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
1581	2024-08-05	Tagged-MRI Sequence to Audio Synthesis via Self Residual Attention Guided Heterogeneous Translator 2022-Sep, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-16446-0_36 PMID:36820764	研究论文	该文章提出了一种基于自残差注意力的异构翻译器，从带标记的MRI序列生成音频波形	创新点在于采用全卷积不对称翻译器和自残差注意力策略，以处理语音中的肌肉运动结构	该研究的局限性在于使用的数据集规模有限	研究目标是理解带标记的MRI与可懂语音之间的关系	研究对象为带标记的MRI序列和其对应的音频波形	计算机视觉	言语相关疾病	深度学习	生成对抗网络	图像和音频	63个带标记的MRI序列
1582	2024-08-05	Residue-wise local quality estimation for protein models from cryo-EM maps 2022-09, Nature methods IF:36.1Q1 DOI:10.1038/s41592-022-01574-4 PMID:35953671	研究论文	本文开发了一种方法，用于评估蛋白质模型中基于冷冻电镜图的残基局部质量。	创新点在于提出了一种名为DAQ的评分方法，能够识别蛋白质残基在冷冻电镜图中的潜在错误分配。	未提及具体限制	研究旨在提高冷冻电镜图中蛋白质残基的分配准确性。	研究对象为从冷冻电镜图构建的蛋白质结构模型。	数字病理学	NA	深度学习	NA	冷冻电镜图	多个核酸数据库中基于相同密度图构建的蛋白质结构模型
1583	2024-08-05	Multi-scale Multi-structure Siamese Network (MMSNet) for Primary Open-Angle Glaucoma Prediction 2022-Sep, Machine learning in medical imaging. MLMI (Workshop) DOI:10.1007/978-3-031-21014-3_45 PMID:36656619	研究论文	本文提出了一种多尺度多结构的Siamese网络（MMSNet），用于预测原发性开角型青光眼。	创新点在于MMSNet网络模拟青光眼专家通过比较跟踪的视神经图像和基线图像来进行的预测，且利用多幅图像和深度监督进行预测。	本研究可能受到数据集选择的限制，且未考虑更复杂的临床变量。	研究旨在提高原发性开角型青光眼的早期预测能力。	研究对象为眼压升高治疗研究中的1636名参与者的视网膜照片。	数字病理学	青光眼	深度学习	Siamese网络	图像	37339幅视网膜照片
1584	2024-08-05	QU-BraTS: MICCAI BraTS 2020 Challenge on Quantifying Uncertainty in Brain Tumor Segmentation - Analysis of Ranking Scores and Benchmarking Results 2022-Aug, The journal of machine learning for biomedical imaging PMID:36998700	研究论文	本文探讨了脑肿瘤多区段分割中的不确定性量化评分的评估与排名	提出了一种新的评分方法用于评估和排名脑肿瘤分割的不确定性估计	研究中可能没有完全考虑各种不确定性估计方法的适用性	量化深度学习模型预测的不确定性，以促进临床转化	针对参与BRAST 2019和2020任务的多个团队的脑肿瘤分割不确定性	数字病理学	脑肿瘤	深度学习	NA	医学影像	14个独立参与团队
1585	2024-08-05	A deep learning-based method for the diagnosis of vertebral fractures on spine MRI: retrospective training and validation of ResNet 2022-08, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society IF:2.6Q1 DOI:10.1007/s00586-022-07121-1 PMID:35089420	研究论文	该文章提出了一种基于深度学习的方法来诊断脊椎MRI上的脊椎骨折	应用ResNet50算法开发了决策支持系统，以提高临床医生对脊椎骨折的诊断能力	需要考虑脊椎体以外的其他发现，以改善模型，进一步的研究是必要的以将结果推广到实际应用中	提高临床医生在MRI上对良性和恶性脊椎骨折的诊断性能	190名患者，其中50名有恶性骨折，140名有良性骨折	数字病理学	脊椎骨折	深度学习	ResNet50	MRI图像	190名患者
1586	2024-08-05	Patient-specific synthetic magnetic resonance imaging generation from cone beam computed tomography for image guidance in liver stereotactic body radiation therapy 2022-Jun, Precision radiation oncology DOI:10.1002/pro6.1163 PMID:37064765	研究论文	本文提出了一种患者特异性的深度学习模型，旨在从锥形束计算机断层扫描（CBCT）生成合成磁共振成像（MRI）以改善肝肿瘤定位	创新点在于利用患者特异性的CBCT-MRI图像对来训练深度学习模型以生成合成MRI	由于该研究基于特定患者的数据，模型的泛化能力可能受到限制	研究旨在提高肝肿瘤定位的准确性	研究对象为肝肿瘤患者的CBCT和MRI图像	医学影像处理	肝癌	深度学习	U-Net	影像	3名患者的CBCT-Ground Truth MRI图像
1587	2024-08-05	Generalizing deep learning brain segmentation for skull removal and intracranial measurements 2022-05, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.01.004 PMID:34999162	研究论文	本文提出了一种用于脑部分割的深度学习方法，以实现颅骨去除和颅内测量	引入了迁移学习方法来估计额外的TICV和PFV标签，并采用U-Net模型进行颅骨去除的全脑分割	手动标注全脑体积的可用数据集有限，影响了方法的普适性	研究如何实现深度学习脑部分割以进行颅骨去除和颅内测量	关注于采用MRI成像技术进行脑体积测量的神经影像数据	数字病理学	NA	MRI	U-Net	图像	使用有限的BrainCOLOR数据集进行训练
1588	2024-08-05	A Deep Learning Approach for Meter-Scale Air Quality Estimation in Urban Environments Using Very High-Spatial-Resolution Satellite Imagery 2022-Apr-27, Atmosphere IF:2.5Q3 DOI:10.3390/atmos13050696 PMID:37724306	研究论文	本研究主要关注在城市环境中利用超高分辨率卫星影像生成百米尺度的空气质量图。	提出了一种新的基于图像的物体检测分析方法，能够以显著更小的尺度估计空气质量，为城市环境AQ监测提供了新的视角。	目前的模型依赖于卫星影像，可能在缺乏地面监测数据的地区难以推广应用。	研究目标是开发一种能够在发达城市生成百米尺度空气质量图的模型。	研究对象包括伦敦、温哥华、洛杉矶和纽约市的空气质量数据。	数字病理学	NA	深度神经网络（DNN）	NA	卫星影像	使用了地面监测观察和土地利用回归建模的PM与NO浓度数据
1589	2024-08-05	Rule-Enhanced Active Learning for Semi-Automated Weak Supervision 2022-Mar, Artificial intelligence IF:5.1Q1 DOI:10.3390/ai3010013 PMID:35845102	研究论文	本文提出了一种改进的弱监督文本分类框架REGAL，通过对标签函数进行主动学习，降低人工标注负担	REGAL通过从原始文本中交互式地创建高质量标签模式，允许单个注释者在初始化时只需三个关键词即可准确标注整个数据集，显著提高了标签函数的提取效率	NA	提高弱监督文本分类中的主动学习效率，减少人力标注需求	文本数据集的标注	自然语言处理	NA	弱监督学习	NA	文本	六个常用的自然语言处理基准数据集
1590	2024-08-05	Semi-automated three-dimensional segmentation for cardiac CT images using deep learning and randomly distributed points 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611594 PMID:36793655	研究论文	本文提出了一种半自动化的深度学习方法用于心脏CT图像的分割。	本研究通过模拟用户交互并使用点距离图，结合手动分割的高精度与全自动分割的高效率，提供了一种新的心脏分割方法。	目前的半自动化方法仍未达到专家分割的精确度，需要更进一步的优化。	旨在提高心脏CT图像分割的准确性和效率。	研究对象为心脏CT图像，特别是其四个腔室。	计算机视觉	心血管疾病	深度学习	三维全卷积神经网络（FCNN）	图像	不适用
1591	2024-08-05	CascadeNet for hysterectomy prediction in pregnant women due to placenta accreta spectrum 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611580 PMID:36798853	研究论文	本文开发了一种新的卷积网络架构，用于预测由胎盘植入症引起的孕妇紧急子宫切除术	该研究首次结合MRI体积、放射组学特征和自定义特征图进行胎盘植入症的预测	研究尚未考虑所有潜在的临床变量，可能影响预测的准确性	旨在早期预测胎盘植入症，减少并发症并帮助管理决策	研究对象为241名孕妇，其中157名用于训练，24名用于验证，60名用于测试	计算机视觉	胎盘植入症	深度卷积网络	CNN	MRI体积和放射组学特征	241名孕妇
1592	2024-08-05	Automatic detection of head and neck squamous cell carcinoma on pathologic slides using polarized hyperspectral imaging and deep learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2614624 PMID:36798940	研究论文	本研究结合偏振高光谱成像与深度学习，实现对头颈部鳞状细胞癌的自动检测	首次采用偏振高光谱成像和深度学习方法，对头颈部鳞状细胞癌进行自动检测	样本数量较小，仅涉及17名患者，且基于其中16名患者进行训练	研究偏振高光谱成像在病理切片中自动检测头颈部鳞状细胞癌的应用	17名头颈部鳞状细胞癌患者所提供的组织切片	数字病理学	头颈癌	偏振高光谱成像 (PHSI)	卷积神经网络 (CNN)	图像	17名患者的组织切片数据
1593	2024-08-05	Thyroid Carcinoma Detection on Whole Histologic Slides Using Hyperspectral Imaging and Deep Learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2612963 PMID:36798939	研究论文	本研究利用高光谱成像和深度学习对甲状腺癌进行检测	该研究展示了高光谱图像在整体组织切片癌症分类中的提升性能	研究中只使用了33个固定组织样本，样本量较小	探讨高光谱成像和深度学习在甲状腺癌检测中的应用	使用来自头颈患者的甲状腺滤泡癌的组织样本进行研究	数字病理学	甲状腺癌	高光谱成像	深度学习分类器	图像	33个头颈患者的固定组织样本
1594	2024-08-05	Deep Learning-Based Abdominal Muscle Segmentation on CT Images of Surgical Patient Populations 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611773 PMID:36845411	研究论文	本研究提出了一种基于深度学习的算法，用于对手术患者的CT图像进行腹部肌肉分割。	结合全卷积神经网络(CNN)与高水平的预处理方法在分割质量上取得了显著提高。	该研究依赖于传统计算机视觉技术而未使用人工智能进行初步处理，可能限制了方法的适用范围。	旨在准确跟踪手术患者的腹部肌肉质量变化。	研究对象为手术患者的CT图像。	计算机视觉	NA	计算机视觉	CNN	图像	NA
1595	2024-08-05	Deep Learning-based Deformable Registration of Dynamic Contrast-Enhanced MR Images of the Kidney 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611768 PMID:36793654	研究论文	该文章提出了一种基于深度学习的灵活注册方法，用于动态对比增强的肾脏MRI图像。	提出了一种两步法的深度学习方法，包括基于CNN的仿射注册网络和用于可变形注册的U-Net。	NA	研究旨在改善因呼吸运动造成的肾脏MRI图像的运动效应。	动态对比增强的肾脏MRI数据。	计算机视觉	NA	深度学习	CNN和U-Net	图像	NA
1596	2024-08-05	Accelerating 2D Abdominal Organ Segmentation with Active Learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611595 PMID:36303576	研究论文	本研究设计了一种基于梯度的主动学习注释框架，以加速二维腹部器官分割	提出的主动学习框架通过动态选择'难例'来减少所需的标注切片数量，从而提高注释效率	本研究未讨论在不同患者人群中实施该方法的适用性	减少在二维腹部扫描中手动注释的工作量，同时提高分割准确性	研究对象为286名受试者，最终纳入586名受试者进行评估	计算机视觉	NA	主动学习	深度学习模型	图像	总共586名受试者
1597	2024-08-05	Identifying Unique Acoustic Signatures from Chemically-Crosslinked Microbubble Clusters Using Deep Learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2611572 PMID:36793945	研究论文	本研究通过深度学习算法展示了化学交联微泡簇的独特声学响应	介绍了一种新的脂质基超声对比剂，并展示了其在低强度脉冲超声下生成独特声学特征的能力	研究主要集中于声学表征，未探讨其他潜在影响因素	展示化学交联微泡簇的声学响应与单个对比剂的差异	研究化学交联微泡簇及单个脂质微泡的声学特性	数字病理学	NA	深度学习	人工神经网络（ANN）	1D RF 超声数据	使用了来自宽带水听器和Verasonics临床换能器的有效数据采集
1598	2024-08-05	Automatic Segmentation of Uterine Cavity and Placenta on MR Images Using Deep Learning 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2613286 PMID:36798450	研究论文	本研究使用深度学习技术自动分割MRI图像中的子宫腔和胎盘	提出了一种使用全卷积神经网络同时分割子宫腔和胎盘的新方法	样本量有限，可能影响算法的普适性	研究基于MRI的子宫腔和胎盘的自动分割方法	181名患者的MRI图像	计算机视觉	NA	深度学习	全卷积神经网络	MRI图像	181个患者的MRI图像
1599	2024-08-05	CardiSort: a convolutional neural network for cross vendor automated sorting of cardiac MR images 2022-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-022-08724-4 PMID:35368227	研究论文	开发了一种基于图像的自动深度学习方法，能够根据序列类型和成像平面对心脏MR图像进行分类，从而提高临床后处理效率	创新性地提出了CardiSort深度学习网络，能够在多厂商数据上对心脏MRI研究进行序列和成像平面的分类	对表现不佳的类和因采集参数在中心之间变化较大的序列（例如灌注成像）accuracy较低	旨在通过深度学习方法改善心脏MR图像的临床后处理流程	心脏MR图像，来自于4个中心和3个厂商的多中心多厂商的MRI研究	计算机视觉	NA	深度学习	CNN	图像	单厂商训练234名患者，跨厂商训练434名患者，外部验证80名患者
1600	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