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
441	2024-08-27	Combination of Radiological and Clinical Baseline Data for Outcome Prediction of Patients With an Acute Ischemic Stroke 2022, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2022.809343 PMID:35432171	研究论文	本研究旨在开发结合影像和临床基线数据的预测模型，用于急性缺血性中风患者的治疗结果预测	本研究创新地结合了影像学和深度学习图像特征与临床数据，显著改善了良好再灌注的预测	尽管结合影像和临床数据在预测再灌注方面有所改善，但在预测mRS评分方面并未显示出显著优势	开发结合影像和临床基线数据的预测模型，以提高急性缺血性中风患者治疗结果的预测准确性	急性缺血性中风患者	数字病理学	中风	深度学习	CNN	影像和临床数据	3,279名患者
442	2024-08-27	A Real-Time Medical Ventilation on Heart Failure Analysis Based on Sleep Apnea Snore and Meta-Analysis 2022, Journal of healthcare engineering DOI:10.1155/2022/9979413 PMID:35444776	研究论文	本文通过使用基于LeNet-100 CNN的深度学习技术，对睡眠呼吸暂停打鼾进行实时医疗通气分析，以改善心脏衰竭的诊断和治疗	本文采用了LeNet-100 CNN模型进行深度学习，提高了分类准确性，并进行了心脏衰竭的元分析	NA	研究旨在通过改进分类准确性来优化睡眠呼吸暂停（OSA）的治疗方法	心脏衰竭患者及其睡眠呼吸暂停症状	机器学习	心血管疾病	深度学习	CNN	数据集	心脏衰竭数据集来自Kaggle网站
443	2024-08-27	A Survey of Dental Caries Segmentation and Detection Techniques 2022, TheScientificWorldJournal DOI:10.1155/2022/8415705 PMID:35450417	综述	本文深入探讨了深度学习在牙科龋齿分割和检测中的应用	本文综述了多种基于深度学习的牙科图像分割和检测方法，并根据龋齿类型和X射线图像类型进行了分类	本文讨论了现有方法的局限性，并提出了未来改进的方向	分析和比较深度学习在牙科龋齿分割和检测中的应用	牙科龋齿的分割和检测	计算机视觉	牙科疾病	深度学习	CNN	图像	NA
444	2024-08-27	ADC-Net: An Open-Source Deep Learning Network for Automated Dispersion Compensation in Optical Coherence Tomography 2022, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2022.864879 PMID:35463032	研究论文	本研究开发了一种用于光学相干断层扫描（OCT）中自动色散补偿的深度学习网络（ADC-Net）	ADC-Net基于改进的UNet架构，采用编码器-解码器流水线，能够对OCT B-扫描进行部分补偿并优化所有视网膜层	NA	开发一种深度学习网络用于OCT中的自动色散补偿	光学相干断层扫描（OCT）中的色散问题	计算机视觉	NA	深度学习	UNet	图像	五输入通道模型被观察为ADC-Net训练的最佳选择
445	2024-08-27	Dual-Branch Convolutional Neural Network Based on Ultrasound Imaging in the Early Prediction of Neoadjuvant Chemotherapy Response in Patients With Locally Advanced Breast Cancer 2022, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2022.812463 PMID:35463368	研究论文	本研究开发了一种基于深度学习的新方法——双分支卷积神经网络（DBNN），利用超声图像早期预测局部晚期乳腺癌患者对新辅助化疗（NAC）的反应	提出了一种双分支卷积神经网络（DBNN），通过特征共享和调整不同分支的权重，强调了不同阶段数据的重要性，并结合NAC前后的超声图像信息，提高了预测病理完全反应（pCR）的诊断性能	本研究为回顾性研究，样本量相对较小，且仅限于局部晚期乳腺癌患者	开发一种新的方法，利用超声图像早期预测乳腺癌患者对新辅助化疗的反应，以指导治疗决策	局部晚期乳腺癌患者对新辅助化疗的早期反应	机器学习	乳腺癌	超声成像	双分支卷积神经网络（DBNN）	图像	114名女性患者
446	2024-08-27	Non-Invasive Measurement Using Deep Learning Algorithm Based on Multi-Source Features Fusion to Predict PD-L1 Expression and Survival in NSCLC 2022, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2022.828560 PMID:35464416	研究论文	本文开发了一种基于深度学习算法的非侵入性测量系统，用于预测非小细胞肺癌（NSCLC）中的PD-L1表达和生存结果	本研究首次提出了一种结合深度学习、影像组学和临床特征的AI系统，用于非侵入性地评估PD-L1表达和生存结果	NA	开发一种非侵入性的AI系统，用于测量PD-L1表达特征（ES）并评估NSCLC患者的生存结果	非小细胞肺癌（NSCLC）患者的PD-L1表达和生存结果	机器学习	肺癌	深度学习	3D ResNet	CT图像	1135名非小细胞肺癌（NSCLC）患者
447	2024-08-27	Robot Learning From Randomized Simulations: A Review 2022, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2022.799893 PMID:35494543	综述	本文综述了机器人从随机化模拟中学习的方法，特别是关注于一种名为“域随机化”的技术	介绍了通过域随机化技术来克服模拟与现实之间的差异，即“现实差距”	所有模拟器都是基于模型构建的，因此不可避免地存在不完美之处	探讨如何修改模拟器以促进机器人控制策略的学习，并克服模拟与现实之间的不匹配	机器人学习方法及其在模拟到现实环境中的应用	机器人学	NA	域随机化	深度学习	模拟数据	NA
448	2024-08-27	Social media text analytics of Malayalam-English code-mixed using deep learning 2022, Journal of big data IF:8.6Q1 DOI:10.1186/s40537-022-00594-3 PMID:35495077	研究论文	本文研究了马拉雅拉姆语-英语混合文本的社交媒体文本分析，重点是识别攻击性语言和情感分析	提出了一个框架，结合了嵌入方法（Word2Vec和FastText）和深度学习算法（单/双向模型、混合模型和转换器方法），并进行了超参数优化	未明确提及	旨在提高马拉雅拉姆语-英语混合文本在社交媒体中的处理能力	马拉雅拉姆语-英语混合数据集	自然语言处理	NA	深度学习	单/双向模型、混合模型、转换器	文本	FIRE 2020数据集和EACL 2021数据集
449	2024-08-27	Research on Intelligent Target Tracking Algorithm Based on MDNet under Artificial Intelligence 2022, Computational intelligence and neuroscience DOI:10.1155/2022/1550543 PMID:35498174	研究论文	本文介绍了一种基于MDNet的目标跟踪方法，通过引入两种注意力机制来提取和整合更好的特征，并使用案例分区减少跟踪模块的投入和最小化网络大小，以防止结果恶化	引入了两种注意力机制来提取和整合更好的特征，并使用案例分区技术来优化网络结构	未提及具体的局限性	研究基于MDNet的智能目标跟踪算法	目标跟踪技术	计算机视觉	NA	深度学习	MDNet	图像	未提及具体样本数量
450	2024-08-26	A Comparative Study of Deep Learning Classification Methods on a Small Environmental Microorganism Image Dataset (EMDS-6): From Convolutional Neural Networks to Visual Transformers 2022, Frontiers in microbiology IF:4.0Q2 DOI:10.3389/fmicb.2022.792166 PMID:35308350	研究论文	本文对21种深度学习模型在小规模环境微生物图像数据集上进行了一系列比较实验，包括直接分类、不平衡训练和超参数调整实验	发现21种模型之间存在互补性，为特征融合相关实验提供了基础	几何变形的数据增强方法难以提升VT系列模型的性能	为研究人员提供可靠的参考，寻找适合当前设备工作环境的具有良好分类性能的模型	小规模环境微生物图像数据集	计算机视觉	NA	深度学习	CNN, ViT, DeiT, BotNet, T2T-ViT, Xception, ShuffleNet-V2	图像	小规模环境微生物图像数据集（EMDS-6）
451	2024-08-26	Tissue Cytometry With Machine Learning in Kidney: From Small Specimens to Big Data 2022, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2022.832457 PMID:35309077	综述	本文综述了利用机器学习结合细胞学技术在肾脏组织3D成像分析中的最新进展	介绍了体积组织探索与分析细胞学工具，以及基于深度学习的完整组织中细胞的图像分类方法	NA	探讨如何通过结合机器学习与细胞学技术，利用高分辨率成像提供的内容深度，生成高度信息化的分析输出	肾脏组织的3D成像分析	机器学习	肾脏疾病	3D成像	深度学习	图像	小组织样本
452	2024-08-26	Multi-Stream Convolutional Neural Network-Based Wearable, Flexible Bionic Gesture Surface Muscle Feature Extraction and Recognition 2022, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2022.833793 PMID:35310001	研究论文	本文研究了基于表面肌电信号（sEMG）的手势识别问题，提出了一种多流卷积神经网络算法，用于增强手势识别中对手部动作的特征提取能力	本文采用了一种多流卷积神经网络算法，通过重建sEMG样本结构来虚拟增加信号通道，提供更丰富的输入信息，从而提高手势识别的准确性	本文未详细讨论算法的计算复杂度和实时性问题	研究如何利用sEMG信号进行手势识别，提高识别的准确性和鲁棒性	表面肌电信号（sEMG）和手势识别	机器学习	NA	表面肌电信号（sEMG）	多流卷积神经网络（CNN）	信号	未明确提及具体样本数量
453	2024-08-26	Machine Vision and Intelligent Algorithm Based on Neural Network 2022, Computational intelligence and neuroscience DOI:10.1155/2022/6154453 PMID:35310591	研究论文	本文优化了神经网络算法和智能算法，并在机器视觉环境中进行了模拟实验，以提高算法的目标图像识别能力	本文采用了改进的VGG-16卷积神经网络模型进行金属块缺陷检测，并研究了基于神经网络的智能算法，通过比较不同算法的收敛速度，展示了ICS-BP算法的快速收敛性	NA	提高机器视觉环境中算法的目标图像识别能力	神经网络算法和智能算法在机器视觉中的应用	计算机视觉	NA	卷积神经网络	CNN	图像	使用了CIFAR-10数据集进行训练和验证测试
454	2024-08-26	MPEPE, a predictive approach to improve protein expression in E. coli based on deep learning 2022, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2022.02.030 PMID:35317239	研究论文	本研究利用6438个异源蛋白在相同表达条件下的表达数据，构建了一个深度学习分类器，用于筛选高表达和低表达蛋白，并提出了一种增强蛋白表达的突变预测器MPEPE	本研究提出了MPEPE，一种基于深度学习的突变预测器，用于识别有助于蛋白表达的突变位点，并结合保守残基分析以最小化功能破坏	NA	提高大肠杆菌中蛋白表达水平	异源蛋白的表达	机器学习	NA	深度学习	深度学习分类器	基因序列数据	6438个异源蛋白
455	2024-08-26	Automatic kidney segmentation using 2.5D ResUNet and 2.5D DenseUNet for malignant potential analysis in complex renal cyst based on CT images 2022, EURASIP journal on image and video processing IF:2.0Q3 DOI:10.1186/s13640-022-00581-x PMID:35340560	研究论文	本文研究使用2.5D ResUNet和2.5D DenseUNet进行肾脏分割，以分析复杂肾囊肿的恶性潜力	提出使用2.5D ResUNet和2.5D DenseUNet进行肾脏分割，有效提取切片内和切片间特征	在泰国患者的腹部CT图像上性能有所下降	开发精确的二分类方法（良性或恶性肿瘤）以分析计算机断层扫描（CT）图像中的肾囊肿	肾脏器官或病变	计算机视觉	NA	NA	2.5D ResUNet, 2.5D DenseUNet	CT图像	KiTS19验证集包含60名患者，另外对4名泰国患者的腹部CT图像进行实验
456	2024-08-26	Image Compression Based on Hybrid Domain Attention and Postprocessing Enhancement 2022, Computational intelligence and neuroscience DOI:10.1155/2022/4926124 PMID:35341171	研究论文	本文提出了一种基于混合域注意力机制和后处理增强的图像压缩方法	该方法在主编码-解码网络和超先验网络中嵌入混合域注意力模块作为非线性变换器，构建更紧凑的潜在特征和超先验，并采用参数化高斯尺度混合模型进行更精确的熵估计	NA	提高图像压缩效率	图像压缩技术	计算机视觉	NA	深度学习	CNN	图像	NA
457	2024-08-26	End-to-end antigenic variant generation for H1N1 influenza HA protein using sequence to sequence models 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0266198 PMID:35344562	研究论文	本文提出了一种基于端到端学习方法的序列到序列模型，用于生成H1N1流感病毒HA蛋白的抗原变体	首次开发了一种生成流感病毒HA蛋白抗原变体的模型，利用深度序列到序列架构	NA	旨在加速流感病毒抗原变体的识别，从而加快疫苗选择和制造过程	H1N1流感病毒的HA蛋白抗原变体	机器学习	流感	序列到序列模型	序列到序列模型	序列数据	NA
458	2024-08-26	Novel Method for Safeguarding Personal Health Record in Cloud Connection Using Deep Learning Models 2022, Computational intelligence and neuroscience DOI:10.1155/2022/3564436 PMID:35345805	研究论文	本文提出了一种新的安全措施，用于保护云连接中的个人健康记录（PHR），使用深度学习模型和优化的基于规则的模糊推理系统（ORFIS）来确定患者的危急程度	提出的ORFIS系统在检测PHR的危急程度方面优于现有的模糊推理方法，并使用基于图形的访问策略和匿名认证在私有云环境中提高了数据存储和检索效率	NA	开发一种新的安全措施，以保护云连接中的个人健康记录	个人健康记录（PHR）的安全性和患者危急程度的分类	机器学习	NA	深度学习	模糊推理系统	文本	使用UCI机器学习档案进行试验
459	2024-08-26	Deep learning in prediction of intrinsic disorder in proteins 2022, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2022.03.003 PMID:35356546	研究论文	本文研究了深度神经网络（DNN）在蛋白质内在无序预测中的应用	首次系统地分析了DNN在内在无序预测中的多样性和准确性，并提出了未来发展的可能性	讨论了DNN在预测无序结合区域方面的不足	评估和推动深度学习在蛋白质内在无序预测领域的发展	深度神经网络在蛋白质内在无序预测中的应用	机器学习	NA	深度神经网络（DNN）	DNN	蛋白质序列数据	使用了来自社区评估内在无序预测（CAID）的盲测数据集
460	2024-08-26	User-Accessible Machine Learning Approaches for Cell Segmentation and Analysis in Tissue 2022, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2022.833333 PMID:35360226	研究论文	本文探讨了利用机器学习和深度学习技术进行细胞分割和分析的方法，特别是在组织中的应用	开发了针对特定成像模式和多模式解决方案的细胞分割技术，并构建了用于训练数据的注释细胞库	尖端技术通常仅限于少数具有必要领域知识的专家使用	提高细胞分割和分类的准确性，以深入了解生物机制	细胞在组织中的分析，以及细胞微环境的新模型	计算机视觉	NA	机器学习和深度学习	CNN	图像	多种物种、器官和细胞状态的细胞