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
1681	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
1682	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
1683	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
1684	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
1685	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
1686	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
1687	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
1688	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
1689	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
1690	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
1691	2024-08-05	Fully automated quantification of cardiac chamber and function assessment in 2-D echocardiography: clinical feasibility of deep learning-based algorithms 2022-May, The international journal of cardiovascular imaging DOI:10.1007/s10554-021-02482-y PMID:35152371	研究论文	本文比较了当前突出的深度学习算法的分割性能，并验证了手动创建的二维超声心动图四个心脏腔室的真实标注的一致性	提出了对现有深度学习算法的性能进行比较，并验证了四个心脏腔室的真实标注的可重复性	在PSAX视图中LV壁区域的表现较差，且存在一定的观察者间变异性	评估深度学习算法在完全自动化的心脏腔室分割和功能评估中的临床可行性	纳入了500名接受经胸超声心动图检查的患者	计算机视觉	心血管疾病	深度学习	U-net, Res-U-net, Dense-U-net	图像	500名患者，随机选择100名患者用于观察者变异性分析
1692	2024-08-05	Machine learning based multi-modal prediction of future decline toward Alzheimer's disease: An empirical study 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0277322 PMID:36383528	研究论文	该论文进行了一项实证研究，以多模态数据预测个体未来阿尔茨海默病的发展轨迹	提出了一种能够处理不同未来时间范围和异构数据的机器学习策略	预测认知正常个体的未来衰退比轻度认知障碍个体更具挑战性	早期识别阿尔茨海默病高风险个体以促进有效治疗和预防	个体未来阿尔茨海默病发展轨迹的预测	机器学习	阿尔茨海默病	深度学习	线性和非线性模型	多模态数据	NA
1693	2024-08-07	Anatomy-guided deep learning for object localization in medical images 2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2612566 PMID:36860592	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1694	2024-08-07	Predicting post-contrast information from contrast agent free cardiac MRI using machine learning: Challenges and methods 2022, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2022.894503 PMID:36051279	研究论文	本研究旨在通过分析对比剂前后的心脏磁共振成像（CMR）图像，利用对比剂前的信息预测对比剂后的信息，并提出相应的方法和挑战。	本研究首次尝试使用深度学习（DL）、支持向量机（SVM）和决策树（DT）方法，从无对比剂的心脏磁共振成像中预测对比剂后的信息。	初步结果显示性能一般，这一研究领域仍存在许多未解决的问题。	研究目的是通过对比剂前的心脏磁共振成像预测对比剂后的信息。	研究对象包括272例回顾性选择的心脏磁共振成像研究，其中108例为心肌梗死（MI），164例为健康对照。	机器学习	心血管疾病	深度学习	UNet和ResNet50	图像	272例心脏磁共振成像研究，包括108例心肌梗死和164例健康对照，共使用722对电影短轴（SAX）图像和分割掩模进行实验。
1695	2024-08-07	Editor's choice to the May 2022 issue : Fully automated quantification of cardiac chambers and function in 2D echo by Deep Learning, and a modern atlas of invasive coronary angiographic views 2022-May, The international journal of cardiovascular imaging DOI:10.1007/s10554-022-02621-z PMID:38819731	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1696	2024-08-07	Using deep learning method to identify left ventricular hypertrophy on echocardiography 2022-Apr, The international journal of cardiovascular imaging DOI:10.1007/s10554-021-02461-3 PMID:34757566	研究论文	本研究旨在开发一种基于深度学习算法的半自动诊断网络，用于通过超声心动图检测左心室肥厚（LVH）	引入了ResNet和U-net++模型，分别用于分类和分割任务，并成功构建了一个集成框架，能够自动分类四种情况（正常、HCM、CA和HHD）	NA	开发一种基于深度学习算法的半自动诊断网络，用于通过超声心动图检测左心室肥厚	左心室肥厚（LVH）及其潜在病因	机器学习	心血管疾病	深度学习	ResNet, U-net++	图像	1610份经胸超声心动图，包括724名患者（189名高血压性心脏病，218名肥厚型心肌病，58名心脏淀粉样变性，以及259名对照组）
1697	2024-08-07	A unifying Bayesian framework for merging X-ray diffraction data 2022-12-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-35280-8 PMID:36522310	研究论文	本文提出了一种统一的贝叶斯框架，用于合并X射线衍射数据，通过深度学习和变分推断同时重新缩放和合并反射观测	利用深度学习和变分推断技术，提出了一种新的贝叶斯方法来处理和合并X射线衍射数据中的反射观测	NA	开发一种新的方法来处理和合并X射线衍射数据，以更准确地检测生物分子功能动态中的细微构象变化	X射线衍射数据中的反射观测	计算机视觉	NA	X射线衍射	深度学习	衍射数据	NA
1698	2024-08-07	Meaning maps detect the removal of local semantic scene content but deep saliency models do not 2022-Apr, Attention, perception & psychophysics DOI:10.3758/s13414-021-02395-x PMID:35138579	研究论文	本研究通过使用一种设计来移除图像区域意义同时保留其图像特征的微分同胚图像变换，测试了意义地图和三种最先进的深度学习模型对语义内容损失的敏感性。	本研究首次直接测试了意义地图和深度学习模型对语义内容损失的敏感性，并发现意义地图能够反映场景中的局部语义内容，而深度显着性模型则不能。	研究仅使用了三种最先进的深度学习模型，可能未能涵盖所有类型的深度学习模型。	验证意义地图是否能捕捉语义内容，以及深度学习模型是否仅表示语义中性的图像特征。	意义地图和三种最先进的深度学习模型对语义内容损失的敏感性。	计算机视觉	NA	微分同胚图像变换	深度学习模型	图像	NA
1699	2024-08-07	Identifying Barriers to Post-Acute Care Referral and Characterizing Negative Patient Preferences Among Hospitalized Older Adults Using Natural Language Processing 2022, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:37128417	研究论文	本研究利用自然语言处理技术识别住院老年患者接受急性后护理的障碍，并分析患者的负面偏好	开发了一种自然语言处理分类器，用于识别最高价值的急性后护理障碍类别，即患者的负面偏好，并比较了多种机器学习模型，包括深度学习模型	研究样本仅包括594份急性护理笔记，来自100名患者，可能影响结果的普遍性	旨在检测住院老年患者接受急性后护理的常见障碍	住院老年患者的临床笔记	自然语言处理	NA	自然语言处理	深度学习模型	文本	594份急性护理笔记，来自100名患者
1700	2024-08-07	Two fully automated data-driven 3D whole-breast segmentation strategies in MRI for MR-based breast density using image registration and U-Net with a focus on reproducibility 2022-Oct-11, Visual computing for industry, biomedicine, and art DOI:10.1186/s42492-022-00121-4 PMID:36219359	研究论文	本研究开发了两种基于图像配准和3D U-Net的全自动数据驱动3D全乳房分割策略，用于MRI中的乳腺密度测量，重点关注可重复性	提出的图像配准和深度学习全乳房分割方法在乳腺密度测量中表现出高度的准确性和可靠性，优于先前开发的算法和手动分割方法	NA	开发一种高度可重复且准确的乳腺密度测量算法	乳腺MRI图像的全乳房分割	数字病理学	乳腺癌	图像配准，3D U-Net	U-Net	图像	三个来自两个临床试验的志愿者数据集