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
741	2024-09-07	A cognitive framework based on deep neural network for classification of coronavirus disease 2022-Feb-13, Journal of ambient intelligence and humanized computing DOI:10.1007/s12652-022-03756-6 PMID:35194472	研究论文	本文提出了一种基于深度神经网络的认知框架，用于冠状病毒疾病的分类	本文提出了一种混合模型，使用胸部X光图像早期识别冠状病毒疑似患者，并采用SQueezeNet模型进行分类，实验结果显示平均准确率达到97.8%	NA	诊断和预防冠状病毒的传播	冠状病毒疾病	计算机视觉	冠状病毒疾病	深度学习	SQueezeNet	图像	NA
742	2024-09-07	An End-To-End Pipeline for Fully Automatic Morphological Quantification of Mouse Brain Structures From MRI Imagery 2022, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2022.865443 PMID:36304320	研究论文	本文开发了一种端到端的自动化管道，用于从MRI图像中量化小鼠大脑结构的形态学特征	提出了DeepBrainIPP，一种基于深度学习的脑图像处理管道，改进了颅骨剥离和数据增强策略，并直接分割小脑的小结构	NA	开发一种自动化的方法来量化小鼠大脑结构的形态学特征	小鼠大脑的MRI图像	计算机视觉	NA	深度学习	CNN	图像	172个原始图像，通过数据增强扩展到4040个样本
743	2024-09-07	Towards a better understanding of annotation tools for medical imaging: a survey 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-12100-1 PMID:35350630	综述	本文综述了当前可用的医学影像标注工具，包括其图形用户界面和支持工具的描述	本文提供了对流行标注工具的深入回顾，并展示了它们在标注医学影像数据集中的成功应用	NA	旨在更好地理解医学影像标注工具，并为研究人员提供指导	医学影像标注工具及其在数据集标注中的应用	计算机视觉	NA	深度学习和机器学习	NA	图像	NA
744	2024-09-07	Deep learning in multimedia healthcare applications: a review 2022, Multimedia systems IF:3.5Q1 DOI:10.1007/s00530-022-00948-0 PMID:35645465	综述	本文综述了基于多媒体数据的深度学习技术在医疗保健应用中的发展现状	本文系统性地总结了深度学习在医疗保健领域的应用，特别是利用多媒体数据进行诊断、预测和治疗的创新方法	本文主要集中在综述现有研究，未提出新的技术或模型	探讨深度学习技术在医疗保健领域的应用，特别是利用多媒体数据进行诊断、预测和治疗	多媒体数据，包括图像、视频、音频和文本	机器学习	NA	深度学习	NA	多媒体数据	NA
745	2024-09-07	Exploring the Deep-Learning Techniques in Detecting the Presence of Coronavirus in the Chest X-Ray Images: A Comprehensive Review 2022, Archives of computational methods in engineering : state of the art reviews IF:9.7Q1 DOI:10.1007/s11831-022-09768-x PMID:35645554	综述	本文综述了利用深度学习技术在胸部X光图像中检测冠状病毒存在的研究	本文总结了多种传统和预训练的深度学习方法，这些方法被开发用于减少COVID-19疾病的传播	NA	探讨深度学习技术在冠状病毒检测中的应用	胸部X光图像中的冠状病毒检测	计算机视觉	冠状病毒	深度学习	CNN	图像	NA
746	2024-09-07	Combating multimodal fake news on social media: methods, datasets, and future perspective 2022, Multimedia systems IF:3.5Q1 DOI:10.1007/s00530-022-00966-y PMID:35818516	综述	本文综述了利用深度学习技术对抗社交媒体上的多模态假新闻的现状	本文首次全面探讨了多模态假新闻检测的技术和数据集，并提出了未来的研究方向	目前可用的多模态数据集有限，限制了研究的深入	探讨如何利用深度学习技术有效检测社交媒体上的多模态假新闻	社交媒体上的多模态假新闻	自然语言处理	NA	深度学习	NA	多模态数据	NA
747	2024-09-07	Automatic segmentation of COVID-19 from computed tomography images using modified U-Net model-based majority voting approach 2022, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-022-07653-z PMID:35968248	研究论文	本文提出了一种基于改进U-Net模型和多数投票方法的自动分割COVID-19肺部CT图像的深度学习方法	本文创新性地修改了U-Net模型的编码器部分，结合了VGG16、ResNet101、DenseNet121、InceptionV3和EfficientNetB5深度学习模型，并通过多数投票原则整合结果	NA	研究目的是通过深度学习和分割技术自动检测COVID-19肺部CT图像	研究对象是COVID-19肺部CT图像	计算机视觉	COVID-19	深度学习	U-Net	图像	COVID-19分割测试数据集
748	2024-09-07	Fusion Attention Mechanism for Foreground Detection Based on Multiscale U-Net Architecture 2022, Computational intelligence and neuroscience DOI:10.1155/2022/7432615 PMID:36172321	研究论文	本文提出了一种基于多尺度U-Net架构和融合注意力机制的前景检测方法	引入注意力机制到U-Net多尺度架构中，通过跳跃连接使网络更关注前景对象，抑制无关背景区域，提高模型学习能力	仅利用空间信息，未充分利用时间信息	改进前景检测的准确性	视频中的前景对象	计算机视觉	NA	深度学习	U-Net	图像	CDnet-2014数据集
749	2024-09-07	Onboard Pointing Error Detection and Estimation of Observation Satellite Data Using Extended Kalman Filter 2022, Computational intelligence and neuroscience DOI:10.1155/2022/4340897 PMID:36248921	研究论文	本文提出了一种基于扩展卡尔曼滤波（EKF）的轻量级深度学习算法，用于检测和估计观测卫星数据中的指向误差	本文的创新点在于使用扩展卡尔曼滤波（EKF）来检测和估计卫星数据中的指向误差，减少了对地面跟踪系统的依赖，并提高了轨道参数估计的精度	本文的局限性在于线性化过程中可能出现的误差，需要通过适当选择线性展开点和EKF算法模型中的雅可比矩阵计算来克服	本文的研究目的是开发一种高效的方法来检测和估计卫星数据中的指向误差，以提高卫星系统的安全性和可靠性	本文的研究对象是卫星数据中的指向误差，包括姿态和轨道误差	卫星通信	NA	扩展卡尔曼滤波（EKF）	扩展卡尔曼滤波（EKF）	卫星数据	NA
750	2024-09-07	A New method for promote the performance of deep learning paradigm in diagnosing breast cancer: improving role of fusing multiple views of thermography images 2022, Health and technology IF:3.1Q2 DOI:10.1007/s12553-022-00702-6 PMID:36254270	研究论文	本文提出了一种通过融合多视角热成像图像来提升深度学习模型在乳腺癌诊断中性能的新方法	通过融合正面、侧面45度和侧面45度热成像图像，利用迁移学习构建检测模型，显著提高了乳腺癌诊断的敏感性和特异性	需要进一步研究和改进以验证其在实际应用中的有效性	提升深度学习模型在乳腺癌早期诊断中的性能	乳腺癌的早期诊断	计算机视觉	乳腺癌	热成像	深度学习	图像	使用乳腺研究数据库（DMR）中的红外图像进行研究
751	2024-09-07	Data augmentation based on multiple oversampling fusion for medical image segmentation 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0274522 PMID:36256637	研究论文	本文提出了一种基于多重过采样融合的数据增强方法，用于医学图像分割	结合仿射变换和随机过采样进行数据增强，并使用加权交叉熵损失函数解决类别不平衡问题	未提及	提高医学图像分割模型的性能，特别是小组织病变的分割	肺结节和肝肿瘤的CT图像分割	计算机视觉	NA	NA	CNN	图像	使用了LUNA16和LiTS17数据集，涉及肺结节和肝肿瘤的CT图像
752	2024-09-07	Distributed search and fusion for wine label image retrieval 2022, PeerJ. Computer science DOI:10.7717/peerj-cs.1116 PMID:36262126	研究论文	本文研究了葡萄酒标签图像检索问题，提出了一种分布式搜索和融合框架	本文提出了两种分布式检索框架，实验结果表明这些框架在大规模葡萄酒标签数据集和牛津花卉数据集上表现优异，甚至超过了现有的最先进检索模型	NA	解决葡萄酒标签图像检索中的样本不平衡问题	葡萄酒标签图像及其相关信息	计算机视觉	NA	深度学习	分布式检索框架	图像	大规模葡萄酒标签数据集和牛津花卉数据集
753	2024-09-07	Counting people inside a region-of-interest in CCTV footage with deep learning 2022, PeerJ. Computer science DOI:10.7717/peerj-cs.1067 PMID:36262152	研究论文	本文提出了一种新的学习策略，使基于深度学习的人群计数模型能够仅在特定感兴趣区域（RoI）内计数人数	本文创新性地提出了Gap Regularizer方法，通过在人群计数模型的两个头部分别学习RoI内和RoI外的人数计数，从而提高模型在特定区域内的计数准确性	Gap Regularizer方法在深度模型（如ResNet-101）上无法产生显著影响	开发一种能够在特定感兴趣区域内准确计数人数的深度学习模型	人群计数模型在特定感兴趣区域（RoI）内的计数性能	计算机视觉	NA	深度学习	CNN	视频	使用了MOT17-09、MOT20-02和RHC数据集进行测试
754	2024-09-07	Development and validation of a predictive model combining clinical, radiomics, and deep transfer learning features for lymph node metastasis in early gastric cancer 2022, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2022.986437 PMID:36262277	研究论文	本研究开发并验证了一种结合临床、放射组学和深度迁移学习特征的预测模型，用于早期胃癌淋巴结转移	首次利用深度迁移学习、放射组学和临床特征的综合多维数据，具有良好的预测能力	NA	开发和验证一种预测模型，用于早期胃癌淋巴结转移	早期胃癌患者	计算机视觉	胃癌	深度迁移学习	支持向量机、K近邻、随机森林、XGBoost	图像	555名早期胃癌患者，分为训练组388人，内部验证组167人，外部验证组79人
755	2024-09-07	Automated mapping of Portulacaria afra canopies for restoration monitoring with convolutional neural networks and heterogeneous unmanned aerial vehicle imagery 2022, PeerJ IF:2.3Q2 DOI:10.7717/peerj.14219 PMID:36262418	研究论文	本文展示了使用卷积神经网络（CNN）和无人机图像对Portulacaria afra冠层进行自动分类，以监测生态恢复	利用深度学习算法和无人机图像进行大规模生态恢复监测的创新方法	NA	开发一种自动化的方法来监测生态恢复和再造林项目中的植被覆盖变化	Portulacaria afra冠层	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	使用不同型号的无人机在不同光照条件下采集的图像
756	2024-09-07	Classification of Breast Cancer Histopathological Images Using DenseNet and Transfer Learning 2022, Computational intelligence and neuroscience DOI:10.1155/2022/8904768 PMID:36262621	研究论文	本文提出了一种基于DenseNet和迁移学习的方法DenTnet，用于分类乳腺癌病理图像	本文的创新点在于使用DenseNet作为骨干模型，并通过迁移学习解决了从同一分布中提取特征的问题，提高了分类准确性和计算速度	现有方法的局限性包括高计算需求和对同一特征分布的依赖，本文通过DenTnet方法缓解了这些问题	研究目的是提高乳腺癌病理图像分类的准确性和计算效率	研究对象是乳腺癌病理图像	计算机视觉	乳腺癌	迁移学习	DenseNet	图像	使用了BreaKHis数据集，训练测试比为80%:20%
757	2024-09-07	Considerate motion imagination classification method using deep learning 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0276526 PMID:36264857	研究论文	提出了一种基于深度学习的细致运动想象分类方法，通过图结构和双分支架构提取多维特征信息，并结合注意力机制和全局特征聚合模块提高分类准确性	提出了一种适用于脑电图的图结构，能够准确表示非欧几里得空间中脑电图电极的分布，并充分考虑电极间的空间相关性	NA	提高运动想象分类的准确性	脑电图信号	机器学习	NA	深度学习	图卷积网络	脑电图信号	涉及多个不同的公共脑机接口数据集
758	2024-09-07	Automatic extraction of upper-limb kinematic activity using deep learning-based markerless tracking during deep brain stimulation implantation for Parkinson's disease: A proof of concept study 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0275490 PMID:36264986	研究论文	本文介绍了一种基于深度学习的无标记跟踪技术，用于在帕金森病深部脑刺激植入手术中自动提取上肢运动学活动	本文的创新点在于应用深度学习技术进行无标记跟踪，以提高运动评估的准确性，并自动分类运动行为，从而优化深部脑刺激手术的目标定位	本文的局限性在于样本量较小（仅5名患者），且未提及该方法在不同文化和资源有限地区的适用性	本文的研究目的是开发一种自动化的方法，用于在深部脑刺激手术中准确评估和分类患者的运动行为，以优化手术目标定位	本文的研究对象是接受深部脑刺激手术的帕金森病患者	计算机视觉	帕金森病	深度学习	支持向量机（SVM）	视频	5名患者
759	2024-09-07	CT-based radiomics in predicting pathological response in non-small cell lung cancer patients receiving neoadjuvant immunotherapy 2022, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2022.937277 PMID:36267975	研究论文	本研究评估了基于CT的放射组学特征、临床特征、深度学习特征及其组合，用于预测非小细胞肺癌患者在接受免疫治疗辅助治疗后的良好病理反应	本研究首次将深度学习特征与传统放射组学特征和临床特征结合，构建了一个综合模型，用于预测非小细胞肺癌患者的病理反应	样本量较小，仅包括62名患者，可能影响模型的泛化能力	评估基于CT的放射组学特征在预测非小细胞肺癌患者接受免疫治疗辅助治疗后的病理反应中的应用	非小细胞肺癌患者在接受免疫治疗辅助治疗后的病理反应	数字病理学	肺癌	放射组学	多层感知器 (MLP)	图像	62名非小细胞肺癌患者
760	2024-09-07	Improving unsupervised stain-to-stain translation using self-supervision and meta-learning 2022, Journal of pathology informatics DOI:10.1016/j.jpi.2022.100107 PMID:36268068	研究论文	本文探讨了在数字病理学中使用无监督域适应和图像到图像翻译技术来处理不同组织染色变异的问题	提出了两种新方法来改进染色到染色的翻译效果：一是将先验分割网络集成到CycleGAN中进行自监督的应用导向优化，二是通过在翻译输出中加入额外通道来隐式分离人工元信息	CycleGAN在翻译其他结构（如动脉）时表现有限，且与原始染色分割相比，所有结构在所有染色中的表现略有下降	研究如何通过无监督染色到染色的翻译技术，使深度学习分割模型在不同染色条件下具有独立适用性	肾脏组织病理学图像中的不同染色变异	数字病理学	NA	CycleGAN	CycleGAN	图像	涉及多种肾脏结构，如肾小球、肾小管和静脉