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
41	2024-08-30	Intelligent Fault Detection and Classification Based on Hybrid Deep Learning Methods for Hardware-in-the-Loop Test of Automotive Software Systems 2022-May-27, Sensors (Basel, Switzerland) DOI:10.3390/s22114066 PMID:35684686	研究论文	本文提出了一种基于混合深度学习方法的智能故障检测与分类模型，用于汽车软件系统的硬件在环测试	使用混合深度学习技术，结合卷积神经网络（CNN）和长短期记忆网络（LSTM），提高了故障检测和分类的性能	研究中仅考虑了八种类型的传感器故障，可能未覆盖所有潜在故障	开发一种高效的基于历史数据集的故障检测与分类方法，以分析硬件在环测试过程中的记录	汽车软件系统的硬件在环测试中的故障检测与分类	机器学习	NA	深度学习	CNN和LSTM	传感器数据	八种类型的传感器故障数据
42	2024-08-30	Explainable Vision Transformers and Radiomics for COVID-19 Detection in Chest X-rays 2022-May-26, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm11113013 PMID:35683400	研究论文	研究使用可解释的视觉变换器（ViT）和放射组学方法在胸部X光片上检测COVID-19	采用视觉变换器（ViT）模型，能够捕捉全局上下文，并有效识别COVID-19的迹象	NA	提高COVID-19检测的准确性和效率	胸部X光片（CXR）图像中的COVID-19、肺炎和正常病例	计算机视觉	COVID-19	视觉变换器（ViT）	ViT	图像	7598张COVID-19 CXR图像，8552张健康患者CXR图像，5674张肺炎CXR图像
43	2024-08-30	Fast machine learning annotation in the medical domain: a semi-automated video annotation tool for gastroenterologists 2022-May-25, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-022-01001-x PMID:35614504	研究论文	本文介绍了一种用于胃肠病学家的半自动化视频标注工具，旨在减少领域专家的工作量并提高标注速度	该框架通过让领域专家仅在病理序列的开始和结束处进行关键标注，然后由非专家标注者在机器学习的辅助下填补中间帧的标注，从而显著减少了专家的工作量	NA	开发一种能够减少医学领域专家在视频标注中工作量的半自动化工具	胃肠病学领域的视频数据标注	机器学习	NA	NA	对象检测模型	视频	10名参与者参与的前瞻性研究
44	2024-08-30	Artificial Intelligence and Circulating Cell-Free DNA Methylation Profiling: Mechanism and Detection of Alzheimer's Disease 2022-05-25, Cells IF:5.1Q2 DOI:10.3390/cells11111744 PMID:35681440	研究论文	本研究通过分析阿尔茨海默病（AD）患者的循环游离DNA（cfDNA）甲基化谱，利用六种人工智能（AI）平台进行AD诊断，并进行了富集分析以阐明AD的发病机制	首次报道使用cfDNA进行全基因组DNA甲基化研究以检测AD	NA	探索阿尔茨海默病的病理生理机制，并开发新的诊断方法	阿尔茨海默病患者和认知正常的对照组的cfDNA	机器学习	阿尔茨海默病	DNA甲基化分析	深度学习（DL）	DNA	3684个CpG位点
45	2024-08-30	Added Value of Viscoelasticity for MRI-Based Prediction of Ki-67 Expression of Hepatocellular Carcinoma Using a Deep Learning Combined Radiomics (DLCR) Model 2022-May-24, Cancers IF:4.5Q1 DOI:10.3390/cancers14112575 PMID:35681558	研究论文	本研究旨在探讨通过磁共振弹性成像（MRE）测量的粘弹性在基于深度学习结合放射组学（DLCR）模型预测肝细胞癌（HCC）Ki-67表达中的附加价值	本研究首次将MRE测量的粘弹性参数（剪切波速度和相位角）引入DLCR模型，显著提高了Ki-67表达预测的性能	本研究为回顾性研究，样本量相对较小，且未提及模型的泛化能力在其他类型癌症中的表现	探索MRE测量的粘弹性在DLCR模型中预测HCC Ki-67表达的附加价值	肝细胞癌（HCC）患者的Ki-67表达	机器学习	肝细胞癌	磁共振弹性成像（MRE）	CNN（卷积神经网络）	图像	108名经组织病理学证实的HCC患者，分为训练组87人，测试组21人，独立验证组43人
46	2024-08-30	A Deep Learning Method Approach for Sleep Stage Classification with EEG Spectrogram 2022-05-23, International journal of environmental research and public health DOI:10.3390/ijerph19106322 PMID:35627856	研究论文	本文提出了一种基于脑电图（EEG）频谱图的深度学习方法，用于睡眠阶段分类	设计了一种名为EEGSNet的深度学习模型，结合多层卷积神经网络（CNN）和双向长短期记忆网络（Bi-LSTM），并使用高斯误差线性单元（GELU）作为CNN的激活函数，以提高模型的泛化能力	NA	提高睡眠阶段分类的准确性和效率	睡眠阶段的分类	机器学习	NA	脑电图（EEG）	CNN和Bi-LSTM	频谱图	使用了四个公共数据库：Sleep-EDFX-8, Sleep-EDFX-20, Sleep-EDFX-78, 和SHHS
47	2024-08-30	Integration of Deep Learning Network and Robot Arm System for Rim Defect Inspection Application 2022-May-22, Sensors (Basel, Switzerland) DOI:10.3390/s22103927 PMID:35632335	研究论文	本研究结合深度学习和卷积神经网络，利用eye-in-hand架构自动化检测电动汽车锻造铝轮毂的缺陷	采用生成对抗网络（GAN）和深度卷积生成对抗网络（DCGAN）生成额外图像以扩展训练数据集，并开发了基于YOLO算法的缺陷检测算法，提高了检测速度和平均精度	NA	实现工业规模制造中轮毂缺陷的自动化检测	电动汽车锻造铝轮毂的表面缺陷	计算机视觉	NA	卷积神经网络	YOLO算法	3D图像	涉及四种表面缺陷类型：污点、油漆污渍、划痕和凹痕
48	2024-08-30	COVLIAS 1.0Lesion vs. MedSeg: An Artificial Intelligence Framework for Automated Lesion Segmentation in COVID-19 Lung Computed Tomography Scans 2022-May-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12051283 PMID:35626438	研究论文	本文提出了一种人工智能框架COVLIAS 1.0Lesion，用于自动分割COVID-19肺部CT扫描中的病变区域	结合单一深度学习（DL）和混合深度学习（HDL）模型，提高了病变定位和分割的速度和准确性	NA	开发一种快速且准确的人工智能模型，用于自动分割COVID-19肺部CT扫描中的病变区域	COVID-19肺部CT扫描中的病变区域	计算机视觉	肺部疾病	深度学习	ResNet-UNet	图像	3000张图像，来自40名COVID-19阳性患者
49	2024-08-30	upU-Net Approaches for Background Emission Removal in Fluorescence Microscopy 2022-May-20, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8050142 PMID:35621906	研究论文	本文提出了一种基于U-Net架构的深度学习方法，用于去除荧光显微镜图像中的背景发射	本文创新性地使用Perlin噪声模型来模拟荧光现象，并提出了一种新的U-Net架构，能够有效去除荧光背景并同时对高斯和泊松噪声进行去噪	NA	研究目的是利用深度学习技术去除荧光显微镜图像中的背景发射	荧光显微镜图像中的背景发射	计算机视觉	NA	深度学习	U-Net	图像	实际显微镜图像
50	2024-08-30	Image Augmentation Techniques for Mammogram Analysis 2022-May-20, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8050141 PMID:35621905	研究论文	本文调查了用于乳腺X线图像的不同数据增强技术，旨在提供基于基础学习和深度学习增强技术的见解	本文介绍了数据增强技术，通过利用各种变换增加训练集大小，以提高模型在新数据上的性能	由于隐私和法律问题，难以获得大型医学图像数据集，导致许多监督深度学习模型容易过拟合	探讨如何通过数据增强技术提高医学影像分析中深度学习模型的性能	乳腺X线图像	计算机视觉	NA	数据增强	深度学习	图像	大多数可自由访问的生物医学图像数据集规模较小
51	2024-08-30	Deep Learning-Based Diagnosis of Alzheimer's Disease 2022-May-18, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm12050815 PMID:35629237	review	本研究综述了使用深度学习技术在阿尔茨海默病诊断中的最新进展和趋势	深度学习技术在阿尔茨海默病诊断中显示出比传统机器学习模型更高的准确性	尽管深度学习在阿尔茨海默病诊断中显示出潜力，但仍存在一些挑战需要解决	探索深度学习在阿尔茨海默病诊断中的潜力	阿尔茨海默病	machine learning	geriatric disease	deep learning	NA	NA	NA
52	2024-08-30	A New Look at the Spin Glass Problem from a Deep Learning Perspective 2022-May-14, Entropy (Basel, Switzerland) DOI:10.3390/e24050697 PMID:35626580	研究论文	本文提出了一种使用定制深度神经网络计算受挫自旋玻璃模型热力学平均值的新方法	提出了模拟自旋晶格结构的特殊神经网络架构，提高了学习速度和预测准确性	NA	从深度学习角度重新审视自旋玻璃问题	自旋玻璃模型	机器学习	NA	深度神经网络	神经网络	图	NA
53	2024-08-30	Leveraging Tweets for Artificial Intelligence Driven Sentiment Analysis on the COVID-19 Pandemic 2022-May-13, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare10050910 PMID:35628045	研究论文	本文提出了一种基于向日葵优化和深度学习驱动的情感分析与分类模型（SFODLD-SAC），用于分析COVID-19疫情期间的推文情感	该研究的创新点在于设计了包含向日葵算法（SFO）的SFODLD-SAC模型，用于优化级联循环神经网络（CRNN）模型的超参数，以提高情感分析的准确性	NA	研究目的是通过分析社交媒体上的用户生成内容，了解人们在COVID-19疫情期间的情感表达，从而辅助制定健康干预政策和意识提升活动	研究对象是COVID-19疫情期间的推文情感	自然语言处理	NA	自然语言处理（NLP）和深度学习（DL）	级联循环神经网络（CRNN）	文本	使用来自Kaggle仓库的基准数据集进行模拟分析
54	2024-08-30	COVID-19 Spatio-Temporal Evolution Using Deep Learning at a European Level 2022-May-11, Sensors (Basel, Switzerland) DOI:10.3390/s22103658 PMID:35632066	研究论文	本文研究使用深度学习方法准确模拟COVID-19传播的有效性，并考虑政策干预对传播的影响	提出了一种结合政策干预的深度学习模型，用于预测COVID-19的传播及特定政策措施的效果	NA	研究深度学习在欧洲层面模拟COVID-19时空演变的有效性	COVID-19的传播及其政策干预效果	机器学习	COVID-19	深度学习	深度学习模型	时空数据	欧洲各地区
55	2024-08-30	An Intelligent ECG-Based Tool for Diagnosing COVID-19 via Ensemble Deep Learning Techniques 2022-May-05, Biosensors DOI:10.3390/bios12050299 PMID:35624600	研究论文	本文介绍了一种基于心电图（ECG）数据的新型自动化诊断工具，用于诊断COVID-19，该工具利用十种不同架构的深度学习（DL）模型进行诊断	本研究引入了基于ECG数据的自动化诊断工具，并采用了混合特征选择方法和多级分类策略，提高了诊断准确性	NA	开发一种新的诊断工具，以提高COVID-19的诊断准确性并克服现有工具的局限性	COVID-19的诊断	机器学习	COVID-19	深度学习（DL）	多种DL模型	心电图（ECG）数据	未具体说明
56	2024-08-30	Multi-Classification of Breast Cancer Lesions in Histopathological Images Using DEEP_Pachi: Multiple Self-Attention Head 2022-May-05, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12051152 PMID:35626307	研究论文	本文介绍了使用DEEP_Pachi模型对乳腺癌病理图像进行多分类的方法	提出了一种结合DenseNet201和VGG16架构的DEEP_Pachi模型，有效提取全局和区域特征，提高分类准确性	未提及具体限制	开发一种新的深度学习模型，用于提高乳腺癌病理图像分类的准确性	乳腺癌病理图像	数字病理学	乳腺癌	深度学习	DenseNet201, VGG16	图像	使用了BreakHis和ICIAR 2018 Challenge数据集
57	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
58	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
59	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
60	2024-08-29	Predicting the failure of two-dimensional silica glasses 2022-May-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-30530-1 PMID:35595727	研究论文	本文利用机器学习方法预测模拟二维硅玻璃的失效，并通过Grad-CAM构建注意力图以实现物理解释	本文通过Grad-CAM构建的注意力图可以物理解释为拓扑缺陷和局部势能，提高了预测结果的可解释性	NA	预测材料的失效	二维硅玻璃	机器学习	NA	机器学习方法	人工神经网络	结构信息	不同形状和大小的样本以及实验图像