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
1	2024-12-12	Interpretable brain disease classification and relevance-guided deep learning 2022-11-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-24541-7 PMID:36424437	研究论文	本文提出了一种利用相关性引导的热图在线计算的正则化技术，用于训练卷积神经网络（CNN）分类器，以提高脑疾病分类的可解释性和准确性	本文的创新点在于提出了一种相关性引导的正则化技术，通过在线计算热图来训练CNN分类器，从而提高分类准确性并减少对非脑组织特征的依赖	本文的局限性在于仅使用了T1加权MR图像，未探讨其他类型图像对分类结果的影响	研究目的是提高基于MRI的神经疾病分类的可解释性和准确性	研究对象是阿尔茨海默病患者和健康对照者的T1加权MR图像	机器学习	阿尔茨海默病	MRI	CNN	图像	128名阿尔茨海默病患者和290名健康对照者
2	2024-12-10	Deep Morphology Learning Enhances Ex Vivo Drug Profiling-Based Precision Medicine 2022-11-02, Blood cancer discovery IF:11.5Q1 DOI:10.1158/2643-3230.BCD-21-0219 PMID:36125297	研究论文	本文研究了在复发或难治性血液癌症患者中，使用弱监督深度学习方法分析细胞形态（DML）来补充基于诊断标记的恶性与非恶性细胞识别，以提高药物测试的准确性和个性化治疗的效果	本文提出了使用弱监督深度学习方法分析细胞形态（DML）来提高药物测试的重复性和药物作用模式的聚类效果，并通过自主识别与疾病相关的细胞形态来适应批次效应	NA	研究如何通过深度学习方法提高基于患者活检细胞的药物测试的准确性和个性化治疗效果	复发或难治性血液癌症患者的活检细胞	机器学习	血液癌症	深度学习	NA	细胞形态数据	390个活检样本，来自289名患者
3	2024-12-01	Improving the repeatability of deep learning models with Monte Carlo dropout 2022-Nov-18, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-022-00709-3 PMID:36400939	研究论文	本文评估了四种模型类型在医学图像分类任务中的重复性，并研究了蒙特卡罗 dropout 对分类性能和重复性的影响	利用蒙特卡罗预测显著提高了重复性，特别是在类别边界处，并减少了95%一致性限制和类别不一致率	超过20次蒙特卡罗迭代后，重复性没有进一步提高	评估深度学习模型在医学图像分类任务中的重复性，并研究蒙特卡罗 dropout 对分类性能和重复性的影响	四种模型类型（二分类、多分类、有序分类和回归）在医学图像分类任务中的重复性	机器学习	NA	蒙特卡罗 dropout	ResNet 和 DenseNet	图像	来自同一患者在同一就诊期间获取的图像
4	2024-11-06	Explanatory classification of CXR images into COVID-19, Pneumonia and Tuberculosis using deep learning and XAI 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106156 PMID:36228463	研究论文	本文提出了一种基于深度学习的模型，用于解释性分类胸部X光图像中的COVID-19、肺炎和肺结核	本文引入了深度学习模型，并结合XAI技术（如Grad-CAM、LIME和SHAP）来解释模型结果，提高了分类的准确性和可解释性	NA	开发一种能够准确分类胸部X光图像中COVID-19、肺炎和肺结核的深度学习模型，并使用XAI技术解释模型结果	胸部X光图像中的COVID-19、肺炎和肺结核	计算机视觉	肺部疾病	深度学习	CNN	图像	7132张胸部X光图像
5	2024-11-06	Design and development of hybrid optimization enabled deep learning model for COVID-19 detection with comparative analysis with DCNN, BIAT-GRU, XGBoost 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106123 PMID:36228465	研究论文	本文设计并开发了一种基于混合优化技术的深度学习模型，用于COVID-19检测，并与其他现有方法进行了比较分析	本文提出了一种新的混合优化算法，结合了Honey Badger优化算法和Jaya算法，用于训练深度神经模糊网络（DNFN），以提高COVID-19检测的准确性、敏感性和特异性	本文未详细讨论模型的计算复杂性和训练时间，且未提供与其他方法在不同数据集上的广泛比较	开发一种高效且安全的COVID-19检测模型，以应对当前检测设备的短缺问题	COVID-19患者的呼吸声音，包括咳嗽、呼吸和语音记录	机器学习	呼吸系统疾病	深度学习	深度神经模糊网络（DNFN）	音频信号	未明确提及具体样本数量
6	2024-11-06	Joint optic disc and cup segmentation using feature fusion and attention 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106094 PMID:36122442	研究论文	本文提出了一种名为FAU-Net的深度学习架构，用于联合分割视盘和视杯	通过在U-Net中添加特征融合模块和结合通道与空间注意力机制，提高了视盘和视杯的分割精度	NA	提高青光眼诊断中视盘和视杯的分割精度	视盘和视杯的联合分割	计算机视觉	青光眼	深度学习	FAU-Net	图像	Drishti-GS1, REFUGE, RIM-ONE 和 ODIR 数据集
7	2024-11-06	Leukemia segmentation and classification: A comprehensive survey 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106028 PMID:36126356	综述	本文综述了白血病的分割与分类的最新深度学习方法及其挑战	本文讨论了利用深度学习方法进行白血病检测的创新点	本文指出了现有白血病检测方法的局限性，如误差大和精度低	探讨白血病检测的最新深度学习方法及其挑战	白血病的分割与分类	计算机视觉	血液疾病	深度学习	NA	图像	NA
8	2024-11-06	Wearable electroencephalography and multi-modal mental state classification: A systematic literature review 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106088 PMID:36137314	综述	本文系统回顾了可穿戴脑电图在多模态心理状态分类中的应用	本文分析了不同预处理技术、特征和时间序列分类模型的性能，并讨论了未来趋势和实际应用中未充分报道的方面	本文主要基于文献回顾，未提供新的实验数据或模型	探讨可穿戴脑电图在多模态心理状态分类中的最新进展和未来趋势	可穿戴脑电图设备及其在心理状态分类中的应用	脑机接口	NA	脑电图	线性判别分析、决策树、k近邻和支持向量机	时间序列	NA
9	2024-11-06	Synthetic augmentation for semantic segmentation of class imbalanced biomedical images: A data pair generative adversarial network approach 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.105985 PMID:36137319	研究论文	本文提出了一种数据对生成对抗网络（DPGAN），用于合成多样化的生物医学图像及其分割标签，以增强语义分割任务中的数据集	本文创新性地提出了DPGAN，通过分阶段生成背景、掩码和高级阶段的数据对，有效缓解了生物医学图像分割数据集中类别不平衡的问题	NA	研究如何通过合成数据增强技术提高生物医学图像语义分割的性能	生物医学图像及其分割标签	计算机视觉	NA	生成对抗网络（GAN）	生成对抗网络（GAN）	图像	使用了前庭神经鞘瘤数据集、肾肿瘤数据集和皮肤癌数据集进行实验
10	2024-11-06	Artificial intelligence based liver portal tract region identification and quantification with transplant biopsy whole-slide images 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106089 PMID:36137315	研究论文	开发了一种基于深度学习的模型MUSA-UNet，用于自动分割和量化肝移植活检全切片图像中的肝门管区	提出了MUSA-UNet模型，结合深度可分离卷积、空间注意力机制、残差连接和多重上采样路径，以提高肝门管区分割的准确性	研究样本仅来自肝移植患者，可能限制了模型的普适性	开发一种自动化的方法来准确分析肝门管区，以辅助肝纤维化分期和疾病进展预测	肝移植活检全切片图像中的肝门管区	数字病理学	肝病	深度学习	MUSA-UNet	图像	53张全切片图像，其中30张用于训练和验证，23张用于测试
11	2024-11-06	Efficient two-step liver and tumour segmentation on abdominal CT via deep learning and a conditional random field 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106076 PMID:36137320	研究论文	本文提出了一种自动的两步肝脏和肿瘤分割方法，通过深度学习和条件随机场来提高腹部CT扫描中肝脏和肿瘤的分割精度	引入分形残差U-Net（FRA-UNet）和三维条件随机场（3D CRF）来改进肝脏和肿瘤的分割效果	NA	开发一种自动化的方法来高效分割腹部CT扫描中的肝脏和肿瘤	肝脏和肿瘤	计算机视觉	肝癌	深度学习	U-Net	图像	在Liver Tumour Segmentation challenge dataset (LiTS)和3D Image Reconstruction for Comparison of Algorithm Database dataset (3DIRCADb)上进行了测试
12	2024-11-06	RCMNet: A deep learning model assists CAR-T therapy for leukemia 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106084 PMID:36155267	研究论文	本文提出了一种名为RCMNet的深度学习模型，用于辅助CAR-T疗法治疗白血病，并通过图像分类技术识别CAR-T细胞	本文创新性地结合了卷积神经网络（CNN）和Transformer，构建了RCMNet模型，并在公共数据集上实现了99.63%的top-1准确率	由于CAR-T细胞数据集的规模有限，模型的性能受到一定限制	评估RCMNet模型在大型公共数据集上的有效性，并将其应用于临床数据集进行诊断	CAR-T细胞的形态识别	计算机视觉	白血病	深度学习	CNN和Transformer	图像	500张原始显微镜图像
13	2024-11-06	MCluster-VAEs: An end-to-end variational deep learning-based clustering method for subtype discovery using multi-omics data 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106085 PMID:36162197	研究论文	提出了一种基于变分自编码器的端到端深度学习聚类方法MCluster-VAEs，用于多组学数据中的癌症亚型发现	开发了一种带有注意力机制的统一网络架构，并使用变分贝叶斯技术构建了新的目标函数，显著提高了多组学数据聚类的效果	NA	通过无监督聚类方法发现癌症亚型，以提高诊断准确性、指导治疗和改善患者预后	多组学数据中的癌症亚型	机器学习	癌症	变分自编码器	VAE	多组学数据	10个癌症数据集
14	2024-11-06	Deep-spindle: An automated sleep spindle detection system for analysis of infant sleep spindles 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106096 PMID:36162199	研究论文	开发了一种基于深度学习的自动化睡眠纺锤波检测系统，用于分析婴儿睡眠纺锤波	结合卷积神经网络（CNN）和双向长短期记忆网络（LSTM），实现了对婴儿睡眠纺锤波的自动化检测	仅在特定脑电图通道（F4-C4和F3-C3）上进行了测试，样本量相对较小	开发一种自动化工具，帮助医生分析婴儿的睡眠纺锤波，从而减轻工作负担	婴儿的睡眠纺锤波	机器学习	NA	深度学习	卷积神经网络（CNN）和双向长短期记忆网络（LSTM）	脑电图（EEG）	训练集81个样本，验证集30个样本，独立测试集30个足月婴儿和54个早产婴儿的脑电图
15	2024-11-06	Deep learning artificial intelligence framework for multiclass coronary artery disease prediction using combination of conventional risk factors, carotid ultrasound, and intraplaque neovascularization 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106018 PMID:36174330	研究论文	本文介绍了一种基于深度学习的多类冠状动脉疾病预测框架，结合了传统风险因素、颈动脉超声和斑块内新生血管化	引入了AtheroEdge-MCDLAI (AE3.0DL)平台，使用多类深度学习系统，提高了预测准确性和自动化程度	NA	开发一种更准确、更自动化的冠状动脉疾病风险预测方法	500名患者的颈动脉超声和冠状动脉造影数据	机器学习	心血管疾病	深度学习	循环神经网络 (RNN) 和长短期记忆网络 (LSTM)	图像和文本	500名患者
16	2024-11-06	A novel P-QRS-T wave localization method in ECG signals based on hybrid neural networks 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106110 PMID:36166990	研究论文	本文提出了一种基于混合神经网络的新型P-QRS-T波定位方法，用于心电信号的自动诊断	本文创新性地结合了残差神经网络（ResNet）和长短期记忆网络（LSTM），用于心电信号中P-QRS-T波的定位	NA	提高心电信号中关键波形定位的准确性，从而改进心电图的自动诊断系统	心电信号中的P-QRS-T波	机器学习	心血管疾病	混合神经网络	ResNet和LSTM	心电信号	四个心电数据库，包含不同信噪比（SNR）水平的数据
17	2024-11-06	Automated diagnosis of atrial fibrillation using ECG component-aware transformer 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106115 PMID:36179512	研究论文	本文提出了一种基于ECG成分感知Transformer的房颤自动诊断方法	本文创新性地提出了成分感知Transformer（CAT），通过将ECG波形分割成各个成分并将其向量化，作为Transformer的输入，从而更好地利用ECG的各个成分信息	NA	旨在开发一种能够自动诊断房颤的新方法，以提高诊断准确性和效率	房颤的自动诊断	机器学习	心血管疾病	Transformer	Transformer	ECG信号	1,780例房颤病例和8,866例非房颤病例
18	2024-11-06	A comprehensive review on recent approaches for cancer drug discovery associated with artificial intelligence 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106140 PMID:36179510	综述	本文综述了人工智能在癌症药物发现中的最新方法	探讨了如何利用AI技术如机器学习和深度学习来发现新的抗癌药物，并改进了现有的癌症治疗	建立复杂癌症及其类型的模型仍然是一个挑战，缺乏有效的治疗手段阻碍了有效计算工具的建立	探讨AI技术在抗癌药物发现中的应用及其在当前癌症治疗中的必要性	人工智能技术在抗癌药物发现中的应用	机器学习	NA	机器学习、深度学习	NA	NA	NA
19	2024-11-06	The prediction of cardiac abnormality and enhancement in minority class accuracy from imbalanced ECG signals using modified deep neural network models 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106142 PMID:36182760	研究论文	本文提出了一种改进的深度神经网络模型，用于从不平衡的ECG信号中预测心脏异常和提高少数类别的准确性	本文采用了一种顺序集成技术，结合了卷积神经网络（CNN）和CNN与长短期记忆网络（CNN-LSTM）的混合模型，并使用合成少数过采样技术与Tomek Link（SMOTE + Tomek）来处理数据不平衡问题	本文仅在两个标准数据集上进行了验证，未来可能需要在更多数据集上进行测试以验证其泛化能力	旨在通过改进的深度神经网络模型，提高不平衡ECG信号中心脏异常检测的准确性	研究对象为不平衡的ECG信号和心脏异常检测	机器学习	心血管疾病	合成少数过采样技术与Tomek Link（SMOTE + Tomek）	卷积神经网络（CNN）与CNN-LSTM混合模型	ECG信号	23,998个ECG心跳样本
20	2024-11-06	A review of automated sleep disorder detection 2022-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.106100 PMID:36182761	综述	本文综述了2010年至2021年间95篇关于自动化睡眠障碍检测的科学论文，探讨了数字技术和人工智能在睡眠障碍诊断中的应用	本文首次系统地综述了自动化睡眠障碍检测领域的研究进展，并指出了深度学习算法在该领域的应用前景	本文仅限于综述2010年至2021年间的研究，未涵盖最新的研究成果	探讨数字技术和人工智能在睡眠障碍诊断中的应用潜力	睡眠障碍，包括睡眠呼吸暂停和失眠等	机器学习	NA	NA	机器学习和深度学习	生理信号，如心电图、多导睡眠图、脑电图、肌电图和鼾声	95篇科学论文