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
1	2025-05-20	An autonomous drone for search and rescue in forests using airborne optical sectioning 2021-06-23, Science robotics IF:26.1Q1 DOI:10.1126/scirobotics.abg1188 PMID:34162744	research paper	介绍了一种用于森林搜救的自主无人机原型，能够在密集遮挡的森林中自主寻找人员	采用自适应在线采样技术，结合深度学习分类和动态飞行路径调整，显著提高了搜救效率和精度	实验仅在特定森林类型和飞行条件下进行，未涉及所有可能的复杂环境	开发一种能够在无稳定网络覆盖的偏远地区进行高效搜救的自主无人机系统	森林中隐藏的人员	computer vision	NA	thermal image processing, deep learning-based classification	deep learning	thermal images	42名隐藏人员（其中38名被成功找到）
2	2025-02-21	Concrete compressive strength prediction modeling utilizing deep learning long short-term memory algorithm for a sustainable environment 2021-Jun, Environmental science and pollution research international DOI:10.1007/s11356-021-12877-y PMID:33590396	研究论文	本研究开发了一种利用深度学习长短期记忆算法（LSTM）预测混凝土抗压强度的模型，旨在为可持续环境提供支持	采用LSTM算法预测混凝土抗压强度，并与传统的支持向量机（SVM）算法进行对比，展示了LSTM在预测性能上的优越性	研究依赖于已发表的数据集，可能无法完全覆盖所有实际环境条件下的混凝土抗压强度变化	开发一种高效预测混凝土抗压强度的模型，以减少时间和成本	混凝土抗压强度	机器学习	NA	深度学习，支持向量机	LSTM, SVM	结构化数据	基于已发表研究的数据集
3	2025-01-23	Learning-based dose prediction for pancreatic stereotactic body radiation therapy using dual pyramid adversarial network 2021-06-21, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac0856 PMID:34087807	研究论文	本研究提出了一种基于双金字塔对抗网络（DPNs）的深度学习模型，用于预测胰腺癌立体定向放射治疗（SBRT）的剂量分布	提出了一种新的双金字塔网络（DPNs）集成深度学习模型，结合了CT-only特征金字塔网络（FPN）、contour-only FPN、晚期融合网络和对抗网络，用于胰腺癌SBRT的剂量预测	研究样本量较小，仅涉及30名患者的五折交叉验证和20名患者的保留测试	探索深度学习在胰腺癌SBRT剂量预测任务中的有效性	胰腺癌SBRT的剂量分布	医学影像分析	胰腺癌	深度学习	双金字塔对抗网络（DPNs）	CT图像和轮廓数据	30名患者的五折交叉验证和20名患者的保留测试
4	2025-01-07	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	本文开发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	提出了一种无锚点的掩码卷积神经网络（CNN），结合空间注意力策略，能够捕捉多个器官的空间相关性	研究仅基于83名前列腺癌患者的回顾性数据，样本量相对较小	开发一种用于前列腺近距离放射治疗中多器官分割的自动化方法	前列腺、膀胱、直肠和尿道	计算机视觉	前列腺癌	深度学习	无锚点掩码CNN	超声图像	83名前列腺癌患者
5	2024-12-26	Improved amyloid burden quantification with nonspecific estimates using deep learning 2021-06, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05131-z PMID:33415430	研究论文	本文提出了一种利用深度学习去除淀粉样蛋白-PET扫描中非特异性结合变异的新方法，以提高淀粉样蛋白负担的量化准确性	利用卷积网络的跨模态图像转换能力，去除淀粉样蛋白-PET扫描中的非特异性结合变异，从而提高量化准确性	研究样本仅来自新加坡的172名参与者，可能存在地域和人群限制	提高淀粉样蛋白负担的量化准确性，特别是在存在脑血管疾病的情况下	淀粉样蛋白-PET扫描图像	数字病理学	阿尔茨海默病	深度学习	CNN, cGAN	图像	172名参与者
6	2024-11-21	Evaluating renal lesions using deep-learning based extension of dual-energy FoV in dual-source CT-A retrospective pilot study 2021-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2021.109734 PMID:33933837	研究论文	本文介绍了一种基于深度学习的双能场扩展方法，用于在双源CT中评估肾病变	提出了一种基于深度学习的双能场扩展算法（DEEDL），能够从有限的数据中重建完整的双能场，从而在较小的场范围内可靠地测量HU值并评估肾病变	本文仅进行了回顾性研究，样本量较小，需要进一步的前瞻性研究和更大样本量的验证	开发一种基于深度学习的方法，用于在双源CT中扩展双能场，以评估肾病变	肾病变	计算机视觉	肾病	双源CT	深度学习算法	CT图像	50名患者的训练数据和128名患者的回顾性数据
7	2024-11-20	Ultrashort echo time time-spatial labeling inversion pulse magnetic resonance angiography with denoising deep learning reconstruction for the assessment of abdominal visceral arteries 2021-06, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.27481 PMID:33368773	研究论文	研究比较了三维超短回波时间时间空间标记反转脉冲磁共振血管造影（3D UTE Time-SLIP）与三维平衡稳态自由进动时间空间标记反转脉冲磁共振血管造影（3D bSSFP Time-SLIP）在评估腹部内脏动脉中的图像质量和磁敏感伪影，并评估了去噪深度学习重建（dDLR）对3D UTE稀疏采样中信噪比的改善效果	首次将去噪深度学习重建技术应用于超短回波时间时间空间标记反转脉冲磁共振血管造影，以改善信噪比和减少伪影	3D UTE Time-SLIP在信噪比和图像质量上仍不如3D bSSFP Time-SLIP	研究并比较3D UTE Time-SLIP与3D bSSFP Time-SLIP的图像质量和磁敏感伪影，并评估dDLR对3D UTE信噪比的改善效果	腹部内脏动脉的评估，包括健康志愿者和患者	医学影像	NA	磁共振血管造影（MRA）	深度学习模型	图像	10名健康志愿者和3名患者
8	2024-11-18	Multi-stage malaria parasite recognition by deep learning 2021-06-17, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab040 PMID:34137821	研究论文	本文开发了一种基于深度迁移图卷积网络（DTGCN）的深度学习方法，用于识别血液涂片图像中不同阶段的疟原虫	首次将图卷积网络（GCN）应用于多阶段疟原虫识别	NA	开发一种高效准确的方法来识别血液涂片图像中不同阶段的疟原虫	疟原虫的不同生长阶段	计算机视觉	疟疾	深度迁移图卷积网络（DTGCN）	图卷积网络（GCN）	图像	使用了公开的微观图像数据集和一个大规模的未见过的疟原虫数据集以及Babesia数据集
9	2024-11-11	Artificial Intelligence-based Analytics for Diagnosis of Small Bowel Enteropathies and Black Box Feature Detection 2021-06-01, Journal of pediatric gastroenterology and nutrition IF:2.4Q1 DOI:10.1097/MPG.0000000000003057 PMID:33534362	研究论文	开发了一种基于人工智能的图像分析平台，利用深度学习卷积神经网络（CNNs）来诊断小肠肠病，并检测其特征	利用深度学习CNNs和Grad-CAMs技术，提高了小肠肠病的诊断准确性，并揭示了深度学习模型的决策过程	研究样本主要来自儿童，且样本量相对较小	开发一种能够准确诊断小肠肠病的计算方法，并揭示深度学习模型的决策过程	小肠肠病，包括环境肠病（EE）和乳糜泻（CD）	计算机视觉	NA	深度学习卷积神经网络（CNNs）	CNN	图像	461张高分辨率活检图像，来自150名儿童
10	2024-10-28	Artificial intelligence: a critical review of current applications in pancreatic imaging 2021-Jun, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-021-01098-5 PMID:33550513	综述	本文综述了人工智能在胰腺疾病影像学中的应用	介绍了机器学习和深度学习在胰腺疾病影像学中的最新进展和当前成果	讨论了人工智能在胰腺疾病影像学中的局限性和未来展望	探讨人工智能在胰腺疾病影像学中的应用	胰腺导管腺癌和其他胰腺肿瘤的检测与特征分析	计算机视觉	胰腺癌	机器学习深度学习	NA	影像	NA
11	2024-10-18	Diagnostic Accuracy of Quantitative Multicontrast 5-Minute Knee MRI Using Prospective Artificial Intelligence Image Quality Enhancement 2021-06, AJR. American journal of roentgenology DOI:10.2214/AJR.20.24172 PMID:32755384	研究论文	本研究评估了使用深度学习增强的5分钟3D定量双回波稳态（qDESS）序列与传统膝关节MRI在诊断准确性方面的比较	本研究首次使用深度学习超分辨率增强技术来提高qDESS序列的图像质量，并自动生成T2图	本研究样本量较小，仅包括51名患者，且未涵盖所有可能的膝关节病变	评估深度学习增强的qDESS序列与传统膝关节MRI在诊断准确性方面的差异	膝关节MRI图像的质量和诊断准确性	计算机视觉	NA	深度学习超分辨率增强	深度学习模型	图像	51名膝关节疼痛患者
12	2024-10-10	AIDeveloper: Deep Learning Image Classification in Life Science and Beyond 2021-06, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202003743 PMID:34105281	研究论文	介绍了一种名为AIDeveloper的开源软件，用于在不需要编程的情况下训练神经网络进行图像分类	AIDeveloper提供了一种易于使用、可适应且开源的解决方案，无需编程即可训练神经网络进行图像分类	NA	开发一种无需编程即可训练神经网络进行图像分类的软件	图像分类在生命科学及其他领域的应用	计算机视觉	NA	神经网络	神经网络	图像	超过120万张图像用于训练神经网络进行血细胞分类
13	2024-10-08	Mini-COVIDNet: Efficient Lightweight Deep Neural Network for Ultrasound Based Point-of-Care Detection of COVID-19 2021-06, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2021.3068190 PMID:33755565	研究论文	本文开发了一种轻量级的深度学习模型Mini-COVIDNet，用于基于肺部超声图像的COVID-19检测	提出了Mini-COVIDNet模型，相比现有模型参数减少了4.39倍，内存需求仅为51.29 MB，适用于移动平台部署	NA	开发一种适用于移动平台的轻量级深度学习模型，用于COVID-19的快速检测	COVID-19、肺炎和健康状态的肺部超声图像	计算机视觉	COVID-19	深度学习	深度神经网络	图像	三类样本：COVID-19、肺炎和健康状态
14	2024-10-05	Yet Another Automated Gleason Grading System (YAAGGS) by weakly supervised deep learning 2021-Jun-14, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-021-00469-6 PMID:34127777	研究论文	本文介绍了一种基于弱监督深度学习的自动Gleason分级系统	该系统不需要专家进行广泛的区域级手动注释或复杂的算法来生成区域级注释	受限于病例数量和其他因素	开发一种无需广泛区域级注释的人工智能系统来诊断前列腺癌	前列腺癌的Gleason分级	数字病理学	前列腺癌	深度学习	NA	图像	6664和936个前列腺穿刺单核切片（689和99例）
15	2024-10-01	How artificial intelligence might disrupt diagnostics in hematology in the near future 2021-06, Oncogene IF:6.9Q1 DOI:10.1038/s41388-021-01861-y PMID:34103684	研究论文	本文探讨了人工智能在血液学诊断中的潜在应用及其未来发展	介绍了人工智能在血液学诊断中的多种应用，如模式识别软件、深度学习算法和数字双胞胎技术，并强调了其在自动化图像分类方面的显著进展	尽管提到了人工智能的潜力，但未具体讨论当前应用中的局限性	探讨人工智能在血液学诊断中的应用及其未来发展	血液学诊断中的图像分析和数据处理	机器学习	NA	模式识别软件、深度学习算法、数字双胞胎技术	NA	图像、电子健康记录、可穿戴健康追踪设备数据	NA
16	2024-09-25	A three-stage, deep learning, ensemble approach for prognosis in patients with Parkinson's disease 2021-Jun-07, EJNMMI research IF:3.1Q1 DOI:10.1186/s13550-021-00795-6 PMID:34100134	研究论文	本文提出了一种三阶段深度学习集成方法，用于帕金森病患者的预后预测	该研究结合了深度学习和集成方法，利用多模态数据（DaTscan图像和临床运动症状测量）进行预后预测，展示了成像和非成像信息的协同作用	研究使用了回顾性数据，且样本量相对较小，未来需要在前瞻性研究和更大样本量中验证其有效性	开发一种三阶段深度学习集成方法，用于帕金森病患者的预后预测	帕金森病患者的预后预测	计算机视觉	神经退行性疾病	深度学习	深度神经网络	图像和临床数据	198名帕金森病患者
17	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
18	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
19	2024-09-10	Social distance monitoring framework using deep learning architecture to control infection transmission of COVID-19 pandemic 2021-Jun, Sustainable cities and society IF:10.5Q1 DOI:10.1016/j.scs.2021.102777 PMID:33619448	研究论文	本文提出了一种基于深度学习架构的社会距离监测框架，用于控制COVID-19大流行期间的感染传播	利用Faster-RCNN进行人体检测，并通过迁移学习技术提高框架性能，实现了96%的准确率和0.6%的假阳性率	NA	开发一种能够实时监测和管理人群中社会距离的框架，以防止病毒传播	社会距离监测框架的开发和评估	计算机视觉	COVID-19	深度学习	Faster-RCNN	图像	使用了多种测试图像进行实验
20	2024-09-10	A multi-center study of COVID-19 patient prognosis using deep learning-based CT image analysis and electronic health records 2021-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2021.109583 PMID:33846041	研究论文	本文通过结合电子健康记录和深度学习CT图像分析，进行多中心研究以预测COVID-19患者的预后	开发了一种基于深度学习的CT分割网络，并结合电子健康记录进行预后预测	NA	预测COVID-19患者的严重程度和预后	COVID-19患者的CT图像和电子健康记录	计算机视觉	COVID-19	深度学习	CNN	图像和文本	涉及三个机构的多个患者数据