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	A stacking ensemble deep learning approach to cancer type classification based on TCGA data 2021-Aug-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-95128-x PMID:34341396	研究论文	本文提出了一种基于一维卷积神经网络（1D-CNN）的堆叠集成深度学习模型，用于对女性常见的五种癌症进行基于RNASeq数据的多类别分类	提出的模型在性能上优于单一的1D-CNN和其他机器学习方法，特别是在使用LASSO进行特征选择后	未明确提及具体限制	提高癌症类型分类的准确性，以辅助早期诊断和治疗策略的设计	女性常见的五种癌症类型	机器学习	乳腺癌, 肺癌, 结直肠癌, 甲状腺癌, 卵巢癌	1D-CNN, LASSO	1D-CNN	RNASeq基因表达数据	数据来自Pan-Cancer Atlas，具体样本数量未明确提及
42	2024-08-07	A deep-learning method using computed tomography scout images for estimating patient body weight 2021-Aug-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-95170-9 PMID:34341462	研究论文	本文开发并评估了一种基于深度学习的方法，用于从CT（计算机断层扫描）引导图像中自动预测患者体重	提出了一种新的深度学习方法，能够从CT引导图像中准确预测患者体重，这在紧急情况下尤其有用	NA	开发一种时间效率高且准确的方法，用于在CT扫描前估计患者体重	基于1831张胸部和519张腹部CT引导图像及其对应体重，开发和评估深度学习模型	计算机视觉	NA	深度学习	深度学习模型	图像	1831张胸部CT引导图像和519张腹部CT引导图像
43	2024-08-07	Detection of Alzheimer's disease using ECD SPECT images by transfer learning from FDG PET 2021-Aug, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-021-01626-3 PMID:34076857	研究论文	本研究开发了一种利用深度学习模型从少量SPECT脑灌注图像中自动提取图像特征，以客观评估阿尔茨海默病（AD）的实用方法。	本研究首次将基于PET FDG代谢成像训练的模型迁移到少量SPECT脑灌注图像上，提高了模型的敏感性和准确性。	研究中使用的样本量较小，可能影响模型的泛化能力。	开发一种基于深度学习的模型，利用SPECT脑灌注图像快速且客观地评估阿尔茨海默病。	阿尔茨海默病（AD）的检测和评估。	机器学习	阿尔茨海默病	SPECT成像	Inception v3网络模型	图像	1000例F-18-FDG PET图像用于预训练，不同样本量的训练数据集（100, 200, 400, 800, 1000例）用于预训练。
44	2024-08-05	MIDeepSeg: Minimally interactive segmentation of unseen objects from medical images using deep learning 2021-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102102 PMID:34118654	研究论文	提出了一种新颖的深度学习基础的交互式分割方法，用于在医学图像中对未见物体进行分割	这种方法只需要用户点击输入，具有高效性，并且能够很好地泛化到一系列不可见物体	在复杂情况下，传统交互式分割方法仍然需要大量用户互动	研究如何通过深度学习改进医学图像的交互式分割	医学图像中的器官或病变	计算机视觉	NA	深度学习	CNN	医学图像	2D和3D医学图像任务中涉及的未见物体的广泛范围
45	2024-08-07	Detection of dementia on voice recordings using deep learning: a Framingham Heart Study 2021-08-31, Alzheimer's research & therapy DOI:10.1186/s13195-021-00888-3 PMID:34465384	研究论文	本研究利用深度学习模型分析语音记录，以检测痴呆症	开发了两种深度学习模型（LSTM和CNN），用于自动分析语音记录并分类痴呆症患者	NA	探索通过语音记录自动检测痴呆症的方法	来自Framingham心脏研究的1264份语音记录	机器学习	痴呆症	深度学习	LSTM和CNN	音频	1264份语音记录，包括483份正常认知、451份轻度认知障碍和330份痴呆症