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
121	2024-10-06	Artificial Intelligence and Deep Learning Assisted Rapid Diagnosis of COVID-19 from Chest Radiographical Images: A Survey 2022, Contrast media & molecular imaging DOI:10.1155/2022/1306664 PMID:36304775	综述	本文综述了利用人工智能和深度学习技术从胸部影像图像中快速诊断COVID-19的研究进展	本文系统地总结了超过110篇来自多个知名来源的论文，涵盖了使用深度学习模型从胸部X光和CT扫描图像中检测和分类COVID-19的研究	本文主要基于已有文献的综述，未提出新的研究方法或模型	探讨人工智能和深度学习在COVID-19快速诊断中的应用	COVID-19的胸部影像图像	计算机视觉	COVID-19	深度学习	深度学习模型	图像	超过110篇论文
122	2024-10-06	A review of deep learning-based deformable medical image registration 2022, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2022.1047215 PMID:36568171	综述	本文综述了基于深度学习的可变形医学图像配准方法	本文分类并详细讨论了五种基于深度学习的可变形医学图像配准方法，并提供了统计分析和公开数据集的总结	本文未提及具体的实验结果或模型性能比较	综述基于深度学习的可变形医学图像配准方法的最新进展	可变形医学图像配准方法	计算机视觉	NA	深度学习	NA	图像	33个公开数据集
123	2024-10-05	Detection of COVID-19 from CT and Chest X-ray Images Using Deep Learning Models 2022-Jul, Annals of biomedical engineering IF:3.0Q3 DOI:10.1007/s10439-022-02958-5 PMID:35415768	研究论文	本文提出了一种利用深度学习模型从CT和胸部X光图像中自动检测COVID-19的新方法	提出了使用VGG和ResNet深度学习模型进行COVID-19检测的新方法，并取得了高准确率	未提及具体限制	开发一种自动检测COVID-19的方法，以帮助早期诊断和控制疫情	COVID-19的CT和胸部X光图像	计算机视觉	COVID-19	深度学习	VGG19, ResNet50	图像	所有胸部X光图像
124	2024-10-05	[Deep learning-assisted construction of three-demensional facial midsagittal plane] 2022-Feb-18, Beijing da xue xue bao. Yi xue ban = Journal of Peking University. Health sciences PMID:35165480	研究论文	研究利用深度学习算法和加权Procrustes分析算法，自动构建三维面部正中矢状面	首次结合深度学习算法和Procrustes分析算法，实现了三维面部正中矢状面的全自动化构建	样本量较小，仅包含100名无明显面部畸形的受试者	开发一种能够准确确定三维面部解剖标志并自动构建三维面部正中矢状面的深度学习算法	三维面部数据及其解剖标志	计算机视觉	NA	多视图堆叠沙漏卷积神经网络（MSH-CNN）	卷积神经网络（CNN）	三维面部数据	100名无明显面部畸形的受试者
125	2024-10-05	Detection of COVID-19 Based on Chest X-rays Using Deep Learning 2022-Feb-10, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare10020343 PMID:35206957	研究论文	本文提出了一种基于深度学习的胸部X光图像检测COVID-19的方法	本文提出了两种基于ResNet-50的深度学习方法，用于COVID-19的检测，并在多个指标上表现优于现有的方法	NA	开发一种可靠且易于使用的深度学习方法，用于早期诊断和隔离COVID-19患者	COVID-19的胸部X光图像	计算机视觉	COVID-19	深度学习	ResNet-50	图像	使用了两个公开的基准数据集：COVID-19图像数据集和胸部X光图像数据集
126	2024-10-05	Model-based stratification of progression along the Alzheimer disease continuum highlights the centrality of biomarker synergies 2022-01-24, Alzheimer's research & therapy DOI:10.1186/s13195-021-00941-1 PMID:35073974	研究论文	本研究使用模型和数据驱动的方法，探讨了阿尔茨海默病（AD）进展过程中Aβ、tau和神经退行性病变（AT(N)）生物标志物的协同作用	本研究揭示了AT(N)生物标志物组合在预测AD进展中的协同关系，扩展了之前关于A-T协同机制的证据	本研究使用了较大的数据集（N=321），但样本量仍有限，可能影响模型的泛化能力	探讨阿尔茨海默病进展过程中生物标志物的协同作用	阿尔茨海默病患者的认知评估和生物标志物数据	机器学习	阿尔茨海默病	深度学习模型	深度学习模型	生物标志物数据	321名患者
127	2024-10-05	Implications of AlphaFold2 for crystallographic phasing by molecular replacement 2022-Jan-01, Acta crystallographica. Section D, Structural biology DOI:10.1107/S2059798321012122 PMID:34981757	研究论文	探讨了AlphaFold2在晶体学相位分析中的应用前景	利用AlphaFold2生成的精确蛋白质结构模型，探索其在晶体学相位分析中的潜在应用	NA	研究AlphaFold2对晶体学相位分析方法的影响	AlphaFold2生成的蛋白质结构模型及其在晶体学相位分析中的应用	结构生物学	NA	深度学习	AlphaFold2	蛋白质结构数据	来自CASP14的数据
128	2024-10-05	Computerized migraine diagnostic tools: a systematic review 2022, Therapeutic advances in chronic disease IF:3.3Q2 DOI:10.1177/20406223211065235 PMID:35096362	综述	本文对计算机化偏头痛诊断工具进行了系统性回顾，总结并评估了相关研究的质量	本文首次对计算机化偏头痛诊断工具进行了系统性回顾，评估了不同工具的诊断准确性	缺乏随机患者抽样、工具之间的直接比较以及对其他头痛诊断的适用性	总结和评估计算机化偏头痛诊断工具的研究质量	计算机化偏头痛诊断工具	计算机视觉	偏头痛	深度学习、分类器集成、蚁群算法、人工免疫、随机森林、白盒与黑盒组合、混合模糊专家系统	NA	NA	41项研究，中位样本量为288名参与者，中位年龄43岁，77%为女性
129	2024-10-04	Current trends on the application of artificial intelligence in medical sciences 2022, Bioinformation DOI:10.6026/973206300181050 PMID:37693078	综述	本文综述了人工智能在医学科学中的应用现状、面临的挑战以及未来的发展方向	本文系统地总结了人工智能在医疗领域的应用，并提出了未来研究的方向	本文主要集中在综述和总结，未提供具体的实验数据或模型	探讨人工智能在医学科学中的应用及其未来发展	人工智能在医疗领域的应用、面临的挑战及伦理责任	机器学习	NA	机器学习 (ML) 和深度学习 (DL)	NA	NA	NA
130	2024-10-04	Automatic detection and delineation of pediatric gliomas on combined [18F]FET PET and MRI 2022, Frontiers in nuclear medicine (Lausanne, Switzerland) DOI:10.3389/fnume.2022.960820 PMID:39354975	研究论文	本文提出了一种深度学习方法，用于自动检测和描绘儿童中枢神经系统肿瘤的[18F]FET PET和MRI图像	本文首次将深度学习应用于儿童中枢神经系统肿瘤的自动描绘，提高了描绘的准确性和一致性	研究样本量较小，仅包括66名患者，未来需要在大规模多中心研究中验证其有效性	开发一种自动描绘儿童中枢神经系统肿瘤的方法，以提高诊断和治疗计划的准确性	儿童中枢神经系统肿瘤的[18F]FET PET和MRI图像	计算机视觉	中枢神经系统肿瘤	深度学习	人工神经网络 (ANN)	图像	66名儿童患者的109次[18F]FET PET和MRI扫描
131	2024-10-02	Autonomous Binarized Focal Loss Enhanced Model Compression Design Using Tensor Train Decomposition 2022-Oct-14, Micromachines IF:3.0Q2 DOI:10.3390/mi13101738 PMID:36296093	研究论文	本文提出了一种基于张量列车分解的自主二值化焦点损失增强模型压缩设计方法	本文创新性地提出了自主二值化焦点损失增强模型压缩（ABFLMC）模型，解决了模型压缩过程中的类别不平衡问题，并引入了动态难度项以提高性能和降低复杂度	NA	旨在提高深度学习模型在目标检测任务中的性能，同时降低计算和功耗需求	深度学习模型在目标检测任务中的应用	机器学习	NA	张量列车分解	ABFLMC	NA	NA
132	2024-10-02	Mutual influence between language and perception in multi-agent communication games 2022-10, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1010658 PMID:36315590	研究论文	本文探讨了深度学习方法在多智能体通信游戏中语言与感知相互影响的研究	通过系统地操纵智能体的视觉表示和通信协议，分析了它们对语言和感知的影响，揭示了感知偏差如何塑造语义分类和交流内容	NA	研究语言与感知在多智能体通信游戏中的相互影响	发送者和接收者智能体在参考游戏中的语言和视觉表示	自然语言处理	NA	深度学习	深度神经网络	图像	NA
133	2024-10-02	Deep learning-based breast cancer grading and survival analysis on whole-slide histopathology images 2022-09-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-19112-9 PMID:36068311	研究论文	本文开发并评估了一种基于深度学习的乳腺癌分级模型，该模型能够处理全切片病理图像，并进行生存分析	本文首次提出了一种基于深度学习的乳腺癌分级模型，能够处理全切片病理图像，并进行生存分析	模型在调整临床病理特征和分子亚型分层后，危险比显示出趋势但失去了统计显著性	开发一种能够自动分级乳腺癌并进行生存分析的深度学习模型	年轻（<40岁）的浸润性乳腺癌患者及其肿瘤分级	数字病理学	乳腺癌	深度学习	深度学习模型	图像	706名年轻（<40岁）的浸润性乳腺癌患者
134	2024-10-02	Retinal optical coherence tomography image analysis by a restricted Boltzmann machine 2022-Sep-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.458753 PMID:36187262	研究论文	本文提出了一种基于受限玻尔兹曼机（RBM）的无监督学习方法，用于视网膜光学相干断层扫描（OCT）图像的增强和异常分割	本文的创新点在于使用无监督学习方法进行OCT图像的增强和异常检测，无需参考图像，并通过RBM网络重建图像以提高对比度	本文的局限性在于未提及该方法在其他类型眼科疾病中的适用性	研究目的是开发一种无需大量训练数据的无监督学习方法，用于OCT图像的增强和异常检测	研究对象是视网膜OCT图像及其中的异常（如糖尿病性黄斑水肿中的高反射焦点）	计算机视觉	NA	光学相干断层扫描（OCT）	受限玻尔兹曼机（RBM）	图像	未明确提及样本数量
135	2024-10-02	Can Generative Adversarial Networks help to overcome the limited data problem in segmentation? 2022-Aug, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2021.11.006 PMID:34930685	研究论文	研究探讨了在分割任务中使用生成对抗网络（GAN）是否能克服小数据集的问题	研究了在分割任务中使用GAN架构与传统U-Net网络的性能对比	实验结果显示，在分割任务中引入GAN并未显著提升性能	探讨GAN在分割任务中是否能提升小数据集的性能	男性骨盆的CT数据分割	计算机视觉	NA	生成对抗网络（GAN）	U-Net	图像	1到100名患者的数据集
136	2024-10-02	Applied Machine Learning for Spine Surgeons: Predicting Outcome for Patients Undergoing Treatment for Lumbar Disc Herniation Using PRO Data 2022-Jun, Global spine journal IF:2.6Q1 DOI:10.1177/2192568220967643 PMID:33203255	研究论文	本研究使用机器学习模型预测腰椎间盘突出症患者手术后的1年随访结果，并与传统方法进行比较	本研究首次将多种机器学习模型应用于腰椎间盘突出症患者的预后预测，并展示了构建模型集合的可行性	机器学习模型并未表现出比传统模型更优越的性能，且不同模型的预测结果存在差异	开发和评估用于预测腰椎间盘突出症患者手术后1年随访结果的机器学习模型	接受腰椎间盘突出症手术治疗的患者	机器学习	腰椎间盘突出症	机器学习	深度学习、决策树、随机森林、提升树和支持向量机	患者报告的结果数据	包括16个独立变量的数据集，随机分为训练集、验证集和测试集，比例为50%/35%/15%
137	2024-10-02	Towards a safe and efficient clinical implementation of machine learning in radiation oncology by exploring model interpretability, explainability and data-model dependency 2022-05-27, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac678a PMID:35421855	研究论文	本文探讨了在放射肿瘤学中安全高效地实施机器学习的关键问题，特别是模型可解释性、可解释性和数据-模型依赖性	本文定义并详细阐述了可解释性、可解释性和数据-模型依赖性的核心概念，并提供了实际应用示例	本文主要集中在理论和概念层面的探讨，缺乏具体的实验验证和数据支持	研究如何在放射肿瘤学中安全高效地实施机器学习，并解决模型可解释性和数据-模型依赖性问题	放射肿瘤学中的机器学习模型及其在临床工作流程中的应用	机器学习	NA	NA	卷积神经网络	图像	NA
138	2024-10-02	Fully automated image quality evaluation on patient CT: Multi-vendor and multi-reconstruction study 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0271724 PMID:35857804	研究论文	本文提出了一种全自动的CT图像质量评估方法，用于多厂商和多重建算法的患者CT图像	首次提出了基于结构一致性特征（SCF）的全自动CT图像质量评估方法，能够量化噪声水平、结构清晰度和结构变化	研究仅限于特定类型的CT图像和重建算法，未涵盖所有可能的CT技术和场景	开发一种全自动的CT图像质量评估方法，以优化CT协议和降低辐射剂量	120名患者的CT图像，使用四种不同的CT扫描仪和三种重建算法	计算机视觉	NA	CT扫描	深度学习模型（DLM）	图像	120名患者的CT图像
139	2024-10-02	A Deep Learning and Handcrafted Based Computationally Intelligent Technique for Effective COVID-19 Detection from X-ray/CT-scan Imaging 2022, Journal of grid computing IF:3.6Q1 DOI:10.1007/s10723-022-09615-0 PMID:35874855	研究论文	本文提出了一种基于深度学习和手工特征的计算智能技术，用于从X射线/CT扫描图像中有效检测COVID-19	本文的创新点在于采用了混合特征提取方法，结合了深度学习特征和手工特征，并使用ResNet101和DenseNet201模型进行特征提取	NA	开发一种高效的COVID-19分类系统，以帮助医生和科学界应对疫情	COVID-19的X射线/CT扫描图像	计算机视觉	COVID-19	深度学习	ResNet101, DenseNet201	图像	NA
140	2024-10-02	Artificial Intelligence in Digital Pathology to Advance Cancer Immunotherapy 2022, 21st century pathology PMID:36282981	研究论文	本文总结了人工智能在数字病理学中的最新研究，并探讨了其在癌症免疫治疗生物标志物开发中的新兴范式和方向	本文探讨了人工智能在数字病理学中的应用，特别是深度学习技术，以自动化分析组织切片，并利用多重生物成像技术全面表征肿瘤微环境	本文主要为综述性质，未提供具体的研究数据或实验结果	探讨人工智能在数字病理学中的应用，以推动癌症免疫治疗生物标志物的开发	免疫检查点抑制剂（ICIs）在癌症治疗中的应用，特别是肺癌患者中ICIs单药治疗的临床效益	数字病理学	肺癌	人工智能（AI），特别是深度学习	深度学习	组织切片	NA