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
1241	2024-08-30	A holistic overview of deep learning approach in medical imaging 2022, Multimedia systems IF:3.5Q1 DOI:10.1007/s00530-021-00884-5 PMID:35079207	综述	本文综述了深度学习技术在医学影像分析中的应用及其不同医学影像模态，旨在为医学领域的非专家提供深度学习概念的贡献	介绍了深度学习技术在医学影像分析中的多种应用，如分割、分类、检测等，并讨论了基本架构、数据增强、迁移学习和特征选择方法	文章提出了一些研究挑战和文献中建议的解决方案，但未具体阐述这些挑战的具体内容和解决方案的实施细节	旨在综述深度学习技术在医学影像分析中的最新进展，并为医学领域的非专家提供深度学习概念的贡献	深度学习技术及其在医学影像分析中的应用	计算机视觉	NA	深度学习	CNN	图像	NA
1242	2024-08-30	Multithreshold Image Segmentation Technique Using Remora Optimization Algorithm for Diabetic Retinopathy Detection from Fundus Images 2022, Neural processing letters IF:2.6Q3 DOI:10.1007/s11063-021-10734-0 PMID:35095328	研究论文	本文提出了一种使用Remora优化算法的多阈值图像分割技术，用于从眼底图像中检测糖尿病视网膜病变	本文引入了基于多阈值的Remora优化算法进行血管分割，并使用带有野鹅算法的区域卷积神经网络进行特征提取和分类	NA	旨在开发一种新的框架用于糖尿病视网膜病变的检测和分类	糖尿病视网膜病变及其不同阶段	计算机视觉	糖尿病视网膜病变	多阈值图像分割技术	区域卷积神经网络（R-CNN）	图像	实验图像来自DRIVE数据库
1243	2024-08-30	The winter, the summer and the summer dream of artificial intelligence in law: Presidential address to the 18th International Conference on Artificial Intelligence and Law 2022, Artificial intelligence and law IF:3.1Q1 DOI:10.1007/s10506-022-09309-8 PMID:35132296	演讲	本文是作者作为IAAIL主席在ICAIL 2021上的演讲，旨在阐述AI与法律领域的现状及未来展望	提出了结合自下而上的机器/深度学习与NLP方法和自上而下的法律知识表示及推理模型的方法，以促进语义网和AI系统的发展	提到了AI发展的技术机遇和理论限制	探讨AI与法律领域的历史变迁、现状及未来发展方向	AI与法律领域的研究及其在语义网和AI系统中的应用	人工智能	NA	机器学习, 深度学习, NLP	NA	文本	NA
1244	2024-08-30	Deep learning techniques to classify agricultural crops through UAV imagery: a review 2022, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-022-07104-9 PMID:35281624	综述	本文综述了使用无人机影像进行农作物分类的深度学习技术，特别是基于卷积神经网络的方法	融合不同无人机数据和深度学习方法已成为准确分类不同作物类型的强大工具	NA	帮助研究人员和农民根据其研究的作物和使用的硬件选择合适的算法	农作物分类	计算机视觉	NA	深度学习	CNN	图像	NA
1245	2024-08-30	Quantifying prognosis severity of COVID-19 patients from deep learning based analysis of CT chest images 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-12214-6 PMID:35282403	研究论文	本文提出了一种基于深度学习的CT胸部图像分析技术，用于量化COVID-19患者的预后严重程度	使用预训练的孪生神经网络（SNN）进行COVID-19阳性患者的检测，并通过去除高度相似的图像来提高数据集的质量	最终的多分类问题仅获得了47%的加权平均F1分数，表明在患者优先级排序方面仍有改进空间	开发一种新的技术来帮助医疗人员对COVID-19患者进行严重程度评估和优先级排序	COVID-19患者的CT胸部图像	计算机视觉	COVID-19	孪生神经网络（SNN）	CNN	图像	使用了经过医学专家标注的CT胸部扫描切片图像数据集，去除了40%的高度相似图像
1246	2024-08-30	Leverage knowledge graph and GCN for fine-grained-level clickbait detection 2022, World wide web IF:2.7Q2 DOI:10.1007/s11280-022-01032-3 PMID:35308295	研究论文	本文提出了一种结合知识图谱、图卷积网络和图注意力网络的细粒度级标题党检测模型	首次尝试将知识图谱和深度学习技术结合用于标题党检测，并实现了可解释性	未提及具体限制	提高标题党检测的准确性和可解释性	标题党检测	自然语言处理	NA	知识图谱，图卷积网络，图注意力网络	GCN	文本	使用真实数据集进行实验
1247	2024-08-30	Deep Learning-Enabled Clinically Applicable CT Planbox for Stroke With High Accuracy and Repeatability 2022, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2022.755492 PMID:35359626	研究论文	本文介绍了一种基于深度学习的智能CT系统，用于中风患者的临床评估，具有高准确性和重复性	开发了一种名为CAPITAL-CT的智能CT系统，通过使用区域提议网络（RPN）和V-Net模型，实现了对中风患者的高精度自动扫描	NA	开发一种智能CT系统，以提高中风患者随访期间的图像标准性、准确性和重复性	中风患者	计算机视觉	中风	区域提议网络（RPN），V-Net	CNN	图像	训练集包含76,382个人脸图像，另一个训练集包含295个受试者，验证集包含1,124名患者
1248	2024-08-30	Head and Neck Cancer Primary Tumor Auto Segmentation Using Model Ensembling of Deep Learning in PET/CT Images 2022, Head and neck tumor segmentation and outcome prediction : second challenge, HECKTOR 2021, held in conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings. Head and Neck Tumor Segmentation Challenge (2nd : 2021 ... DOI:10.1007/978-3-030-98253-9_11 PMID:35399869	研究论文	本研究开发了一系列基于3D残差Unet（ResUnet）架构的深度学习模型，用于自动分割PET/CT图像中的口咽癌原发肿瘤，并通过内部和外部验证展示了其高性能	采用标签融合集成方法，包括Simultaneous Truth and Performance Level Estimation（STAPLE）和基于多数投票的体素级阈值方法（AVERAGE），生成共识分割	未来研究应关注通道组合和标签融合策略的最佳组合，以最大化分割性能	提高辐射肿瘤学工作流程中口咽癌原发肿瘤的自动分割	口咽癌原发肿瘤的自动分割	计算机视觉	头颈癌	深度学习	3D Residual Unet（ResUnet）	图像	训练集224名患者，测试集101名患者
1249	2024-08-30	Combining Tumor Segmentation Masks with PET/CT Images and Clinical Data in a Deep Learning Framework for Improved Prognostic Prediction in Head and Neck Squamous Cell Carcinoma 2022, Head and neck tumor segmentation and outcome prediction : second challenge, HECKTOR 2021, held in conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings. Head and Neck Tumor Segmentation Challenge (2nd : 2021 ... DOI:10.1007/978-3-030-98253-9_28 PMID:35399870	研究论文	本研究利用基于DenseNet架构的深度学习框架，结合PET图像、CT图像、原发肿瘤分割掩模和临床数据，预测头颈鳞状细胞癌患者的无进展生存期	本研究首次将肿瘤分割掩模作为额外的输入通道，显著提高了预测模型的C-index值	NA	提高头颈鳞状细胞癌患者的预后预测准确性	头颈鳞状细胞癌患者的无进展生存期	机器学习	头颈鳞状细胞癌	深度学习	DenseNet	图像	大量训练数据来自2021年HECKTOR挑战赛
1250	2024-08-30	Optimizing Graphical Procedures for Multiplicity Control in a Confirmatory Clinical Trial via Deep Learning 2022, Statistics in biopharmaceutical research IF:1.5Q2 DOI:10.1080/19466315.2020.1799855 PMID:35401935	研究论文	本文评估了两种现有的无导数约束方法的性能，并提出了一种基于深度学习的优化框架，用于在确认性临床试验中优化图形程序以控制多重性	提出了一种基于前馈神经网络（FNN）的深度学习增强优化框架，该方法在保持某些测试程序特征固定的同时，优化其他特征	NA	优化确认性临床试验中的图形程序，以控制多重性并最大化特定目标函数	确认性临床试验中的多重性控制	机器学习	NA	深度学习	前馈神经网络（FNN）	NA	NA
1251	2024-08-30	A systematic review on cough sound analysis for Covid-19 diagnosis and screening: is my cough sound COVID-19? 2022, PeerJ. Computer science DOI:10.7717/peerj-cs.958 PMID:35634112	综述	本文综述了2020年和2021年利用人工智能工具分析咳嗽声音进行COVID-19筛查的最新研究	采用机器学习算法和深度学习模型分析咳嗽声音，以实现COVID-19的筛查	未包括预印本文章，因为它们未经同行评审	探讨人工智能工具在资源有限地区进行COVID-19大规模筛查的应用	咳嗽声音分析	机器学习	COVID-19	机器学习	深度学习模型	声音	NA
1252	2024-08-30	Multiple Traffic Target Tracking with Spatial-Temporal Affinity Network 2022, Computational intelligence and neuroscience DOI:10.1155/2022/9693767 PMID:35655505	研究论文	本文提出了一种时空编码解码亲和网络用于多交通目标跟踪，旨在利用深度学习的力量学习检测和轨迹的鲁棒时空亲和特征以进行数据关联	该研究提出了一种新的时空编码解码亲和网络，通过两阶段变换器编码模块捕获图像级别和轨迹级别的特征，以及一个空间变换器解码模块计算关联亲和度，从而实现高效的数据关联	NA	利用深度学习技术改进智能交通系统中的多目标跟踪任务	多交通目标的跟踪	计算机视觉	NA	深度学习	变换器（Transformer）	图像	使用了三个流行的多交通目标跟踪数据集：KITTI、UA-DETRAC和VisDrone进行评估
1253	2024-08-30	Interpretable Deep Learning Model Reveals Subsequences of Various Functions for Long Non-Coding RNA Identification 2022, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2022.876721 PMID:35685437	研究论文	本文介绍了一种名为Xlnc1DCNN的工具，用于通过一维卷积神经网络区分长非编码RNA（lncRNA）和蛋白质编码转录本（PCT），并提供预测解释	Xlnc1DCNN不仅在准确性和F1分数上优于其他现有工具，还提供了预测结果的解释，揭示了lncRNA和PCT的主要识别特征	NA	开发一种能够有效区分lncRNA和PCT的计算工具，并提供预测结果的解释	长非编码RNA（lncRNA）和蛋白质编码转录本（PCT）	机器学习	NA	下一代测序技术	一维卷积神经网络（1DCNN）	序列数据	人类测试集
1254	2024-08-30	PSegNet: Simultaneous Semantic and Instance Segmentation for Point Clouds of Plants 2022, Plant phenomics (Washington, D.C.) DOI:10.34133/2022/9787643 PMID:35693119	研究论文	本文提出了一种名为PSegNet的深度学习网络，用于植物点云的语义和实例分割	引入了Voxelized Farthest Point Sampling (VFPS)点云下采样策略和三个新模块：Double-Neighborhood Feature Extraction Block (DNFEB)、Double-Granularity Feature Fusion Module (DGFFM)和Attention Module (AM)	未提及	提高植物表型分析中对植物生长监测的自动化水平	植物的叶子和茎的3D点云	计算机视觉	NA	深度学习	PSegNet	点云	涉及三种植物物种的数据集
1255	2024-08-30	Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline 2022, Plant phenomics (Washington, D.C.) DOI:10.34133/2022/9758532 PMID:35693120	研究论文	开发并验证了一种基于深度学习的自动化微根窗图像分析流程	结合了先进的软件工具，使用深度神经网络和自动特征提取，显著减少了微根窗图像的处理时间	NA	开发一种用于高通量图像分析的客观方法，为田间根系表型分析提供数据	作物根系及其在农业生态系统中的作用	计算机视觉	NA	深度神经网络	神经网络模型	图像	超过36,500张图像
1256	2024-08-30	Deep Learning-Based Automated Detection of Arterial Vessel Wall and Plaque on Magnetic Resonance Vessel Wall Images 2022, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2022.888814 PMID:35720719	研究论文	本文开发并评估了一种基于深度学习的动脉血管壁和斑块自动分割方法，该方法有助于在磁共振血管壁成像中进行动脉形态学定量分析	提出的自动分割方法在分割动脉血管壁和斑块方面与手动方法具有良好的一致性，并且比传统U-Net、Attention U-Net和Inception U-Net在相同测试集上表现更好	NA	开发和评估一种自动分割动脉血管壁和斑块的方法，以促进动脉形态学在磁共振血管壁成像中的定量分析	动脉血管壁和斑块的自动分割	计算机视觉	心血管疾病	磁共振血管壁成像	卷积神经网络	图像	124名患有动脉粥样硬化斑块的患者
1257	2024-08-29	Improving breast cancer diagnosis by incorporating raw ultrasound parameters into machine learning 2022-Dec-01, Machine learning: science and technology DOI:10.1088/2632-2153/ac9bcc PMID:36698865	研究论文	本研究提出了一种基于生物物理特征的机器学习方法，用于乳腺癌检测，旨在提高诊断性能并提供恶性概率的彩色叠加视觉图。	本研究通过结合原始超声参数和机器学习方法，提高了乳腺癌诊断的准确性，并提供了恶性概率的彩色叠加视觉图。	NA	提高超声乳腺检查的诊断准确性。	乳腺癌检测。	机器学习	乳腺癌	超声	支持向量机	图像	150个乳腺病变样本
1258	2024-08-29	Resolving complex cartilage structures in developmental biology via deep learning-based automatic segmentation of X-ray computed microtomography images 2022-05-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-12329-8 PMID:35610276	研究论文	本研究利用卷积神经网络（CNN）自动分割发育中的鼻囊软骨结构，通过X射线计算显微断层扫描（μCT）图像进行分析	提出了一种针对大尺寸图像优化的CNN分割模型，并使用独特的手动注释数据库进行训练	图像数据尺寸大且训练数据库相对较小，包括基因改造的小鼠胚胎，分析结构的表型与正常情况不同	加速μCT分析动物模型中软骨骨骼元素的发育疾病	发育中的鼻囊软骨结构	计算机视觉	NA	X射线计算显微断层扫描（μCT）	CNN	图像	包括基因改造的小鼠胚胎
1259	2024-08-29	Birdsong classification based on ensemble multi-scale convolutional neural network 2022-05-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-12121-8 PMID:35606386	研究论文	本文针对传统卷积神经网络（CNN）在层数增加时语义信息丰富但细节信息丢失的问题，提出了一种基于小波变换特征谱图的多尺度卷积神经网络（MSCNN）和集成多尺度卷积神经网络（EMSCNN）分类框架，用于鸟鸣分类	本文提出的EMSCNN模型通过集成多尺度卷积神经网络，有效解决了传统CNN在处理鸟鸣数据时全局信息丢失的问题，提高了分类性能	NA	提高鸟鸣分类的准确性和稳定性	鸟鸣数据	计算机视觉	NA	小波变换	CNN	音频	30种鸟类
1260	2024-08-29	Hippocampal representations for deep learning on Alzheimer's disease 2022-05-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-12533-6 PMID:35597814	研究论文	本文比较了五种海马体表示方法及其相应的网络架构，用于通过深度学习分析阿尔茨海默病中的海马体变化	本文首次评估了不同海马体表示方法对深度学习分析阿尔茨海默病的影响	需要进一步研究以确定最佳的海马体表示方法和网络架构	探讨不同海马体表示方法对深度学习预测阿尔茨海默病的影响	海马体在阿尔茨海默病中的变化	机器学习	阿尔茨海默病	深度学习	神经网络	图像	独立测试数据集