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	2024-12-06	Segmentation and classification of brain tumors using fuzzy 3D highlighting and machine learning 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04754-7 PMID:37166578	研究论文	本文提出了一种使用模糊3D高亮和机器学习方法来分割和分类脑肿瘤的策略	本文创新性地结合了模糊3D高亮方法和机器学习技术，用于脑肿瘤的分割和分类	本文未详细讨论该方法在不同类型脑肿瘤上的适用性及其在实际临床应用中的局限性	旨在提高脑肿瘤的早期诊断准确性，减少对侵入性手术的依赖	脑肿瘤的分割和分类	机器学习	脑肿瘤	模糊3D高亮方法	支持向量机（SVM）和深度神经网络（DNN）	MRI扫描图像	未明确提及具体样本数量
82	2024-12-06	Cross-Subject Tinnitus Diagnosis Based on Multi-Band EEG Contrastive Representation Learning 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3264521 PMID:37018100	研究论文	本文提出了一种基于多频带EEG对比表示学习的跨受试者耳鸣诊断方法	提出了一个名为多频带EEG对比表示学习（MECRL）的多任务学习框架，用于提高耳鸣诊断的鲁棒性和数据效率	NA	识别耳鸣并为其诊断和治疗提供理论指导	耳鸣患者和健康对照组的静息状态EEG数据	数字病理学	耳鸣	EEG	深度神经网络	EEG数据	187名耳鸣患者和80名健康受试者
83	2024-12-06	Psychotic Relapse Prediction in Schizophrenia Patients Using A Personalized Mobile Sensing-Based Supervised Deep Learning Model 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3265684 PMID:37037254	研究论文	本文提出了一种基于个性化移动感知和监督深度学习的模型RelapsePredNet，用于预测精神分裂症患者的精神病复发	本文的创新点在于提出了一个个性化的长短期记忆网络模型RelapsePredNet，并通过融合模型进一步提高了预测性能	本文的局限性在于仅使用了63名患者的移动感知数据进行评估，样本量较小	本文的研究目的是开发一种能够预测精神分裂症患者精神病复发的个性化深度学习模型	本文的研究对象是精神分裂症患者及其精神病复发	机器学习	精神疾病	深度学习	LSTM	移动感知数据	63名精神分裂症患者，每人监测时间长达一年
84	2024-12-06	Deep Learning Identifies Intelligible Predictors of Poor Prognosis in Chronic Kidney Disease 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3266587 PMID:37043318	研究论文	本研究探讨了机器学习和深度学习模型在慢性肾脏病（CKD）进展至终末期肾病（ESRD）预测中的可解释性	引入了四种先进的归因方法到深度学习模型中，提高了模型的可解释性，并发现了一些未被充分报告的CKD进展关键特征	LASSO模型的解释与临床知识不一致	早期诊断和预测慢性肾脏病的进展，以确保个性化治疗	慢性肾脏病患者及其进展至终末期肾病的预测	机器学习	肾脏病	深度学习	深度学习模型	临床和实验室数据	NA
85	2024-12-06	Reconstruction-Driven Dynamic Refinement Based Unsupervised Domain Adaptation for Joint Optic Disc and Cup Segmentation 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3266576 PMID:37043317	研究论文	提出了一种基于重建驱动的动态细化无监督域适应方法，用于联合视盘和视杯分割	引入了一种新的无监督域适应方法RDR-Net，通过重建对齐、低级特征细化和预测图对齐三个模块来缓解域偏移问题	未提及	解决视盘和视杯分割中的域偏移问题，提高模型的泛化能力	视盘和视杯的分割	计算机视觉	眼科疾病	无监督域适应	RDR-Net	图像	四个公开的眼底图像数据集
86	2024-12-06	One-Dimensional W-NETR for Non-Invasive Single Channel Fetal ECG Extraction 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3266645 PMID:37043321	研究论文	本文提出了一种使用W-NETR模型从母体腹部ECG信号中非侵入式提取单通道胎儿ECG的新方法	本文创新性地使用了两个并行的U-net模型结合transformer编码，称为W-NETR，利用transformer的自注意力机制增强远程交互和全局上下文捕捉能力	NA	开发一种高效、准确的非侵入式胎儿ECG提取方法，以实现早期胎儿心脏异常检测和安全分娩	从母体腹部ECG信号中提取胎儿ECG信号	生物医学工程	NA	transformer	W-NETR	ECG信号	使用了合成数据集和真实数据集（ADFECGDB和PCDB）进行测试
87	2024-12-06	SLEEP-SEE-THROUGH: Explainable Deep Learning for Sleep Event Detection and Quantification From Wearable Somnography 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3267087 PMID:37058373	研究论文	本文提出了一种可解释的深度学习方法，用于从可穿戴睡眠监测设备中检测和量化睡眠事件	本文的创新点在于结合了光学、差压和加速度信号，通过深度网络进行多因素夜间监测，并生成定性和定量数据以提高预测的可解释性	本文的局限性在于样本量较小，且睡眠模式预测的准确性相对较低	本文的研究目的是开发一种可解释的深度学习模型，用于早期诊断和评估睡眠障碍	本文的研究对象是可穿戴设备采集的光学、差压和加速度信号，以及由此生成的类睡眠图信号	机器学习	NA	深度学习	深度网络	信号	20名健康受试者
88	2024-12-06	Deep Learning Segmentation of the Right Ventricle in Cardiac MRI: The M&Ms Challenge 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3267857 PMID:37067963	研究论文	本文介绍了在心脏MRI图像中使用深度学习方法对右心室进行分割的研究，并参与了M&Ms挑战	提出了新的方法来处理右心室的几何和纹理复杂性，特别是在存在病理如扩张型右心室、三尖瓣反流等情况下的分割	需要整合多种心脏疾病、视角、扫描仪和采集协议以提高自动心脏分割算法的可靠性	提高心脏MRI图像中右心室分割的准确性	右心室在心脏MRI图像中的分割	计算机视觉	心血管疾病	深度学习	nnU-Net	图像	360例心脏MRI病例，包括短轴和长轴4腔视图，来自三家西班牙医院，使用九种不同扫描仪
89	2024-12-06	Benchmarking Polyp Segmentation Methods in Narrow-Band Imaging Colonoscopy Images 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3270724 PMID:37099473	研究论文	本文提出了一个新的窄带成像（NBI）结肠镜图像息肉分割数据集（PS-NBI2K），并对24种基于深度学习的息肉分割方法进行了基准测试和分析	首次在窄带成像（NBI）数据上对多种基于深度学习的息肉分割方法进行基准测试，并提出了一个新的数据集PS-NBI2K	现有方法在处理较小尺寸和较强干扰的息肉时表现不佳，且在有效性和效率之间存在权衡	评估和改进窄带成像（NBI）结肠镜图像中的息肉分割方法	窄带成像（NBI）结肠镜图像中的息肉分割	计算机视觉	NA	深度学习（DL）	NA	图像	2000张窄带成像（NBI）结肠镜图像
90	2024-12-06	Two-Stage Self-Supervised Cycle-Consistency Transformer Network for Reducing Slice Gap in MR Images 2023-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3271815 PMID:37126622	研究论文	本文提出了一种两阶段自监督循环一致性Transformer网络（TSCTNet），用于减少MR图像中的切片间隙	设计了一种新颖的自监督学习策略，结合了Transformer和CNN结构，以探索局部和全局切片表示	需要进一步验证在更多数据集上的泛化能力	减少MR图像中的切片间隙，重建高分辨率图像	MR图像	计算机视觉	NA	深度学习	Transformer	图像	两个公开的MR图像数据集
91	2024-12-06	BCR-Net: A deep learning framework to predict breast cancer recurrence from histopathology images 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0283562 PMID:37014891	研究论文	开发了一种深度学习框架BCR-Net，用于从组织病理学图像预测乳腺癌复发风险	提出了BCR-Net框架，通过多实例学习模型自动加权特征，预测乳腺癌复发风险，优于现有的WSI分类模型	未提及	开发一种AI模型，替代昂贵且耗时的基因检测，预测乳腺癌复发风险	乳腺癌患者的组织病理学图像	机器学习	乳腺癌	深度学习	BCR-Net	图像	99名匿名患者的H&E和Ki67乳腺癌切除全切片图像
92	2024-12-02	Coarse-Graining with Equivariant Neural Networks: A Path Toward Accurate and Data-Efficient Models 2023-Dec-14, The journal of physical chemistry. B DOI:10.1021/acs.jpcb.3c05928 PMID:38033234	研究论文	本文探讨了使用等变神经网络进行粗粒化分子建模和模拟，以提高模型的准确性和数据效率	本文提出通过引入等变卷积操作来减少神经网络在预测分子能量和力时对大量数据的需求	尽管等变卷积操作提高了数据效率，但模型仍然比成对力场慢	研究如何通过等变神经网络提高粗粒化分子模型的准确性和数据效率	粗粒化水分子模型	机器学习	NA	等变卷积操作	神经网络	分子动力学数据	单帧参考数据
93	2024-12-01	Spatial and Compositional Biomarkers in Tumor Microenvironment Predicts Clinical Outcomes in Triple-Negative Breast Cancer 2023-Dec-20, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.18.572234 PMID:38187696	研究论文	研究通过成像质谱流式技术分析三阴性乳腺癌患者的肿瘤微环境，发现细胞分布模式与临床结果之间的关联，并利用深度学习模型预测治疗反应	首次通过成像质谱流式技术在单细胞分辨率下分析三阴性乳腺癌的肿瘤微环境，并结合深度学习模型预测治疗反应	研究样本量较小，且仅限于三阴性乳腺癌患者	探索肿瘤微环境中的空间和组成生物标志物与三阴性乳腺癌临床结果之间的关系	三阴性乳腺癌患者的肿瘤微环境	数字病理学	乳腺癌	成像质谱流式技术	深度学习模型	图像	58名三阴性乳腺癌患者
94	2024-11-27	Denoising magnetic resonance spectroscopy (MRS) data using stacked autoencoder for improving signal-to-noise ratio and speed of MRS 2023-Dec, Medical physics IF:3.2Q1 DOI:10.1002/mp.16831 PMID:37947479	研究论文	本文提出了一种使用堆叠自编码器（SAE）对磁共振波谱（MRS）数据进行去噪的方法，以提高信号噪声比（SNR）和MRS的采集速度	本文的创新点在于使用深度学习方法对MRS数据进行去噪，而不需要增加信号平均次数（NSA），从而缩短采集时间并提高SNR	本文的局限性在于仅在脑波谱模型和人体受试者数据上进行了验证，尚未在更广泛的临床环境中进行测试	本文的研究目的是通过深度学习方法提高MRS数据的SNR和采集速度，从而增强MRS的诊断价值和临床应用	本文的研究对象是磁共振波谱（MRS）数据，特别是低NSA数据	机器学习	NA	堆叠自编码器（SAE）	堆叠自编码器（SAE）	磁共振波谱（MRS）数据	研究使用了脑波谱模型和人体受试者的数据，包括脑肿瘤患者的数据
95	2024-11-27	Generative Adversarial Network-Enhanced Ultra-Low-Dose [18F]-PI-2620 τ PET/MRI in Aging and Neurodegenerative Populations 2023-09, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A7961 PMID:37591771	研究论文	研究使用生成对抗网络增强超低剂量[18F]-PI-2620 τ PET/MRI图像，以提高其在衰老和神经退行性疾病人群中的诊断质量	首次应用生成对抗网络增强超低剂量τ PET/MRI图像，以减少噪声并提高图像质量	研究样本量较小，且主要集中在健康衰老和神经退行性疾病患者，未来需扩大样本范围	探索深度学习技术在增强超低剂量τ PET/MRI图像中的应用，以提高诊断质量	健康衰老参与者和神经退行性疾病患者	计算机视觉	神经退行性疾病	生成对抗网络	生成对抗网络	图像	44名健康衰老参与者和神经退行性疾病患者
96	2024-11-27	Quantifying Inflammatory Response and Drug-Aided Resolution in an Atopic Dermatitis Model with Deep Learning 2023-08, The Journal of investigative dermatology IF:5.7Q1 DOI:10.1016/j.jid.2023.01.026 PMID:36804151	研究论文	本文使用深度学习方法对特应性皮炎模型中的炎症反应和药物辅助缓解进行定量分析	本文提出了一种基于深度学习的非侵入性图像分析方法，用于定量评估特应性皮炎模型中的炎症反应和药物辅助缓解	本文仅在特应性皮炎小鼠模型中进行了验证，尚未应用于临床研究	开发一种非侵入性的方法来定量评估皮肤炎症反应和药物辅助缓解	特应性皮炎小鼠模型	计算机视觉	特应性皮炎	深度学习	深度学习模型	图像	特应性皮炎小鼠模型
97	2024-11-25	Use of deep learning to segment bolus during videofluoroscopic swallow studies 2023-11-23, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ad0bb3 PMID:37948874	研究论文	本文评估了一种用于视频荧光吞咽研究中分割钡餐的深度学习网络	利用人工智能进行解剖分割，以显著改善视频荧光吞咽研究的分析	钡餐在口腔中的表现因牙齿和不重要残留物的误分类而持续降低性能	评估钡餐分割网络的效能并识别影响网络性能的关键因素	80名独特患者的薄或液体钡餐的第一次吞咽	计算机视觉	NA	深度学习	U-Net	图像	80名患者的数据，分为75/25的训练和验证集，并进行4折交叉验证
98	2024-11-23	Inferring pointwise diffusion properties of single trajectories with deep learning 2023-11-21, Biophysical journal IF:3.2Q2 DOI:10.1016/j.bpj.2023.10.015 PMID:37853693	研究论文	本文提出了一种基于深度学习的机器学习方法，用于在实验时间分辨率下表征具有时间依赖性的扩散过程	该方法能够在单轨迹级别预测扩散系数或异常扩散指数等感兴趣的属性，无需对系统进行任何先验知识或假设	NA	旨在准确确定生物场景中粒子的扩散特性，揭示其背后的机制	单分子扩散的膜蛋白DC-SIGN和整合素α5β1	机器学习	NA	深度学习	NA	轨迹数据	两个膜蛋白的单分子扩散实验
99	2024-11-23	Integration of clinical features and deep learning on pathology for the prediction of breast cancer recurrence assays and risk of recurrence 2023-Apr-14, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-023-00530-5 PMID:37059742	研究论文	本文介绍了一种结合临床特征和深度学习模型，利用数字病理学数据预测乳腺癌复发检测结果和复发风险的方法	该方法在预测乳腺癌复发检测结果和复发风险方面优于传统的临床诺模图，并且在独立验证队列中表现更好	该方法的适用性可能受限于低资源设置下的测试可用性	开发一种能够准确预测乳腺癌复发检测结果和复发风险的新方法，以指导化疗的使用	激素受体阳性、HER2阴性的乳腺癌患者	数字病理学	乳腺癌	深度学习	深度学习模型	图像和临床风险因素	外部验证队列中的患者
100	2024-11-22	An efficient memory reserving-and-fading strategy for vector quantization based 3D brain segmentation and tumor extraction using an unsupervised deep learning network 2023-Apr-26, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-023-09965-9 PMID:37362765	研究论文	本文提出了一种基于向量量化的3D脑部图像分割和肿瘤提取方法，采用无监督深度学习网络和高效的内存保留与衰减策略	本文的创新点在于提出了一种无监督的3D深度嵌入聚类网络和内存保留与衰减策略，避免了手动数据标注，并显著提高了计算效率	NA	研究目的是解决3D脑部图像分割中手动标注数据需求大和计算效率低的问题	研究对象是3D脑部图像的分割和肿瘤提取	计算机视觉	NA	向量量化	3D深度嵌入聚类网络	图像	在两个权威的MRI脑肿瘤数据库（IBSR和BrainWeb）以及从本机构收集的真实3D脑肿瘤数据上进行了评估