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
741	2024-10-01	Efficient Dehazing with Recursive Gated Convolution in U-Net: A Novel Approach for Image Dehazing 2023-Sep-11, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging9090183 PMID:37754947	研究论文	提出了一种基于递归门控卷积和注意力机制的U-Net去雾网络模型，以提高去雾性能并保持网络结构的简洁性	引入了改进的递归门控卷积机制替代原始U-Net的卷积块，并应用SK融合模块改进跳跃连接方法，设计了名为Dehaze Recursive Gated U-Net (DRGNet)的新型U-Net变体	NA	提高图像去雾任务的性能，同时简化网络架构的训练、推理和部署过程	图像去雾	计算机视觉	NA	递归门控卷积	U-Net	图像	公开数据集
742	2024-10-01	Efficient Augmented Intelligence Framework for Bladder Lesion Detection 2023-09, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.23.00031 PMID:37774313	研究论文	研究开发了一种高效的增强智能框架，用于膀胱病变检测	使用多种深度学习模型（ConvNeXt, PlexusNet, MobileNet, SwinTransformer）进行膀胱病变检测，并比较了它们的性能和计算效率	研究样本量较小，且仅限于教育性膀胱镜图谱和68例膀胱镜视频	开发一种高效的智能系统用于膀胱病变检测	膀胱病变检测	计算机视觉	膀胱癌	深度学习	ConvNeXt, PlexusNet, MobileNet, SwinTransformer	图像	312张图像和68例膀胱镜视频
743	2024-10-01	DL-TCNN: Deep Learning-based Temporal Convolutional Neural Network for prediction of conformational B-cell epitopes 2023-Sep, 3 Biotech IF:2.6Q3 DOI:10.1007/s13205-023-03716-7 PMID:37575599	研究论文	本文提出了一种基于深度学习的时间卷积神经网络DL-TCNN，用于预测构象B细胞表位	本文提出了一种新的基于深度学习的框架DL-TCNN，结合了1D-CNN和TCN的优点，用于提高构象B细胞表位预测的准确性	NA	提高构象B细胞表位预测的准确性	构象B细胞表位	机器学习	NA	深度学习	时间卷积神经网络（TCNN）	序列数据	使用了基准抗原-抗体数据集进行训练、验证和测试
744	2024-10-01	Frequent temporal patterns of physiological and biological biomarkers and their evolution in sepsis 2023-09, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2023.102576 PMID:37673556	研究论文	本文采用时间模式挖掘方法，识别脓毒症患者生理和生物标志物的频繁时间模式及其演变	通过使用频繁模式作为特征来分类脓毒症和非脓毒症患者，提高了预测准确性和性能	深度学习方法在脓毒症文献中广泛使用，虽然准确性高，但模型可解释性和可解释性有限	早期识别脓毒症，避免潜在的不可逆器官功能障碍	脓毒症患者的生理和生物标志物	NA	脓毒症	时间模式挖掘	NA	生理和生物标志物数据	NA
745	2024-10-01	Force Profile as Surgeon-Specific Signature 2023-Sep, Annals of surgery open : perspectives of surgical history, education, and clinical approaches DOI:10.1097/AS9.0000000000000326 PMID:37746608	研究论文	研究外科医生的力学特征作为其身份和表现的标志	首次研究了外科医生的手术技术是否可以通过其力学特征进行识别	研究仅限于神经外科手术数据，未来需扩展到其他手术类型	探索外科医生的力学特征是否可以作为其身份和表现的标志	外科医生的力学特征和手术技术	机器学习	NA	深度学习方法	ResNet模型和XGBoost算法	时间序列数据	2819个10秒的时间段，来自89例神经外科手术
746	2024-10-01	Classification of Food Additives Using UV Spectroscopy and One-Dimensional Convolutional Neural Network 2023-Aug-30, Sensors (Basel, Switzerland) DOI:10.3390/s23177517 PMID:37687972	研究论文	本文提出了一种基于紫外线吸收光谱和一维卷积神经网络的食品添加剂自动分类系统	利用紫外线吸收光谱和一维卷积神经网络进行食品添加剂的分类	仅限于五种食品添加剂的分类，且样本为简单或混合溶液	开发一种自动分类系统，用于识别不同食品添加剂	五种食品添加剂的紫外线吸收光谱	机器学习	NA	紫外线光谱	一维卷积神经网络	光谱数据	404个光谱样本
747	2024-10-01	Monitoring blood pressure and cardiac function without positioning via a deep learning-assisted strain sensor array 2023-08-11, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adh0615 PMID:37566652	研究论文	开发了一种基于柔性应变传感器阵列和深度学习神经网络的智能血压和心脏功能监测系统	利用柔性应变传感器阵列和深度学习模型，实现了无需精确位置的血压和心脏功能连续监测	NA	开发一种连续且可靠的血压和心脏功能监测系统，以诊断和预防心血管疾病	血压和心脏功能	机器学习	心血管疾病	深度学习	神经网络	脉搏波	NA
748	2024-10-01	Deep Transfer Learning with Enhanced Feature Fusion for Detection of Abnormalities in X-ray Images 2023-Aug-07, Cancers IF:4.5Q1 DOI:10.3390/cancers15154007 PMID:37568821	研究论文	本文提出了一种新的深度迁移学习方法，通过增强特征融合来检测X光图像中的异常	本文的创新点在于提出了一种新的迁移学习方法，通过在大量类似目标数据集的医学图像上预训练深度学习模型，并使用少量标注的医学图像进行微调，从而克服了传统迁移学习在ImageNet数据集上的局限性	本文的局限性在于其方法的适用性主要集中在医学X光图像分类任务上，尚未广泛应用于其他类型的医学图像	本文的研究目的是通过改进迁移学习方法，提高医学图像分类的准确性和泛化能力	本文的研究对象是医学X光图像中的肱骨和手腕分类任务	计算机视觉	NA	深度学习	CNN	图像	使用了MURA数据集中的大量医学X光图像进行预训练，并使用少量标注的医学图像进行微调
749	2024-10-01	Systematic review of automated sleep apnea detection based on physiological signal data using deep learning algorithm: a meta-analysis approach 2023-Aug, Biomedical engineering letters IF:3.2Q2 DOI:10.1007/s13534-023-00297-5 PMID:37519869	综述	本文综述了基于生理信号数据使用深度学习算法进行自动睡眠呼吸暂停检测的研究	本文首次对基于生理信号数据的深度学习算法在睡眠呼吸暂停检测中的应用进行了系统的元分析	本文仅限于对已发表文献的综述和分析，未进行新的实验或数据收集	分析和比较用于生理数据处理的深度学习算法在睡眠呼吸暂停检测中的主要特征	脉搏血氧饱和度、心电图、气流和声音信号等生理数据	机器学习	睡眠障碍	深度学习	NA	生理信号	47篇文献
750	2024-10-01	Advancing Patient Care: How Artificial Intelligence Is Transforming Healthcare 2023-Jul-31, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm13081214 PMID:37623465	研究论文	探讨人工智能在医疗领域的应用及其对患者护理的影响	利用机器学习和深度学习技术，人工智能在诊断、治疗选择和患者监测方面提供了更准确和高效的医疗交付	需要医生和技术专家之间的合作以充分发挥人工智能的潜力	研究人工智能在医疗领域的应用及其对患者护理的变革作用	人工智能在医疗中的诊断、治疗选择和患者监测应用	机器学习	NA	机器学习	深度学习	NA	NA
751	2024-10-01	Transformer Architecture and Attention Mechanisms in Genome Data Analysis: A Comprehensive Review 2023-Jul-22, Biology DOI:10.3390/biology12071033 PMID:37508462	综述	本文综述了深度学习中基于Transformer架构和注意力机制在基因组数据分析中的最新进展	本文创新性地将自然语言处理领域的成功技术应用于基因组和转录组数据分析	本文主要讨论了现有技术的优势和局限性，未提出新的研究方法	旨在为研究人员提供关于Transformer架构和注意力机制在基因组数据分析中应用的全面分析	基因组和转录组数据	生物信息学	NA	Transformer架构，注意力机制	Transformer	基因组数据	NA
752	2024-10-01	The 2022 n2c2/UW shared task on extracting social determinants of health 2023-07-19, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocad012 PMID:36795066	研究论文	本文介绍了2022年n2c2/UW共享任务，旨在从临床笔记中提取社会决定因素健康（SDOH）信息，并探讨了自然语言处理（NLP）技术在SDOH和临床信息提取中的应用	本文首次提出了一个共享任务，专注于从临床文本中提取SDOH信息，并评估了预训练语言模型（LM）在不同子任务中的表现	提取性能因SDOH类型而异，某些健康风险因素（如物质使用和无家可归）的提取性能较低	探索和推进自然语言处理技术在社会决定因素健康信息提取中的应用	临床笔记中的社会决定因素健康信息	自然语言处理	NA	预训练语言模型（LM）	序列到序列模型	文本	使用了包含详细事件标注的社会历史注释语料库（SHAC），涉及酒精、药物、烟草、就业和居住情况等SDOH事件
753	2024-10-01	Deep Learning for Medical Image-Based Cancer Diagnosis 2023-Jul-13, Cancers IF:4.5Q1 DOI:10.3390/cancers15143608 PMID:37509272	综述	本文综述了深度学习技术在基于医学影像的癌症诊断中的应用	介绍了近年来出现的先进神经网络，如迁移学习、集成学习、图神经网络和视觉变换器	缺乏高质量的标注数据集限制了深度学习的作用，面临罕见癌症诊断、多模态图像融合、模型可解释性和泛化性的挑战	帮助读者更好地理解当前基于医学影像的癌症诊断研究现状和思路	五种放射影像（X射线、超声、CT、MRI、PET）和病理图像	计算机视觉	NA	深度学习	神经网络	图像	NA
754	2024-10-01	Deep learning for deterioration prediction of COVID-19 patients based on time-series of three vital signs 2023-06-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-37013-3 PMID:37339986	研究论文	研究开发并比较了两种预测COVID-19患者恶化的模型，基于时间序列的三种生命体征数据	提出了基于最少数据（如生命体征）的恶化预测模型，适用于远程医疗解决方案	研究仅限于特定数据集和特定时间段内的恶化预测	开发和评估基于最少数据的COVID-19患者恶化预测模型	COVID-19患者的生命体征数据和基本患者信息	机器学习	COVID-19	NA	LSTM和TCN	时间序列数据	37,006名COVID-19患者
755	2024-10-01	Developing an Artificial Intelligence-Based Representation of a Virtual Patient Model for Real-Time Diagnosis of Acute Respiratory Distress Syndrome 2023-Jun-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13122098 PMID:37370993	研究论文	本文开发了一种基于深度学习的虚拟患者模型，用于实时诊断急性呼吸窘迫综合征	利用深度学习技术开发了一个轻量级的虚拟患者模型，与原始模拟器相比具有相当的准确性	NA	开发一种基于人工智能的虚拟患者模型，用于实时诊断急性呼吸窘迫综合征	急性呼吸窘迫综合征的诊断和治疗	机器学习	急性呼吸窘迫综合征	深度学习	深度学习模型	虚拟患者数据	NA
756	2024-10-01	Ensemble Deep Learning Derived from Transfer Learning for Classification of COVID-19 Patients on Hybrid Deep-Learning-Based Lung Segmentation: A Data Augmentation and Balancing Framework 2023-Jun-02, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13111954 PMID:37296806	研究论文	本文研究了基于迁移学习的集成深度学习在混合深度学习肺部分割框架下对COVID-19患者分类的应用	本文提出了一种集成深度学习方法，通过数据增强和平衡框架，验证了其在COVID-19分类中的优越性	NA	验证集成深度学习在COVID-19分类中的优越性	COVID-19患者的肺部CT图像分类	计算机视觉	COVID-19	深度学习	ResNet-UNet	图像	12,000张CT切片，来自克罗地亚和意大利的多中心数据集
757	2024-10-01	Brain Tumor Classification based on Improved Stacked Ensemble Deep Learning Methods 2023-Jun-01, Asian Pacific journal of cancer prevention : APJCP DOI:10.31557/APJCP.2023.24.6.2141 PMID:37378946	研究论文	本文研究了基于改进的堆叠集成深度学习方法的脑肿瘤分类	提出了改进的堆叠集成深度学习模型，结合了VGG19、Inception v3和Resnet 10三种模型，提高了分类准确率	NA	提高脑肿瘤分类的准确性，辅助放射科医生和其他医疗专业人员进行脑肿瘤的识别和分类	脑肿瘤的分类	机器学习	脑肿瘤	堆叠集成深度学习技术	CNN	图像	数据集来自Kaggle，包含异常和正常脑部的两类数据
758	2024-10-01	Electroencephalography-Based Depression Detection Using Multiple Machine Learning Techniques 2023-May-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13101779 PMID:37238263	研究论文	研究通过分析脑电图（EEG）数据，利用多种机器学习和深度学习技术进行抑郁症检测	结合了脑电图信号和人口统计数据（如性别和年龄）进行抑郁症检测，提高了检测系统的泛化能力	脑电图信号的复杂性和非平稳性，以及个体差异对检测系统泛化能力的影响	开发一种能够通过分析脑电图数据识别抑郁症模式的算法	脑电图数据和人口统计数据	机器学习	精神疾病	机器学习和深度学习技术	卷积神经网络（CNN）	脑电图信号	使用了来自MODMA多模态开放数据集的脑电图数据，包括128通道的静息脑电图读数
759	2024-10-01	Prediction of heart transplant rejection from routine pathology slides with self-supervised deep learning 2023-May, European heart journal. Digital health DOI:10.1093/ehjdh/ztad016 PMID:37265858	研究论文	本文评估了使用自监督深度学习从常规病理切片预测心脏移植排斥反应的可行性	首次使用自监督深度学习模型预测心脏移植排斥反应，并展示了其在小样本训练中的有效性	研究样本量相对较小，且仅限于德国的三家移植中心	评估深度学习在预测心脏移植排斥反应中的可行性	心脏移植排斥反应的病理切片	数字病理	心血管疾病	深度学习	基于注意力的深度神经网络	图像	1079张病理切片，来自325名患者
760	2024-10-01	A Review on Electronic Health Record Text-Mining for Biomedical Name Entity Recognition in Healthcare Domain 2023-Apr-28, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare11091268 PMID:37174810	综述	本文综述了在医疗领域中使用深度学习和人工智能技术进行电子健康记录文本挖掘的生物医学命名实体识别	本文介绍了基于深度学习的生物医学命名实体识别系统，这些系统能够自动学习生物医学文本的模式，比传统的基于规则的系统更强大和高效	本文讨论了生物医学命名实体识别系统面临的挑战，并提出了未来的研究方向	综述生物医学命名实体识别在医疗领域的应用，特别是使用深度学习和人工智能技术	电子健康记录中的生物医学命名实体识别	自然语言处理	NA	深度学习	NA	文本	NA