断和治疗	机器学习	COVID-19	机器学习 (ML) 和深度学习 (DL)	NA	NA	NA
145	2024-09-17	Using Deep Learning to Identify High-Risk Patients with Heart Failure with Reduced Ejection Fraction 2021, Journal of health economics and outcomes research IF:2.3Q2 DOI:10.36469/jheor.2021.25753 PMID:34414250	研究论文	本研究利用深度学习模型预测心力衰竭伴射血分数降低患者的心力衰竭住院、恶化事件及30天和90天再入院	本研究首次采用双向长短期记忆网络（Bi-LSTM）模型，并展示了其在预测心力衰竭相关结果方面的优越性	缺乏详细的临床数据以及样本量和样本不平衡问题可能限制了模型的性能	开发和部署预测工具以识别高风险的心力衰竭伴射血分数降低患者	心力衰竭伴射血分数降低患者的住院、恶化事件及再入院	机器学习	心血管疾病	深度学习	双向长短期记忆网络（Bi-LSTM）	电子健康记录	共纳入47,498名心力衰竭伴射血分数降低患者，其中9,427名至少有一次心力衰竭住院
146	2024-09-15	Ten future challenges for synthetic biology 2021-Sep, Engineering biology DOI:10.1049/enb2.12011 PMID:36968258	评论	本文讨论了合成生物学领域的10个未来挑战	NA	NA	探讨合成生物学未来的技术进步和发展方向	合成生物学领域的技术挑战	合成生物学	NA	自动化、深度学习、进化控制	NA	NA	NA
147	2024-09-14	Automated delineation of head and neck organs at risk using synthetic MRI-aided mask scoring regional convolutional neural network 2021-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.15146 PMID:34342878	研究论文	本文提出了一种基于合成MRI和区域卷积神经网络的自动分割方法，用于头颈部放射治疗中的器官风险轮廓勾画	利用合成MRI增强CT图像的软组织对比度，结合区域卷积神经网络进行器官风险轮廓的自动分割	NA	开发一种基于深度学习的自动器官风险轮廓分割方法，以提高放射治疗计划中的轮廓勾画精度	头颈部癌症患者的器官风险轮廓	计算机视觉	头颈部癌症	合成MRI	区域卷积神经网络	图像	内部数据集包含18个器官风险轮廓，公共数据集包含9个器官风险轮廓
148	2024-09-14	Fully automated segmentation of brain tumor from multiparametric MRI using 3D context deep supervised U-Net 2021-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.15032 PMID:34101845	研究论文	本文开发了一种基于深度学习的全自动脑肿瘤分割方法，使用3D上下文深度监督U-Net模型对多参数MRI图像进行脑肿瘤亚区域的分割	本文提出了一种上下文块，用于聚合多尺度上下文信息，从而扩大卷积神经网络的有效感受野，提高脑肿瘤亚区域的分割精度	本文仅在BraTS 2020数据集上进行了验证，未来需要在更多数据集上进行验证以确保方法的泛化能力	开发一种自动化的脑肿瘤分割方法，以减少医生手动分割的时间和提高分割的准确性	脑肿瘤及其亚区域	计算机视觉	脑肿瘤	深度学习	U-Net	图像	使用了BraTS 2020训练数据集进行五折交叉验证，测试数据集通过BraTS在线网站获取
149	2024-09-14	High through-plane resolution CT imaging with self-supervised deep learning 2021-07-14, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac0684 PMID:34049297	研究论文	本文提出了一种自监督深度学习工作流程，用于合成高穿透平面分辨率的CT图像	该方法的创新点在于使用自监督学习，无需依赖真实CT图像进行网络训练，并验证了平面高分辨率信息可以监督穿透平面高分辨率生成的假设	NA	提高放射治疗计划中CT图像的穿透平面分辨率	头颈癌和肺癌患者的CT图像	计算机视觉	头颈癌, 肺癌	深度学习	神经网络	图像	75名头颈癌患者（1毫米切片厚度）和20名肺癌患者（3毫米切片厚度）的CT模拟图像
150	2024-09-14	Self-supervised learning for accelerated 3D high-resolution ultrasound imaging 2021-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.14946 PMID:33993508	研究论文	本文提出了一种基于自监督学习的深度学习算法，用于从稀疏采集的二维超声图像中重建高分辨率的三维超声图像	本文创新性地使用循环一致生成对抗网络（cycleGAN）进行自监督学习，通过学习从降采样的低分辨率图像到原始高分辨率图像的映射，生成高分辨率的二维图像，并最终重建高分辨率的三维超声图像	本文未提及具体的局限性	开发一种基于深度学习的算法，从稀疏采集的二维图像中重建高分辨率的三维超声图像	高分辨率的三维超声图像	计算机视觉	癌症	深度学习	生成对抗网络（GAN）	图像	70例乳腺癌患者和45例前列腺癌患者的超声图像
151	2024-09-14	Automatic delineation of cardiac substructures using a region-based fully convolutional network 2021-Jun, Medical physics IF:3.2Q1 DOI:10.1002/mp.14810 PMID:33655548	研究论文	本文提出了一种基于区域的全卷积网络用于自动描绘心脏亚结构	使用了一种基于深度学习的算法，通过区域卷积神经网络（RCNN）自动生成心脏亚结构的轮廓，以帮助回顾性或前瞻性剂量学研究	该方法在冠状动脉和心脏瓣膜的分割上表现较差，平均表面距离（MSD）较大	研究放射剂量与心脏亚结构毒性之间的关系	心脏亚结构，如心房和心室	计算机视觉	NA	区域卷积神经网络（RCNN）	全卷积网络	CT图像	55个患者CT数据集，其中22个有对比扫描，45个用于三折交叉验证，10个用于保留评估
152	2024-09-14	Male pelvic multi-organ segmentation on transrectal ultrasound using anchor-free mask CNN 2021-Jun, Medical physics IF:3.2Q1 DOI:10.1002/mp.14895 PMID:33894057	研究论文	本文提出了一种基于深度学习的男性盆腔多器官分割方法，用于经直肠超声图像中的前列腺和风险器官的轮廓绘制	本文提出了一种无锚点的掩码卷积神经网络（CNN），通过空间注意力策略来提高分割精度	本文仅在前列腺癌患者的数据上进行了验证，未来需在更多疾病和人群中进行验证	开发一种用于经直肠超声图像中男性盆腔多器官分割的深度学习方法	前列腺、膀胱、直肠和尿道	计算机视觉	前列腺癌	卷积神经网络（CNN）	无锚点掩码CNN	图像	83名前列腺癌患者
153	2024-09-14	Evaluation of deep learning approaches for identification of different corona-virus species and time series prediction 2021-06, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2021.101921 PMID:33930734	研究论文	本文评估了多种深度学习模型在新冠病毒物种识别和时间序列预测中的应用	本文首次将多种卷积神经网络模型（如VGG、LetNet-5、AlexNet和Resnet-50）应用于新冠病毒和SARS_MERS感染患者的肺部X光扫描分类，并使用LSTM模型进行新冠病毒病例的时间序列预测	由于不同冠状病毒类型的特征重叠，肺部X光扫描的分类任务具有挑战性	开发一种自动化系统，用于区分新冠病毒阳性患者和阴性患者，并预测未来10天内的新冠病毒病例	新冠病毒和SARS_MERS感染患者的肺部X光扫描图像，以及意大利未来10天内的新冠病毒病例	计算机视觉	NA	卷积神经网络（CNN）和长短期记忆网络（LSTM）	CNN和LSTM	图像	NA
154	2024-09-14	Head and neck multi-organ segmentation on dual-energy CT using dual pyramid convolutional neural networks 2021-05-20, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abfce2 PMID:33915524	研究论文	本文提出了一种基于双能量CT图像的头颈部多器官分割方法，使用双金字塔卷积神经网络	本文创新性地结合了双能量CT图像的低能和高能通道信息，通过深度注意力机制突出有用的特征，并引入掩码评分子网络来提高分割精度	对于低对比度的小型器官，分割效果仍有提升空间	开发一种自动化的头颈部多器官分割方法，以提高诊断和治疗的准确性	头颈部区域的多器官分割	计算机视觉	头颈部癌症	双能量CT	卷积神经网络	图像	127名头颈部癌症患者（66名用于训练，61名用于测试）
155	2024-09-14	Echocardiographic image multi-structure segmentation using Cardiac-SegNet 2021-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.14818 PMID:33655564	研究论文	本文提出了一种基于深度学习的超声心动图多结构分割方法，使用Cardiac-SegNet网络进行自动分割	本文提出了一种无锚点的掩码卷积神经网络Cardiac-SegNet，相比传统的Mask R-CNN方法，该网络能够更好地建模目标的空间关系，并采用空间注意力策略突出显著特征	NA	开发一种基于深度学习的自动多结构分割方法，用于超声心动图的心脏边界分割，以评估心脏功能和疾病诊断	超声心动图中的左心室心内膜、左心室心外膜和左心房	计算机视觉	心血管疾病	卷积神经网络	CNN	图像	450个患者数据集，采用五折交叉验证和保留测试
156	2024-09-14	Synthetic dual-energy CT for MRI-only based proton therapy treatment planning using label-GAN 2021-03-09, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abe736 PMID:33596558	研究论文	本文提出了一种基于深度学习的方法，利用label-GAN从MRI生成合成双能CT（sDECT），以计算质子治疗中的停止功率比（SPR）	本文提出了一种新的基于标签生成对抗网络（label-GAN）的模型，能够区分高能CT（HECT）和低能CT（LECT），并显著提高了sDECT的准确性	本文仅在57例头颈部癌症患者的数据集上验证了方法的有效性，未来需要在更大和更多样化的数据集上进行验证	开发一种从MRI生成合成双能CT的方法，以支持无CT的质子治疗计划	头颈部癌症患者的MRI和双能CT图像	计算机视觉	头颈部癌症	深度学习	生成对抗网络（GAN）	图像	57例头颈部癌症患者
157	2024-09-14	Breast tumor segmentation in 3D automatic breast ultrasound using Mask scoring R-CNN 2021-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.14569 PMID:33128230	研究论文	本文开发了一种基于深度学习的方法，使用Mask scoring R-CNN进行3D自动乳腺超声中的乳腺肿瘤自动分割	本文提出了一种新颖的Mask scoring R-CNN方法，用于自动分割3D自动乳腺超声图像中的乳腺肿瘤	NA	开发一种基于深度学习的方法，用于3D自动乳腺超声中的乳腺肿瘤自动分割	3D自动乳腺超声图像中的乳腺肿瘤	计算机视觉	乳腺癌	Mask scoring R-CNN	R-CNN	图像	70名经针刺活检确诊的乳腺癌患者，其中40名用于五折交叉验证，30名用于保留测试
158	2024-09-13	[Review on identity feature extraction methods based on electroencephalogram signals] 2021-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202102057 PMID:34970904	综述	本文综述了基于脑电信号的身份特征提取方法	介绍了脑电信号在生物识别中的特殊优势，并探讨了如何结合脑电数据特征更好地提取差异信息	未提及具体的研究局限性	探讨基于脑电信号的身份识别方法	脑电信号的身份特征提取	生物识别	NA	脑电信号分析	深度学习	脑电信号	NA
159	2024-09-13	Image and structured data analysis for prognostication of health outcomes in patients presenting to the ED during the COVID-19 pandemic 2021-Dec-09, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2021.104662 PMID:34923448	研究论文	研究利用机器学习和深度学习模型，结合临床数据和胸部影像数据，预测COVID-19患者在急诊科的不良预后	首次将临床数据和胸部影像数据结合，使用LightGBM和CheXNet模型进行多维度风险预测	研究样本仅限于Loyola大学医学中心的3571名患者，可能存在地域和样本量的局限性	开发机器学习和深度学习模型，预测COVID-19患者在急诊科的不良预后	COVID-19患者的胸部影像和临床数据	计算机视觉	COVID-19	LightGBM, CheXNet	LightGBM, CheXNet	图像, 结构化数据	3571名18岁及以上的急诊科患者
160	2024-09-13	[Research progress in lung parenchyma segmentation based on computed tomography] 2021-Apr-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202008032 PMID:33913299	综述	本文综述了近年来基于CT图像的肺实质分割研究进展	重点介绍了改进深度学习模型网络结构的研究进展	讨论了肺实质分割中尚未解决的问题	回顾和分析肺实质分割的研究进展，为相关领域的研究人员提供参考	基于CT图像的肺实质分割方法	计算机视觉	肺部疾病	CT技术	深度学习模型	图像	NA