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
521	2024-08-05	Detection of left ventricular wall motion abnormalities from volume rendering of 4DCT cardiac angiograms using deep learning 2022, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2022.919751 PMID:35966529	研究论文	本研究开发并评估了利用深度学习从动态体积渲染的4DCT心脏血管造影中检测左心室壁运动异常的能力	提出了一种基于深度学习的方案，通过动态体积渲染视频提高左心室壁运动异常的检测准确性	研究仅依赖于回顾性评估，样本来源于单一中心，可能存在一定的选择偏倚	研究旨在提高心血管疾病患者左心室壁运动异常的检测准确性	研究对象为343个ECG门控的心脏4DCT研究	计算机视觉	心血管疾病	4DCT	深度学习 (DL)，包括Inception网络和长短期记忆网络 (LSTM)	视频	343个心脏4DCT研究
522	2024-08-05	MITEA: A dataset for machine learning segmentation of the left ventricle in 3D echocardiography using subject-specific labels from cardiac magnetic resonance imaging 2022, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2022.1016703 PMID:36704465	研究论文	本文提出了一个用于3D超声心动图左心室分割的机器学习数据集，并使用特定于受试者的心脏磁共振成像标签进行标注	引入了一个大规模的3D超声心动图数据集，利用心脏磁共振成像的高分辨率标签解决传统手工标注中的专家一致性问题	样本量虽然较大，但依然排除了10个受试者，可能影响研究的代表性	开发用于3D超声心动图分析的自动化方法，并验证所构建数据集的有效性	该研究对象是143名人类受试者的3D超声心动图图像，包括健康对照组与心脏疾病患者	机器学习	心血管疾病	3D超声心动图	深度学习网络	图像	536个3D超声心动图像，来自143名受试者
523	2024-08-05	Machine learning based multi-modal prediction of future decline toward Alzheimer's disease: An empirical study 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0277322 PMID:36383528	研究论文	该论文进行了一项实证研究，以多模态数据预测个体未来阿尔茨海默病的发展轨迹	提出了一种能够处理不同未来时间范围和异构数据的机器学习策略	预测认知正常个体的未来衰退比轻度认知障碍个体更具挑战性	早期识别阿尔茨海默病高风险个体以促进有效治疗和预防	个体未来阿尔茨海默病发展轨迹的预测	机器学习	阿尔茨海默病	深度学习	线性和非线性模型	多模态数据	NA
524	2024-08-07	Predicting post-contrast information from contrast agent free cardiac MRI using machine learning: Challenges and methods 2022, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2022.894503 PMID:36051279	研究论文	本研究旨在通过分析对比剂前后的心脏磁共振成像（CMR）图像，利用对比剂前的信息预测对比剂后的信息，并提出相应的方法和挑战。	本研究首次尝试使用深度学习（DL）、支持向量机（SVM）和决策树（DT）方法，从无对比剂的心脏磁共振成像中预测对比剂后的信息。	初步结果显示性能一般，这一研究领域仍存在许多未解决的问题。	研究目的是通过对比剂前的心脏磁共振成像预测对比剂后的信息。	研究对象包括272例回顾性选择的心脏磁共振成像研究，其中108例为心肌梗死（MI），164例为健康对照。	机器学习	心血管疾病	深度学习	UNet和ResNet50	图像	272例心脏磁共振成像研究，包括108例心肌梗死和164例健康对照，共使用722对电影短轴（SAX）图像和分割掩模进行实验。
525	2024-08-07	Identifying Barriers to Post-Acute Care Referral and Characterizing Negative Patient Preferences Among Hospitalized Older Adults Using Natural Language Processing 2022, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:37128417	研究论文	本研究利用自然语言处理技术识别住院老年患者接受急性后护理的障碍，并分析患者的负面偏好	开发了一种自然语言处理分类器，用于识别最高价值的急性后护理障碍类别，即患者的负面偏好，并比较了多种机器学习模型，包括深度学习模型	研究样本仅包括594份急性护理笔记，来自100名患者，可能影响结果的普遍性	旨在检测住院老年患者接受急性后护理的常见障碍	住院老年患者的临床笔记	自然语言处理	NA	自然语言处理	深度学习模型	文本	594份急性护理笔记，来自100名患者
526	2024-08-07	Displacement detection with sub-pixel accuracy and high spatial resolution using deep learning 2022-Jan, Journal of medical ultrasonics (2001) DOI:10.1007/s10396-021-01162-7 PMID:34837159	研究论文	本研究旨在使用超声诊断设备实现二维和亚像素位移的高空间分辨率检测	本研究开发了一种利用超声图像和输出位移分布的深度学习网络，通过修改FlowNet2网络结构并使用超声图像模拟开发训练数据集，实现了高空间分辨率和亚像素位移检测	NA	实现二维和亚像素位移的高空间分辨率检测	使用超声诊断设备进行位移检测	机器学习	NA	深度学习	FlowNet2	图像	使用了模拟超声图像和肝脏超声图像进行评估
527	2024-08-07	Using Deep Learning Radiomics to Distinguish Cognitively Normal Adults at Risk of Alzheimer's Disease From Normal Control: An Exploratory Study Based on Structural MRI 2022, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2022.894726 PMID:35530047	研究论文	本研究提出了一种基于结构MRI图像的深度学习放射组学方法，用于区分认知正常但有阿尔茨海默病风险的成年人与正常对照组	本研究首次提出了一种深度学习放射组学方法，通过结构MRI图像区分阿尔茨海默病风险个体与正常对照组	本研究仅基于ADNI数据库的数据进行，样本量有限，需要进一步在更广泛的人群中验证	开发一种新的方法来区分认知正常但有阿尔茨海默病风险的个体与正常对照组	认知正常但有阿尔茨海默病风险的成年人与正常对照组	机器学习	阿尔茨海默病	MRI	深度学习放射组学	图像	417名认知正常的成年人，分为181名阿尔茨海默病风险个体和236名正常对照组
528	2024-08-07	Predicting diagnosis 4 years prior to Alzheimer's disease incident 2022, NeuroImage. Clinical DOI:10.1016/j.nicl.2022.102993 PMID:35344803	研究论文	本研究利用深度学习纵向模型，即图卷积和循环神经网络（graph-CNN-RNN），对阿尔茨海默病（AD）的脑结构MRI扫描进行预测分析	首次采用graph-CNN-RNN模型对AD进行长达4年的早期诊断预测，并展示了脑形态学从预测到明显AD阶段的定量轨迹	NA	旨在利用深度学习技术提前预测阿尔茨海默病的发生	阿尔茨海默病的早期诊断和预测	机器学习	阿尔茨海默病	MRI扫描	graph-CNN-RNN	图像	训练集包含1559个样本，验证集包含930个样本