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
81	2024-09-30	The use of artificial intelligence for delivery of essential health services across WHO regions: a scoping review 2023, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2023.1102185 PMID:37469694	综述	本文综述了人工智能在WHO各地区基本医疗服务中的应用现状	本文首次系统综述了人工智能在医疗保健中的广泛应用，涵盖了多种疾病类型	本文仅基于2022年3月之前的文献，可能未涵盖最新的研究进展	旨在总结现有证据，探讨人工智能在医疗保健中的应用	人工智能在医疗保健中的应用，包括疾病检测、诊断、分类、管理、治疗和预后监测	机器学习	NA	深度学习	NA	NA	NA
82	2024-09-30	Disentangling rodent behaviors to improve automated behavior recognition 2023, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2023.1198209 PMID:37496740	研究论文	本文探讨了自动化行为识别中啮齿动物行为识别准确率难以超过75-80%的原因，并区分了行为动态的三个难以自动化的方面	通过人工数据集隔离这些行为动态方面，并使用最先进的行为识别模型重现效果，为优化行为识别架构提供了可能性	依赖于人工数据集和现有模型的局限性	提高自动化行为识别的准确性，特别是啮齿动物行为的识别	啮齿动物的行为动态	计算机视觉	NA	深度学习	行为识别模型	人工数据集	大量标记训练数据
83	2024-09-29	Review on the Evaluation and Development of Artificial Intelligence for COVID-19 Containment 2023-Jan-03, Sensors (Basel, Switzerland) DOI:10.3390/s23010527 PMID:36617124	综述	本文综述了人工智能在COVID-19防控中的评估与发展	本文展示了人工智能算法与物联网穿戴设备的集成在COVID-19检测和预测中的有效性和效率	NA	研究人工智能在COVID-19大流行中的作用	COVID-19的预测、检测和防控方法	机器学习	COVID-19	机器学习、深度学习、图像处理、目标检测、图像分割、少样本学习	NA	图像、临床数据、声音、生物医学数据、社会人口数据	NA
84	2024-09-29	Application of Machine Learning and Deep Learning Techniques for COVID-19 Screening Using Radiological Imaging: A Comprehensive Review 2023, SN computer science DOI:10.1007/s42979-022-01464-8 PMID:36467853	综述	本文综述了使用放射影像学技术进行COVID-19筛查的机器学习和深度学习方法	介绍了多种AI/ML/DL算法用于计算机辅助检测COVID-19的创新点	讨论了已发表工作的优缺点和局限性	总结和比较用于COVID-19诊断预测的AI/ML/DL方法	COVID-19的放射影像学筛查	机器学习	呼吸系统疾病	机器学习、深度学习	多种模型	影像	265篇文章
85	2024-09-29	COVID-19-The Role of Artificial Intelligence, Machine Learning, and Deep Learning: A Newfangled 2023, Archives of computational methods in engineering : state of the art reviews IF:9.7Q1 DOI:10.1007/s11831-023-09882-4 PMID:36685135	研究论文	本文综述了机器学习、深度学习和人工智能在应对COVID-19疫情和诊断其严重影响中的应用	本文通过比较分析现有文献中的预测方法，突出了机器学习、深度学习和人工智能技术在应对COVID-19疫情中的重要性	NA	探讨机器学习、深度学习和人工智能在应对COVID-19疫情中的应用	COVID-19疫情及其诊断方法	机器学习	COVID-19	机器学习、深度学习、人工智能	NA	NA	NA
86	2024-09-30	Federated learning for diagnosis of age-related macular degeneration 2023, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2023.1259017 PMID:37901412	研究论文	本文提出了一种联邦学习方法，用于训练深度学习模型以分类年龄相关性黄斑变性（AMD），使用光学相干断层扫描图像数据	本文采用了残差网络和视觉变换器编码器，并整合了四种独特的领域自适应技术来解决不同机构间数据分布异质性导致的领域偏移问题	研究建议未来探索更深的模型和其他联邦学习策略，以更细致地理解这些模型的性能	研究目的是开发一种联邦学习方法，用于诊断年龄相关性黄斑变性	研究对象是年龄相关性黄斑变性（AMD）的光学相干断层扫描图像数据	计算机视觉	眼科疾病	联邦学习（FL）	残差网络（ResNet）和视觉变换器（Vision Transformer）	图像	涉及多个机构的部分训练数据
87	2024-09-28	Machine learning in metastatic cancer research: Potentials, possibilities, and prospects 2023, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2023.03.046 PMID:37077177	综述	本文综述了经典机器学习和深度学习在转移性癌症研究中的应用	本文指出了现有模型在临床试验数据中由于样本多样性不足可能导致泛化能力被高估的问题	深度学习模型的黑箱性质和高计算成本是其主要局限	探讨机器学习和深度学习在转移性癌症研究中的潜力和前景	转移性癌症的早期检测、生物标志物识别和治疗选择	机器学习	癌症	深度学习	NA	图像	临床试验数据中的样本多样性不足
88	2024-09-28	Deep Convolutional Neural Networks for Detecting COVID-19 Using Medical Images: A Survey 2023, New generation computing IF:2.0Q2 DOI:10.1007/s00354-023-00213-6 PMID:37229176	综述	本文综述了2020年1月至2022年9月期间使用深度学习模型进行COVID-19检测的研究	本文比较了不同深度学习方法在COVID-19检测中的应用，并提供了该领域的未来发展方向	NA	探讨深度学习在COVID-19检测中的应用	COVID-19检测	计算机视觉	COVID-19	深度学习	CNN	图像	NA
89	2024-09-28	On the Analyses of Medical Images Using Traditional Machine Learning Techniques and Convolutional Neural Networks 2023, Archives of computational methods in engineering : state of the art reviews IF:9.7Q1 DOI:10.1007/s11831-023-09899-9 PMID:37260910	综述	本文综述了卷积神经网络（CNN）在医学图像分析中的应用及其内部结构和挑战	本文介绍了深度学习中不同的激活函数、超参数优化、正则化、动量和损失函数对CNN性能的改进	NA	探讨CNN在医学图像分析中的应用及其内部结构和挑战	卷积神经网络及其在医学图像分析中的应用	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	NA
90	2024-09-28	Multi-modal medical image classification using deep residual network and genetic algorithm 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0287786 PMID:37384779	研究论文	本文提出了一种基于深度残差网络和遗传算法的多模态医学图像分类方法	利用深度学习模型ResNet50结合遗传算法，提高了多模态医学图像分类的准确性	NA	旨在缩小语义鸿沟并提高多模态医学图像分类的性能	多模态医学图像	计算机视觉	NA	深度学习	ResNet50	图像	28378张多模态医学图像
91	2024-09-28	Generic Interpretable Reaction Condition Predictions with Open Reaction Condition Datasets and Unsupervised Learning of Reaction Center 2023, Research (Washington, D.C.) DOI:10.34133/research.0231 PMID:37849643	研究论文	本文提出了一个基于Transformer的反应条件预测模型Parrot，并创建了两个标准化的反应条件数据集	提出了一个强大的、可解释的Transformer模型Parrot，用于反应条件预测，并创建了两个标准化的反应条件数据集	训练数据集的多样性可能仍然有限	解决深度学习辅助合成规划中反应条件预测的挑战	反应条件预测模型和标准化数据集	机器学习	NA	Transformer	Transformer	文本	两个标准化的反应条件数据集，涵盖广泛的反应类别
92	2024-09-28	Deep learning-empowered crop breeding: intelligent, efficient and promising 2023, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2023.1260089 PMID:37860239	研究论文	本文探讨了深度学习在作物育种中的应用，旨在提高育种效率和作物品质	提出了基于深度学习的作物育种策略，以加速作物改良和提高育种效率	当前面临数据复杂性、数据获取困难和预测精度低等挑战	提高作物育种效率和作物品质	作物育种过程	机器学习	NA	深度学习	NA	NA	NA
93	2024-09-28	Nucleotide-level prediction of CircRNA-protein binding based on fully convolutional neural network 2023, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2023.1283404 PMID:37867600	研究论文	本文提出了一种基于全卷积神经网络的CircRNA-蛋白质结合位点预测方法	将CircRNA-蛋白质结合位点预测视为核苷酸级别的二分类任务，并使用全卷积神经网络进行预测	现有方法在准确预测具有特殊功能的motif位点方面表现不佳	研究CircRNA-蛋白质结合位点的预测及其在基因表达调控中的作用	CircRNA-蛋白质结合位点及其motif功能	计算机视觉	NA	全卷积神经网络	全卷积神经网络	序列	NA
94	2024-09-28	Stacked ensemble deep learning for pancreas cancer classification using extreme gradient boosting 2023, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2023.1232640 PMID:37876961	研究论文	本文介绍了一种用于胰腺CT图像分类的堆叠集成深度学习方法	提出了堆叠集成深度学习（SEDL）方法，结合Inception V3、VGG16和ResNet34作为弱学习器，并使用极端梯度提升（XGBoost）作为强学习器进行最终分类	未提及具体限制	提高胰腺CT图像分类的预测性能	胰腺CT医学图像	计算机视觉	胰腺癌	极端梯度提升（XGBoost）	堆叠集成模型	图像	222张图像，来自80个胰腺CT扫描，分辨率为512*512像素，包括53名男性和27名女性
95	2024-09-28	Convolutional neural network model by deep learning and teaching robot in keyboard musical instrument teaching 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293411 PMID:37883500	研究论文	研究通过深度学习和教学机器人在键盘乐器教学中的应用，提出了一种卷积神经网络模型，以改进学前教育的键盘乐器教学	提出了将智能技术与键盘乐器教学相结合的方法，通过教学机器人和深度学习模型实现个性化教学	未详细说明教学机器人的具体设计和实现细节，以及深度学习模型的训练数据和评估方法	探讨当前学前教育中键盘乐器教学的现状，提出改进方案，并验证教学机器人在键盘乐器教学中的应用效果	学前教育中的键盘乐器教学	机器学习	NA	深度学习	卷积神经网络（CNN）	图像	参与键盘乐器教学的学生
96	2024-09-28	Revealing the impact of psychiatric comorbidities on treatment outcome in early psychosis using counterfactual model explanation 2023, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2023.1237490 PMID:37900290	研究论文	研究利用多模态深度学习架构和反事实模型解释技术，探讨精神共病对早期精神病治疗结果的影响	引入反事实模型解释技术，分析MINI评分对缓解概率的影响，并识别出对缓解概率影响最大的特定共病	研究结果主要基于OPTiMiSE研究的多中心样本，可能存在样本偏倚	探讨精神共病对早期精神病治疗结果的影响，并改进个体化预测模型	早期精神病患者及其精神共病	机器学习	精神病	多模态深度学习	深度学习模型	文本	来自OPTiMiSE研究的多中心早期精神病患者样本
97	2024-09-27	Retracted: The Use of Deep Learning Model for Effect Analysis of Conventional Friction Power Confinement 2023, Computational and mathematical methods in medicine DOI:10.1155/2023/9817901 PMID:37771401	correction	该文章已被撤回	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
98	2024-09-27	Quantitative approaches for decoding the specificity of the human T cell repertoire 2023, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2023.1228873 PMID:37781387	综述	本文综述了用于解码人类T细胞受体（TCR）特异性的定量方法	本文介绍了当前用于预测TCR-pMHC相互作用的高通量免疫学和结构评估数据，并探讨了各种统计学习方法的应用	本文主要讨论了现有方法的数学方法、预测性能和局限性，未提出新的技术或模型	探讨当前用于识别TCR-pMHC识别对的理论、计算和深度学习方法	T细胞受体（TCR）与肽-主要组织相容性复合物（pMHC）的相互作用	机器学习	NA	统计学习	NA	蛋白质序列和结构数据	NA
99	2024-09-27	Global research of artificial intelligence in strabismus: a bibliometric analysis 2023, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2023.1244007 PMID:37799591	研究论文	本文使用文献计量学方法分析了全球范围内人工智能在斜视领域的研究成果	本文首次使用文献计量学方法全面分析了人工智能在斜视领域的研究趋势和热点	研究仅基于Web of Science数据库，可能存在数据不全的问题	分析全球范围内人工智能在斜视领域的研究趋势和热点	人工智能在斜视领域的研究文献	机器学习	NA	文献计量学	NA	文本	146篇相关文献
100	2024-09-27	Automatic sleep staging by a hybrid model based on deep 1D-ResNet-SE and LSTM with single-channel raw EEG signals 2023, PeerJ. Computer science DOI:10.7717/peerj-cs.1561 PMID:37810362	研究论文	本文提出了一种基于深度1D-ResNet-SE和LSTM的混合模型，用于使用单通道原始EEG信号进行自动睡眠分期	提出了一个轻量级的序列到序列深度学习模型1D-ResNet-SE-LSTM，结合了卷积神经网络和长短期记忆网络，以克服梯度消失和爆炸问题，并提高EEG信号的特征表示能力	模型是序列到序列网络，需要输入EEG时段序列；损失函数中的权重系数可以进一步优化以平衡每个睡眠阶段的分类性能；除了通道注意力机制外，引入更多高级注意力机制可以增强模型的有效性	开发一种自动睡眠分期模型，以提高睡眠质量评估和睡眠障碍诊断的效率	使用单通道原始EEG信号进行睡眠分期	机器学习	NA	深度学习	1D-ResNet-SE-LSTM	信号	Sleep-EDF Expanded数据集包含153个夜间PSG记录，来自78名健康受试者；ISRUC-Sleep数据集包含100个PSG记录，来自100名患有各种睡眠障碍的受试者