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
361	2024-08-31	Unsupervised Black-Box Model Domain Adaptation for Brain Tumor Segmentation 2022, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2022.837646 PMID:35720708	研究论文	本文提出了一种无监督领域自适应框架，用于脑肿瘤分割，该框架使用仅在源域训练的黑盒分割模型，无需依赖源数据或可访问网络参数的白盒源模型	提出了一种知识蒸馏方案，以逐步学习目标特定表示，并通过无监督熵最小化来规范目标域标签的置信度	未提及具体的局限性	解决跨中心合作中因隐私问题导致的数据和标签共享困难，实现无监督领域自适应	脑肿瘤分割	计算机视觉	脑肿瘤	无监督领域自适应 (UDA)	黑盒模型	图像	未提及具体样本数量
362	2024-08-31	O-Net: A Novel Framework With Deep Fusion of CNN and Transformer for Simultaneous Segmentation and Classification 2022, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2022.876065 PMID:35720715	研究论文	本文提出了一种名为O-Net的新型网络框架，结合CNN和Transformer的优势，用于医学图像的分割和分类	O-Net框架融合了CNN和Transformer，能够同时学习全局和局部信息，提高医学图像分割和分类的性能	NA	改进医学图像分割和分类的准确性	医学图像的分割和分类	计算机视觉	NA	CNN, Transformer	O-Net	图像	使用了synapse多器官CT数据集和ISIC 2017挑战数据集
363	2024-08-31	A Complete Process of Text Classification System Using State-of-the-Art NLP Models 2022, Computational intelligence and neuroscience DOI:10.1155/2022/1883698 PMID:35720939	研究论文	本文总结了用于文本分类的多种机器学习和深度学习算法，并讨论了它们的优缺点	本文汇总了最新的学习模型用于解决各种自然语言处理问题，并提供了对文本分类过程中所需的各种子任务和文献的深入理解	未明确提及具体的技术限制	旨在帮助读者理解文本分类过程中的各种子任务和文献，并探索文本分类领域的进一步改进或提出新的技术	文本分类算法及其在不同领域的应用	自然语言处理	NA	机器学习和深度学习模型	监督学习、半监督学习和无监督学习模型	文本	未明确提及具体样本数量
364	2024-08-31	Multiclass Cancer Prediction Based on Copy Number Variation Using Deep Learning 2022, Computational intelligence and neuroscience DOI:10.1155/2022/4742986 PMID:35720914	研究论文	本文通过开发三种端到端的深度学习模型（DNN、CNN和RNN），利用24,174个基因的CNV数据对六种癌症类型进行分类	首次尝试使用端到端深度学习模型进行多类别癌症预测，避免了传统机器学习中手工特征提取和选择的步骤	目前仅针对六种癌症类型进行研究，未来计划扩展到其他类型的癌症	探索不同人类癌症之间的差异，并比较不同深度学习架构在CNV数据上的表现	六种癌症类型	机器学习	NA	深度学习	DNN, CNN, RNN	CNV数据	24,174个基因
365	2024-08-31	Chest L-Transformer: Local Features With Position Attention for Weakly Supervised Chest Radiograph Segmentation and Classification 2022, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2022.923456 PMID:35721071	研究论文	本文提出了一种名为Chest L-Transformer的弱监督模型，用于胸部X光片的分割和分类，该模型利用局部特征和位置注意力机制来处理胸部X光片的全球对称性和病灶与其位置的依赖关系	Chest L-Transformer通过分类基于局部特征的图像来避免由全局对称性引起的误分类，并结合Transformer注意力机制来模拟病灶与其位置之间的依赖关系，重点关注疾病易发区域	NA	解决胸部X光片弱监督分割的问题	胸部X光片的分割和分类	计算机视觉	NA	Transformer注意力机制	Chest L-Transformer	图像	NA
366	2024-08-31	Quantum readout and gradient deep learning model for secure and sustainable data access in IWSN 2022, PeerJ. Computer science DOI:10.7717/peerj-cs.983 PMID:35721415	研究论文	本文提出了一种新的量子读出梯度安全深度学习（QR-GSDL）模型，以确保只有可信传感器能够访问工业无线传感器网络（IWSN）数据	引入量子读出和哈希函数进行注册，采用梯度安全深度学习方法进行认证和授权，提高了能源效率和数据访问的安全性	NA	旨在创建安全、能源高效的IWSN，实现绿色可持续性并减少工业对环境的影响	工业无线传感器网络（IWSN）中的数据访问安全性和能源效率	机器学习	NA	量子读出，哈希函数，梯度安全深度学习	深度学习模型	NA	NA
367	2024-08-31	Intelligent wearable allows out-of-the-lab tracking of developing motor abilities in infants 2022, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-022-00131-6 PMID:35721830	研究论文	本文构建并验证了一种通用的、可扩展且有效的方法，用于测量婴儿从仰卧到流畅行走的所有运动里程碑的自发运动能力	开发了一种多传感器婴儿穿戴设备，并使用深度学习分类器来模仿人类对姿势和运动的视觉分类，提供了一种新的神经发育测量指标Baba Infant Motor Score (BIMS)	NA	探索使用智能穿戴设备在医院外评估婴儿运动能力的可能性	59名5至19个月大的婴儿的自发运动行为	NA	NA	深度学习	深度学习分类器	运动数据	59名婴儿
368	2024-08-31	SparNet: A Convolutional Neural Network for EEG Space-Frequency Feature Learning and Depression Discrimination 2022, Frontiers in neuroinformatics IF:2.5Q3 DOI:10.3389/fninf.2022.914823 PMID:35722169	研究论文	本文提出了一种名为SparNet的卷积神经网络，用于学习EEG的空间-频率特征并区分抑郁症与正常对照	SparNet模型结合了五个并行的卷积滤波器和SENet，专门设计用于学习不同脑区的空间和频率域特征	NA	提高抑郁症识别的分类准确性	抑郁症与正常对照的区分	机器学习	抑郁症	卷积神经网络	CNN	EEG信号	NA
369	2024-08-31	Deep Learning in Neuroimaging: Overcoming Challenges With Emerging Approaches 2022, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2022.912600 PMID:35722548	研究论文	本文介绍了三种新兴的深度学习方法，旨在克服神经影像学中的挑战，加速其在精神病学研究中的应用	提出了两种减少训练数据需求的方法：深度学习者跨数据源的知识迁移能力和自监督学习技术，以及可解释人工智能工具，以揭示深度学习决策的特征组合	NA	探索深度学习在精神病学中的应用，特别是利用多维数据集如fMRI数据预测临床结果	深度学习方法在神经影像学中的应用	机器学习	精神疾病	深度学习	DL	fMRI数据	NA
370	2024-08-31	Accuracy of two deep learning-based reconstruction methods compared with an adaptive statistical iterative reconstruction method for solid and ground-glass nodule volumetry on low-dose and ultra-low-dose chest computed tomography: A phantom study 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0270122 PMID:35737734	研究论文	本研究评估了两种基于深度学习的重建方法与自适应统计迭代重建方法在低剂量和高剂量胸部CT上对实性和磨玻璃结节体积测量的准确性。	首次评估了基于深度学习的算法在低剂量和高剂量胸部CT上对实性和磨玻璃结节体积测量的准确性。	研究仅限于使用模拟器进行的实验，未涉及临床患者数据。	研究旨在比较两种基于深度学习的图像重建算法与迭代重建方法在低剂量和高剂量设置下对实性和磨玻璃结节体积测量的准确性。	实性和磨玻璃结节在低剂量和高剂量胸部CT上的体积测量。	计算机视觉	肺部疾病	CT扫描	深度学习算法	图像	不同直径的实性和磨玻璃结节放置在模拟器中，进行了四种辐射剂量的CT扫描。
371	2024-08-31	FetalGAN: Automated Segmentation of Fetal Functional Brain MRI Using Deep Generative Adversarial Learning and Multi-Scale 3D U-Net 2022, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2022.887634 PMID:35747213	研究论文	本文提出了一种基于深度生成对抗网络和多尺度3D U-Net的自动化胎儿功能性脑部MRI分割方法，称为FetalGAN	FetalGAN首次成功实现了在胎儿fMRI脑图像上应用3D CNN与GAN的结合，显著推进了rs-MRI图像处理的自动化	NA	旨在提高胎儿功能性脑部MRI图像预处理中脑部分割的自动化程度	胎儿功能性脑部MRI图像	计算机视觉	NA	深度学习	GAN	图像	NA
372	2024-08-31	Automatic Segmentation of MRI of Brain Tumor Using Deep Convolutional Network 2022, BioMed research international IF:2.6Q3 DOI:10.1155/2022/4247631 PMID:35757482	研究论文	本文研究了基于深度卷积网络的脑肿瘤MRI自动分割方法	提出了一种基于全卷积神经网络的级联网络模型，并引入了Dice损失函数和并行Dice损失来改善类别不平衡问题和子结构分割效果	未提及具体局限性	开发适用于脑肿瘤分割任务的网络模型，提高分割准确性	多模态磁共振成像（MRI）脑肿瘤图像	医学图像处理	脑肿瘤	MRI	全卷积神经网络	图像	使用BraTS 2017数据集
373	2024-08-31	Emerging artificial intelligence applications in Spatial Transcriptomics analysis 2022, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2022.05.056 PMID:35765645	综述	本文综述了当前用于空间转录组学分析的人工智能方法	介绍了多种利用机器学习和深度学习技术进行空间转录组学数据分析的人工智能方法	NA	综述空间转录组学分析中的人工智能应用	空间转录组学数据分析	自然语言处理	NA	机器学习, 深度学习	NA	转录组数据	NA
374	2024-08-31	Novel extreme regression-voting classifier to predict death risk in vaccinated people using VAERS data 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0270327 PMID:35767542	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，并引入了一种新的极端回归投票分类器（ER-VC）来提高预测准确性	本研究引入了新的极端回归投票分类器（ER-VC），结合了额外树分类器和逻辑回归，使用软投票准则，并通过合成少数过采样（SMOTE）和自适应合成采样（ADASYN）技术避免模型过拟合	NA	预测接种疫苗人群的死亡风险，以减少公众对疫苗的恐惧并促进疫苗接种	接种COVID-19疫苗后的人群	机器学习	NA	机器学习模型，包括极端回归投票分类器（ER-VC）	极端回归投票分类器（ER-VC）	文本	使用了COVID-19 VAERS数据集，该数据集记录了接种COVID-19疫苗后的不良事件
375	2024-08-31	AlphaFold Models of Small Proteins Rival the Accuracy of Solution NMR Structures 2022, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2022.877000 PMID:35769913	研究论文	本研究评估了AlphaFold模型在小而相对刚性的蛋白质上的准确性，与实验溶液NMR结构的比较	首次展示了AlphaFold模型在小蛋白质上的准确性可与实验溶液NMR结构相媲美，挑战了普遍认为AlphaFold无法准确模拟溶液NMR结构的误解	研究仅限于小而相对刚性的蛋白质，未涵盖所有类型的蛋白质结构	评估AlphaFold模型在小蛋白质上的准确性，并比较其与实验NMR和X射线晶体结构的匹配程度	六种代表性的小蛋白质，其结构已通过NMR和X射线晶体学确定	结构生物学	NA	AlphaFold	深度学习模型	蛋白质结构数据	六种小蛋白质
376	2024-08-31	Magnetic Resonance Imaging Data Features to Evaluate the Efficacy of Compound Skin Graft for Diabetic Foot 2022, Contrast media & molecular imaging DOI:10.1155/2022/5707231 PMID:35815055	研究论文	本研究旨在分析基于深度学习算法的磁共振成像（MRI）数据特征在评估复合皮肤移植治疗糖尿病足（DF）中的作用	研究利用深度学习算法分析MRI图像数据，以辅助评估复合皮肤移植治疗糖尿病足的疗效	NA	评估复合皮肤移植治疗糖尿病足的疗效	糖尿病足患者	数字病理学	糖尿病足	磁共振成像（MRI）	深度学习算法	图像	78名糖尿病足患者，分为实验组（复合皮肤移植）和对照组（自体皮肤移植）各39名
377	2024-08-30	Imaging through diffuse media using multi-mode vortex beams and deep learning 2022-01-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05358-w PMID:35091633	研究论文	本文提出了一种使用多模涡旋光束和名为“LGDiffNet”的新型深度学习网络通过散射介质进行成像的新方法	使用多模涡旋光束和“LGDiffNet”网络进行图像重建，相比现有模式提供了增强的图像重建能力	NA	解决通过散射介质进行光学成像的挑战	通过散射介质进行图像重建	计算机视觉	NA	深度学习	LGDiffNet	图像	使用220号砂砾和2毫米宽的强散射散射器进行实验验证
378	2024-08-30	CariesNet: a deep learning approach for segmentation of multi-stage caries lesion from oral panoramic X-ray image 2022-Jan-07, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-021-06684-2 PMID:35017793	研究论文	本文提出了一种名为CariesNet的深度学习架构，用于从口腔全景X光图像中分割多阶段龋齿病变	引入了一个带有全尺度轴向注意力模块的U形网络，以提高龋齿类型分割的准确性	未提及具体限制	开发一种自动化的方法来提高龋齿诊断的准确性和效率	多阶段龋齿病变	计算机视觉	口腔疾病	深度学习	U形网络	图像	3127张高质量的全景X光图像
379	2024-08-30	Inverted bell-curve-based ensemble of deep learning models for detection of COVID-19 from chest X-rays 2022-Jan-05, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-021-06737-6 PMID:35013650	研究论文	本文提出了一种基于倒钟形曲线的深度学习模型集成方法，用于从胸部X光片中检测COVID-19	采用倒钟形曲线加权集成方法，结合迁移学习预训练模型，提高了COVID-19检测的准确性	NA	开发一种高效的深度学习模型集成方法，用于从胸部X光片中准确检测COVID-19	COVID-19患者的胸部X光片	计算机视觉	COVID-19	深度学习	CNN	图像	使用了两个公开数据集：COVID-19放射学数据库和IEEE COVID胸部X光数据集
380	2024-08-30	A Survey on Mathematical, Machine Learning and Deep Learning Models for COVID-19 Transmission and Diagnosis 2022, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2021.3069213 PMID:33769936	综述	本文综述了用于COVID-19传播分析和诊断的数学、机器学习和深度学习模型	提供了对现有数学模型、机器学习模型和深度学习模型的全面回顾，以帮助选择合适的模型进行疾病传播分析和快速自动化诊断	每种模型都有其特定的局限性和优势，需要根据具体情况选择	旨在通过数学和数据驱动模型分析和预测COVID-19的传播，以及提供快速自动化诊断机制	COVID-19的传播分析和诊断	机器学习	COVID-19	NA	数学模型、机器学习模型、深度学习模型	NA	NA