深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
341	2024-09-02	Transfer Learning-Based Condition Monitoring of Single Point Cutting Tool 2022, Computational intelligence and neuroscience DOI:10.1155/2022/3205960 PMID:35875754	研究论文	本文提出使用基于迁移学习的技术来监测单点切削工具的状态	利用预训练的深度学习网络如VGG-16、AlexNet、ResNet-50和GoogLeNet来识别切削工具的状态，并研究了超参数对性能的影响	未提及具体限制	提高制造业生产效率，通过智能和自动化的诊断工具来维护工具健康状况	单点切削工具的状态监测	机器学习	NA	迁移学习	CNN	振动信号	未提及具体数量	NA	NA	NA	NA
342	2024-09-02	A deep semantic vegetation health monitoring platform for citizen science imaging data 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0270625 PMID:35895741	研究论文	本文构建了一个基于深度语义分割的植被健康监测平台，用于处理公民科学项目中的RGB图像数据，以监测大面积景观中的植被健康状况	引入了基于深度语义分割的语义植被指数（SVI），并将其应用于公民科学项目中，以提高植被健康监测的准确性	文章未明确提及具体的局限性	开发一个能够准确监测大面积景观中植被健康状况的平台	澳大利亚景观中的植被健康状况	计算机视觉	NA	深度学习	语义分割模型	图像	数千张植被图像，来自澳大利亚地区的168个不同地点，覆盖六年的季度图像	NA	NA	NA	NA
343	2024-09-02	Predicting death risk analysis in fully vaccinated people using novel extreme regression-voting classifier 2022 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076221109530 PMID:35898288	研究论文	本研究利用机器学习模型预测接种疫苗人群的死亡风险，并比较了不同模型的效果	提出了一种新的极端回归-投票分类器模型，并在实验中显示出优于其他机器学习和深度学习模型的性能	NA	研究如何利用机器学习模型预测接种COVID-19疫苗后的死亡风险	接种COVID-19疫苗后出现的三种重要事件：未存活、康复和未康复	机器学习	COVID-19	NA	极端回归-投票分类器、卷积神经网络、长短期记忆网络、双向长短期记忆网络	文本	使用原始数据集和通过合成少数类过采样技术平衡的数据集进行实验	NA	NA	NA	NA
344	2024-09-02	A pilot study on deep learning-based grading of corners of vertebral bodies for assessment of radiographic progression in patients with ankylosing spondylitis 2022, Therapeutic advances in musculoskeletal disease IF:3.4Q2 DOI:10.1177/1759720X221114097 PMID:35898565	研究论文	本研究旨在开发一种基于深度学习模型的颈椎和腰椎椎体角度的分级方法，用于辅助检测强直性脊柱炎患者的mSASSS评分	首次开发了一种高性能的深度学习模型，用于椎体角度的分级	该模型需要进一步改进和验证，以开发未来的计算机辅助工具	开发一种深度学习模型，用于辅助检测强直性脊柱炎患者的mSASSS评分	颈椎和腰椎椎体角度	计算机视觉	强直性脊柱炎	深度学习	卷积神经网络	图像	1280名强直性脊柱炎患者，包括5,083张颈椎和5,245张腰椎侧位X光片，共计119,414个椎体角度	NA	NA	NA	NA
345	2024-09-02	Identification and Classification of Prostate Cancer Identification and Classification Based on Improved Convolution Neural Network 2022, BioMed research international IF:2.6Q3 DOI:10.1155/2022/9112587 PMID:35898684	研究论文	本研究基于改进的卷积神经网络对前列腺癌进行识别和分类	提出了一种基于改进U-Net网络的区域分割模型，通过密集连接块融合深浅层特征，并对各尺度特征进行监督	NA	提高前列腺癌诊断的客观性和重复性	前列腺癌的识别和分类	计算机视觉	前列腺癌	深度学习	U-Net网络	图像	一个完全注释的数据集	NA	NA	NA	NA
346	2024-09-02	Facility Layout Optimization of Urban Public Sports Services under the Background of Deep Learning 2022, Computational intelligence and neuroscience DOI:10.1155/2022/1748319 PMID:35898767	研究论文	本文采用M-P模型、损失函数和激活函数的方法，以即将举办亚运会的体育城市杭州为例，进行了城市公共体育服务布局优化的实验	利用深度学习技术优化城市公共体育服务的空间布局	实验仅基于杭州一个城市的情况，可能需要更多城市的数据以验证方法的普遍适用性	解决当前背景下城市体育社会设施布局不均衡及难以满足居民需求的问题	城市公共体育服务的空间布局	机器学习	NA	深度学习	M-P模型	数据	以杭州为例，进行了实验	NA	NA	NA	NA
347	2024-09-02	A Hierarchical Graph Learning Model for Brain Network Regression Analysis 2022, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2022.963082 PMID:35903810	研究论文	本文提出了一种用于脑网络回归分析的可解释图学习模型	该模型在有效性、公平性和透明度方面优于其他最先进的方法	NA	旨在提高脑网络分析的可解释性	脑网络和成人自我报告（ASR）评分	机器学习	NA	图学习方法	图学习模型	脑网络数据	来自人类连接组项目（HCP）的受试者	NA	NA	NA	NA
348	2024-09-02	Machine Learning Approaches to TCR Repertoire Analysis 2022, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2022.858057 PMID:35911778	综述	本文综述了基于机器学习和深度学习的T细胞受体库分析方法，并讨论了其未来前景	NA	NA	评估免疫系统的状态和异常	T细胞受体库	机器学习	NA	基因组测序技术	机器学习和深度学习	数据	NA	NA	NA	NA	NA
349	2024-09-02	Skin Cancer Classification With Deep Learning: A Systematic Review 2022, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2022.893972 PMID:35912265	综述	本文全面概述了最新的基于深度学习的皮肤癌分类算法	总结了皮肤癌分类任务中的前沿问题及其解决方案，并指出这些方法的发展方向是结构化、轻量化和多模态	未提及具体的研究限制	提供基于深度学习的皮肤癌分类算法的全面概述	皮肤癌分类算法及其前沿问题	计算机视觉	皮肤癌	深度学习	CNN	图像	NA	NA	NA	NA	NA
350	2024-09-02	An effective behavior recognition method in the video session using convolutional neural network 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0266734 PMID:35913982	研究论文	提出了一种基于卷积神经网络的视频行为识别方法，通过增加目标检测阶段和改进损失函数，提高了行为识别的准确性	通过增加目标检测阶段和使用改进的损失函数，减少了背景噪声的干扰并解决了分类难度和样本不平衡问题	未提及具体限制	提高基于视频的行为识别方法的准确性	视频中的行为识别	计算机视觉	NA	卷积神经网络 (CNN)	CNN	视频	使用了不同的开源和基准数据集进行实验	NA	NA	NA	NA
351	2024-09-02	3D Convolutional Neural Network Framework with Deep Learning for Nuclear Medicine 2022, Scanning DOI:10.1155/2022/9640177 PMID:35924105	研究论文	本文探讨了在核医学领域中使用3D卷积神经网络（CNN）和深度学习（DL）的新进展	介绍了3D CNN和U-Net在核医学中的应用，这些技术改变了临床和研究实践	未明确提及	探索3D CNN和U-Net在核医学中的应用，以及它们如何影响临床和研究实践	核医学中的图像分析和数据处理	机器学习	NA	3D CNN	CNN	图像	未明确提及	NA	NA	NA	NA
352	2024-09-02	A miRNA Target Prediction Model Based on Distributed Representation Learning and Deep Learning 2022, Computational and mathematical methods in medicine DOI:10.1155/2022/4490154 PMID:35924115	研究论文	本文开发了一种结合词嵌入和深度学习的新方法，用于人类miRNA靶点在位点级别的预测	本文首次研究了核苷酸序列的编码问题，并利用词嵌入和深度学习技术提高了miRNA靶点预测的准确性	NA	揭示转录组调控机制，对癌症和其他疾病的研究具有重要意义	人类miRNA靶点	生物信息学	NA	词嵌入，深度学习	BiLSTM	序列数据	NA	NA	NA	NA	NA
353	2024-09-01	Automatic deep learning system for COVID-19 infection quantification in chest CT 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-021-11299-9 PMID:34539221	研究论文	本文提出了一种用于胸部CT扫描中COVID-19感染区域自动分割的深度学习系统	该系统采用U-net架构并结合改进的残差块，通过连接跳跃连接改善梯度值的学习，提高了感染区域分割的准确性	系统性能依赖于可用数据集的多样性和数量，未来数据可用性的增加将进一步提升系统的准确性和泛化能力	开发一种自动化的深度学习系统，用于在胸部CT扫描中量化COVID-19感染区域	COVID-19感染区域的分割	计算机视觉	COVID-19	边缘增强扩散过滤（EED）	FCN（全卷积网络）	图像	使用了来自不同来源的多个2D CT切片进行训练和测试	NA	NA	NA	NA
354	2024-09-01	Class imbalance in out-of-distribution datasets: Improving the robustness of the TextCNN for the classification of rare cancer types 2022-01, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2021.103957 PMID:34823030	研究论文	本研究旨在量化并提升CNN在分类病理报告中由于临床文本自然演化导致的分布外（OOD）数据集上的文本分类性能	提出了一种新的类特异性集成技术，该技术在分类罕见癌症类型时在宏F1分数上优于其他方法	研究主要集中在类不平衡问题上，未涉及其他可能影响模型性能的因素	提高CNN在临床自然语言处理领域中对罕见癌症类型分类的鲁棒性	病理报告中的罕见癌症类型	自然语言处理	NA	NA	CNN	文本	NA	NA	NA	NA	NA
355	2024-09-01	Deep Learning Approach Using Diffusion-Weighted Imaging to Estimate the Severity of Aphasia in Stroke Patients 2022-Jan, Journal of stroke IF:6.0Q1 DOI:10.5853/jos.2021.02061 PMID:35135064	研究论文	本研究旨在探讨使用扩散加权成像（DWI）数据通过深度学习（DL）模型预测急性脑卒中患者早期失语症严重程度的适用性	利用深度学习模型结合DWI数据和临床变量来估计失语商（AQ）分数，为早期评估失语症严重程度提供了一种新的方法	研究样本仅来自一家医院，且时间跨度有限，可能影响模型的泛化能力	研究深度学习模型在预测急性脑卒中患者早期失语症严重程度中的应用	急性缺血性脑卒中导致的失语症患者	机器学习	脑卒中	扩散加权成像（DWI）	深度前馈网络	图像	共225名脑卒后失语症患者，其中176名被纳入并分析	NA	NA	NA	NA
356	2024-09-01	An hybrid deep learning approach for depression prediction from user tweets using feature-rich CNN and bi-directional LSTM 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-12648-y PMID:35317471	研究论文	本文提出了一种混合深度学习模型，结合卷积神经网络（CNN）和双向长短期记忆网络（biLSTM），用于从用户推文中预测抑郁症	本文的创新点在于使用混合深度学习模型CNN-biLSTM，通过分析用户推文的语义内容来预测抑郁症，并在基准抑郁症数据集上达到了94.28%的准确率	NA	探索通过分析用户在社交媒体上的活动，特别是推文内容，来预测用户的心理状态，区分抑郁症患者和非抑郁症患者	研究对象为社交媒体平台Twitter上的用户推文	机器学习	NA	深度学习	CNN, biLSTM	文本	基准抑郁症数据集包含的推文	NA	NA	NA	NA
357	2024-09-01	On the performance evaluation of object classification models in low altitude aerial data 2022, The Journal of supercomputing IF:2.5Q2 DOI:10.1007/s11227-022-04469-5 PMID:35399758	研究论文	本文比较了机器学习分类器与深度学习手工模型及多种预训练深度网络在低空无人机数据上的分类性能	提出了使用随机森林分类器和手工深度模型在低空无人机图像上的高准确率，并分析了多种预训练深度学习模型的性能	NA	评估和比较不同模型在低空无人机数据上的物体分类性能	低空无人机数据中的物体分类	计算机视觉	NA	机器学习和深度学习	CNN	图像	NA	NA	NA	NA	NA
358	2024-09-01	A transfer learning based deep learning model to diagnose covid-19 CT scan images 2022, Health and technology IF:3.1Q2 DOI:10.1007/s12553-022-00677-4 PMID:35698586	研究论文	本文提出了一种基于迁移学习的深度学习模型，用于通过CT扫描图像诊断COVID-19	本文提出的深度学习方法减少了复杂性，耗时更少，并且提高了COVID-19诊断的准确性	NA	开发一种高效且准确的自动化方法，用于在疫情条件下快速诊断COVID-19	COVID-19患者的CT扫描图像	计算机视觉	COVID-19	深度学习	CNN	图像	使用了多种CT扫描图像进行分析	NA	NA	NA	NA
359	2024-09-01	Fully automated determination of the cervical vertebrae maturation stages using deep learning with directional filters 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0269198 PMID:35776715	研究论文	本文提出了一种使用带有方向滤波器的深度卷积神经网络（CNN）来自动检测和分类颈椎成熟阶段（CVM）的方法	创新的定制设计深度CNN模型，内置一组新颖的方向滤波器，用于突出X射线图像中颈椎的边缘	NA	应用深度学习实现颈椎成熟阶段的全自动检测和分类	颈椎成熟阶段（CVM）的分类	计算机视觉	NA	深度学习	CNN	图像	1018张头颅侧位X光片	NA	NA	NA	NA
360	2024-09-01	Application of Machine Learning Algorithms for Asthma Management with mHealth: A Clinical Review 2022, Journal of asthma and allergy IF:3.7Q1 DOI:10.2147/JAA.S285742 PMID:35791395	综述	本文综述了机器学习算法在哮喘管理中的应用，特别是在移动健康（mHealth）领域的应用	探讨了mHealth在哮喘管理中超越简单监测的潜力，并强调了个性化算法的重要性	大多数研究基于小规模数据集，且缺乏外部验证，限制了研究结果的普遍性	旨在填补机器学习在mHealth哮喘管理应用方面的研究空白	哮喘管理中的mHealth应用	机器学习	哮喘	机器学习算法	监督学习算法（如逻辑回归、决策树）和非监督学习算法	来自各种设备的数据（如智能手机、智能手表、峰值流量计等）	从90项研究中筛选出22项相关研究进行进一步审查	NA	NA	NA	NA