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
41	2024-08-07	Attention Guided Lymph Node Malignancy Prediction in Head and Neck Cancer 2021-Jul-15, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2021.02.004 PMID:33561508	研究论文	本文提出了一种注意力引导的分类方案（AGC），用于在头颈癌（HNC）放疗中准确分类淋巴结（LN）恶性状态，通过结合人类知识（如LN轮廓）引导模型学习方向，减少对大量训练样本的需求，并在推理阶段不需要精确的LN分割，而是可以突出显示LN附近的区分区域。	本文的创新点在于提出了一种注意力引导的分类方案（AGC），该方案通过结合人类知识引导模型学习方向，减少了对大量训练样本的需求，并在推理阶段不需要精确的LN分割，而是可以突出显示LN附近的区分区域。	NA	本文的研究目的是在头颈癌放疗中准确分类淋巴结恶性状态，以帮助确定治疗目标。	本文的研究对象是头颈癌患者的淋巴结恶性状态。	计算机视觉	头颈癌	NA	注意力引导的卷积神经网络（agCNN）和分类卷积神经网络（cCNN）	图像	129名头颈癌手术患者，包括791个淋巴结
42	2024-08-07	Deep learning for cephalometric landmark detection: systematic review and meta-analysis 2021-Jul, Clinical oral investigations IF:3.1Q1 DOI:10.1007/s00784-021-03990-w PMID:34046742	系统综述和荟萃分析	本文通过系统综述和荟萃分析评估了深度学习在头影测量标志点检测中的准确性和证据基础	深度学习在头影测量标志点检测中显示出较高的准确性，但需要进一步证明其鲁棒性和泛化能力	研究存在高偏倚风险和适用性问题，主要涉及数据选择和参考测试执行	评估深度学习在头影测量标志点检测中的准确性和证据基础	头影测量图像中的标志点检测	计算机视觉	NA	深度学习	卷积神经网络	二维和三维放射图像	19项研究，主要使用二维侧位放射图像，检测平均30个标志点
43	2024-08-07	U-net model for brain extraction: Trained on humans for transfer to non-human primates 2021-07-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2021.118001 PMID:33789137	研究论文	本文利用迁移学习框架，通过在大型人类成像数据集上预训练卷积神经网络（U-Net模型），并将其迁移到非人灵长类动物数据上，以提高脑提取的准确性和效率。	本文首次将迁移学习应用于非人灵长类动物的脑提取，通过预训练的U-Net模型在多个研究站点数据上进行升级，提高了模型的泛化能力和准确性。	尽管模型在多个站点数据上表现良好，但仍需进一步验证其在更多种类非人灵长类动物和其他哺乳动物上的适用性。	提高非人灵长类动物脑提取的准确性和效率，并推广到其他哺乳动物。	非人灵长类动物的脑提取，以及通过迁移学习扩展到其他哺乳动物。	计算机视觉	NA	卷积神经网络	U-Net	图像	136只猕猴的数据集，以及来自多个研究站点的非人灵长类动物数据