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
561	2024-09-08	The Role of Deep Learning in Advancing Breast Cancer Detection Using Different Imaging Modalities: A Systematic Review 2022-Oct-29, Cancers IF:4.5Q1 DOI:10.3390/cancers14215334 PMID:36358753	综述	本文综述了深度学习在不同成像模式下乳腺癌检测中的应用	本文总结了利用人工智能和深度学习算法在乳腺癌检测中的最新研究，并提供了相关数据集的报告	本文未提及具体的深度学习模型或技术细节	探讨深度学习在乳腺癌检测中的应用，并提供相关数据集的资源	乳腺癌检测中的不同成像模式及其在深度学习中的应用	计算机视觉	乳腺癌	深度学习	NA	图像	NA
562	2024-09-08	A Hybrid Preprocessor DE-ABC for Efficient Skin-Lesion Segmentation with Improved Contrast 2022-Oct-29, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12112625 PMID:36359469	研究论文	本文提出了一种新的混合元启发式预处理器DE-ABC，用于优化对比度增强变换函数中的决策变量，以提高皮肤病变分割的效率	本文的创新点在于提出了一种新的混合元启发式预处理器DE-ABC，用于优化对比度增强变换函数中的决策变量，从而提高皮肤病变分割的效率	本文的局限性在于仅在公开的皮肤病变数据集上进行了验证，未来可以在更多类型的医学图像数据集上进行测试	本文的研究目的是提高皮肤病变分割算法的效率	本文的研究对象是皮肤病变图像的分割	计算机视觉	NA	对比度拉伸	混合元启发式	图像	使用了公开的皮肤病变数据集，如PH2、ISIC-2016、ISIC-2017和ISIC-2018
563	2024-09-08	Rapid Non-Destructive Analysis of Food Nutrient Content Using Swin-Nutrition 2022-Oct-29, Foods (Basel, Switzerland) DOI:10.3390/foods11213429 PMID:36360043	研究论文	本文提出了一种名为Swin-Nutrition的端到端食品营养非破坏性检测方法，结合深度学习和非破坏性检测技术评估食品的营养成分	本文创新性地使用了Swin Transformer作为特征提取的主干网络，并通过特征融合模块和营养预测模块提高了预测精度	本文未详细讨论方法在不同食品类型和环境条件下的泛化能力	开发一种高效准确的食品营养非破坏性检测方法，以促进食品安全和质量的发展	食品的营养成分，包括卡路里、质量、脂肪、碳水化合物和蛋白质	计算机视觉	NA	深度学习	Swin Transformer	图像	使用了Nutrition5k数据集进行实验
564	2024-09-08	Class-Aware Fish Species Recognition Using Deep Learning for an Imbalanced Dataset 2022-Oct-28, Sensors (Basel, Switzerland) DOI:10.3390/s22218268 PMID:36365964	研究论文	本文提出了一种基于深度学习的鱼类物种识别方法，通过结合MobileNetv3-large和VGG16网络以及SSD检测头，并引入类别感知损失函数来解决数据集类别不平衡问题	提出了类别感知损失函数，该函数考虑了每个物种的实例数量，并给予实例较少的物种更多权重，适用于任何类别不平衡的分类或目标检测任务	NA	提高鱼类物种识别的准确性，特别是在处理多鱼图像和类别不平衡数据集时	鱼类物种识别	计算机视觉	NA	深度学习	SSD	图像	使用了大规模的SEAMAPD21数据集和Pascal VOC数据集进行实验
565	2024-09-08	SDN-Defend: A Lightweight Online Attack Detection and Mitigation System for DDoS Attacks in SDN 2022-Oct-28, Sensors (Basel, Switzerland) DOI:10.3390/s22218287 PMID:36365984	研究论文	本文设计并实现了一种用于SDN网络中DDoS攻击的在线检测与缓解系统	采用轻量级混合深度学习方法CNN-ELM进行流量异常检测，并使用IP追踪技术定位攻击者	未提及	解决SDN网络中DDoS攻击的安全问题	SDN网络中的DDoS攻击	计算机网络	NA	卷积神经网络（CNN）、极限学习机（ELM）、IP追踪	CNN-ELM	流量数据	未提及
566	2024-09-08	Predicting Chemical Carcinogens Using a Hybrid Neural Network Deep Learning Method 2022-Oct-26, Sensors (Basel, Switzerland) DOI:10.3390/s22218185 PMID:36365881	研究论文	本文开发了一种混合神经网络（HNN）方法HNN-Cancer，用于预测现实化学物质的潜在致癌性	提出了新的SMILES特征表示方法，并通过修改之前的3D数组表示法来模拟1D SMILES，结合卷积神经网络（CNN）进行处理	尽管HNN-Cancer在大多数已知致癌实验数据集上表现较好，但其预测性能在多样性较少的分子上与文献报道的模型相当	开发一种能够预测多种化学物质潜在致癌性的方法	现实生活中的化学物质及其潜在的致癌性	机器学习	NA	混合神经网络（HNN）	卷积神经网络（CNN）	化学物质的SMILES表示	7994种化学物质用于二分类模型，1618种化学物质用于多分类模型
567	2024-09-08	EVAE-Net: An Ensemble Variational Autoencoder Deep Learning Network for COVID-19 Classification Based on Chest X-ray Images 2022-Oct-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12112569 PMID:36359413	研究论文	本文提出了一种基于胸部X光图像的COVID-19分类的集成变分自编码器深度学习网络EVAE-Net	利用变分自编码器的潜在嵌入结合集成技术，提出了三种有效的EVAE-Net模型用于COVID-19检测	未提及	开发一种高精度的COVID-19早期检测方法	胸部X光图像	计算机视觉	肺部疾病	变分自编码器	集成模型	图像	使用了来自Kaggle的COVID-19放射学数据集中的胸部X光图像
568	2024-09-08	Validation of a deep learning-based material estimation model for Monte Carlo dose calculation in proton therapy 2022-10-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac9663 PMID:36174551	研究论文	本文开发并验证了一种基于深度学习的材料特性估计模型，用于质子治疗中的蒙特卡罗剂量计算	提出了一个框架，通过使用深度学习模型（PRN）来验证蒙特卡罗剂量计算的准确性，并比较了不同材料转换模型的效果	仅在人体模型和猪模型上进行了验证，未涉及更多种类的样本	开发和验证一种基于CT的材料特性模型，以提高质子治疗计划中剂量计算的准确性	人体模型和猪模型	机器学习	NA	深度学习	残差网络（RN/PRN）	CT图像	两个人体模型和两个猪模型
569	2024-09-08	Virtual labeling of mitochondria in living cells using correlative imaging and physics-guided deep learning 2022-Oct-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.464177 PMID:36425635	研究论文	本文提出了一种利用相关成像和物理引导深度学习在活细胞中对线粒体进行虚拟标记的新方法	本文创新性地提出了一种物理引导深度学习方法，用于从明场图像中获取线粒体的虚拟标记显微图像，并展示了优于现有技术的显著结果	NA	开发一种无需荧光标记即可在活细胞中可视化线粒体的方法	活细胞中的线粒体	计算机视觉	NA	物理引导深度学习	对抗神经网络	图像	NA
570	2024-09-08	Using deep learning for the automated identification of cone and rod photoreceptors from adaptive optics imaging of the human retina 2022-Oct-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.470071 PMID:36425636	研究论文	本文介绍了一种用于从人眼视网膜自适应光学成像中自动识别锥体和杆状光感受器的深度学习算法RC-UPerNet	提出了RC-UPerNet算法，用于自动识别锥体和杆状光感受器，并在中央和周边视网膜图像上进行了评估，结果优于先前的AI方法	NA	开发一种自动化的深度学习算法，用于从自适应光学成像中识别视网膜中的锥体和杆状光感受器	人眼视网膜中的锥体和杆状光感受器	计算机视觉	NA	深度学习	RC-UPerNet	图像	中央和周边视网膜图像，范围从中央到鼻侧和颞侧30°
571	2024-09-08	Using a Visual Turing Test to Evaluate the Realism of Generative Adversarial Network (GAN)-Based Synthesized Myocardial Perfusion Images 2022-Oct, Cureus DOI:10.7759/cureus.30646 PMID:36439582	研究论文	评估专家心脏病学家能否通过视觉图灵测试识别由生成对抗网络（GAN）生成的合成心肌灌注图像（MPI）的真实性	首次使用视觉图灵测试评估GAN生成的心肌灌注图像的真实性	视觉图灵测试的平均正确率仅为61.1%，尽管在提供线索信息后有所提高	评估专家心脏病学家识别合成心肌灌注图像的能力	由GAN生成的合成心肌灌注图像	计算机视觉	心血管疾病	生成对抗网络（GAN）	深度卷积GAN	图像	1448张极坐标图
572	2024-09-08	Deep-SMOLM: deep learning resolves the 3D orientations and 2D positions of overlapping single molecules with optimal nanoscale resolution 2022-Sep-26, Optics express IF:3.2Q2 DOI:10.1364/OE.470146 PMID:36258598	研究论文	本文介绍了一种基于深度学习的估计方法Deep-SMOLM，用于在单分子定位显微镜中测量重叠分子的三维方向和二维位置，具有优于理论极限的分辨率	Deep-SMOLM能够以接近理论极限的精度测量重叠分子的三维方向和二维位置，并且在处理重叠图像时表现出优越的估计性能	NA	开发一种能够精确测量重叠单分子三维方向和二维位置的方法	重叠的单分子	计算机视觉	NA	深度学习	深度学习模型	图像	模拟生物纤维和实验性淀粉样纤维
573	2024-09-08	Deep Learning-Assisted Investigation of Electric Field-Dipole Effects on Catalytic Ammonia Synthesis 2022-Jun-27, JACS Au IF:8.5Q1 DOI:10.1021/jacsau.2c00003 PMID:35783174	研究论文	本文利用深度学习算法加速密度泛函理论（DFT）计算，研究了外部电场对钌催化氨合成的影响	开发了一种深度学习算法，能够以五阶量级的速度加速电场依赖性能量的预测，并具有可转移性，能够使用少量训练数据预测其他催化表面的电场依赖性能量	NA	研究外部电场对钌催化氨合成的影响	钌催化氨合成反应	机器学习	NA	密度泛函理论（DFT）计算	深度学习算法	NA	NA
574	2024-09-08	Joint Frequency and Image Space Learning for MRI Reconstruction and Analysis 2022-Jun, The journal of machine learning for biomedical imaging PMID:36349348	研究论文	本文提出了一种结合频率和图像特征表示的神经网络层，并展示了这些层可以作为频率空间数据重建的多功能构建块	本文的创新点在于提出了联合学习方案，能够在网络的每一层同时校正频率空间的伪影并操作图像空间表示，从而重建连贯的图像结构，这与大多数当前深度学习方法不同	NA	研究目的是改进MRI数据的重建和分析方法	MRI数据的重建和分析	计算机视觉	NA	深度学习	卷积神经网络	MRI图像	模拟和真实世界的多线圈MRI数据
575	2024-09-08	Simulation of Random Deformable Motion in Soft-Tissue Cone-Beam CT with Learned Models 2022-Jun, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2646720 PMID:36381251	研究论文	本文提出了一种利用条件生成对抗网络（GAN）模型模拟软组织锥束CT中随机变形运动的方法	本文首次利用条件生成对抗网络（GAN）模型来学习未标记的、运动受损的锥束CT体积中的复杂运动，以生成真实的运动轨迹	本文仅在模拟数据上进行了初步的可行性研究，尚未扩展到临床数据	开发一种能够模拟软组织锥束CT中复杂变形运动的方法，以生成用于训练深度自动聚焦模型的真实运动受损的CBCT数据	软组织锥束CT中的变形运动	计算机视觉	NA	条件生成对抗网络（GAN）	GAN	图像	模拟数据
576	2024-09-08	Digital breast tomosynthesis-based peritumoral radiomics approaches in the differentiation of benign and malignant breast lesions 2022-May, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.5152/dir.2022.20664 PMID:35748203	研究论文	评估基于数字乳腺断层合成（DBT）的放射组学方法在区分良性与恶性乳腺病变中的应用	开发了一种结合DBT影像特征和临床因素（年龄和月经状态）的放射组学列线图，用于辅助乳腺癌的临床诊断	研究样本量较小，且仅限于特定时间段内的患者	评估基于DBT的放射组学在区分良性与恶性乳腺病变中的有效性	良性与恶性乳腺病变	数字病理学	乳腺癌	放射组学	列线图	影像	185名接受DBT扫描的患者
577	2024-09-08	CoWarriorNet: A Novel Deep-Learning Framework for CoVID-19 Detection from Chest X-Ray Images 2022, New generation computing IF:2.0Q2 DOI:10.1007/s00354-021-00143-1 PMID:34876770	研究论文	提出了一种名为CoWarriorNet的新型深度学习框架，用于从胸部X光图像中快速检测COVID-19	引入了Alpha Trimmed Average Pooling技术，并设计了新的网络架构，提高了检测的准确性和敏感性	未提及具体的局限性	开发一种高效的深度学习模型，用于快速准确地检测COVID-19	COVID-19的胸部X光图像	计算机视觉	COVID-19	深度学习	CoWarriorNet	图像	未提及具体样本数量
578	2024-09-08	DeepCov19Net: Automated COVID-19 Disease Detection with a Robust and Effective Technique Deep Learning Approach 2022, New generation computing IF:2.0Q2 DOI:10.1007/s00354-021-00152-0 PMID:35035024	研究论文	提出了一种基于深度学习模型的方法DeepCov19Net，用于自动检测COVID-19疾病	使用卷积自编码器模型进行深度特征提取，并采用SDAR算法选择特征，结合SVM分类器进行分类	未提及具体的研究局限性	开发一种高效且鲁棒的深度学习方法，用于自动检测COVID-19疾病	胸部X光图像中的COVID-19、正常和肺炎类别	计算机视觉	COVID-19	深度学习	卷积自编码器	图像	未提及具体样本数量
579	2024-09-08	Image enhancement techniques on deep learning approaches for automated diagnosis of COVID-19 features using CXR images 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-13486-8 PMID:35938148	研究论文	研究探讨了图像去噪和增强技术对深度学习方法在COVID-19特征自动诊断中的影响	提出了结合图像去噪和增强技术的方法，显著提高了深度学习模型在COVID-19诊断中的准确性和敏感性	研究仅限于胸部X光图像，未考虑其他类型的医学影像	探索图像增强技术对深度学习方法在COVID-19自动诊断中的影响	胸部X光图像中的COVID-19特征	计算机视觉	COVID-19	深度学习	CNN	图像	使用了两个基准数据集，进行了4-way和3-way分类
580	2024-09-08	π VAE: a stochastic process prior for Bayesian deep learning with MCMC 2022, Statistics and computing IF:1.6Q1 DOI:10.1007/s11222-022-10151-w PMID:36276409	研究论文	本文提出了一种新的变分自编码器（VAE），称为π VAE，用于贝叶斯深度学习中的随机过程先验，并通过MCMC进行推理	π VAE是一种新的连续随机过程，能够通过结合可训练的特征映射和生成模型来学习函数类的低维嵌入，并在空间插值等任务中实现了最先进的性能	NA	开发一种新的变分自编码器，以实现对复杂数据的灵活建模和高效推理	函数类的低维嵌入和函数属性的学习，如高斯过程及其积分	机器学习	NA	变分自编码器（VAE）	变分自编码器（VAE）	函数类	NA