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
1621	2024-08-05	Using deep learning to automatically generate design starting points for free-form imaging optical systems: retraction 2023-08-01, Applied optics IF:1.7Q3 DOI:10.1364/AO.492842 PMID:37706939	更正	该文章已被作者撤回	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1622	2024-08-05	An Automatic Grading System for Neonatal Endotracheal Intubation with Multi-Task Convolutional Neural Network 2023-Oct, ... IEEE-EMBS International Conference on Biomedical and Health Informatics. IEEE-EMBS International Conference on Biomedical and Health Informatics DOI:10.1109/bhi58575.2023.10313510 PMID:38846334	研究论文	本文提出了一种基于多任务卷积神经网络的自动评分系统，用于评估新生儿气管插管的熟练程度	本研究首次将多任务深度学习技术与多变量时间序列数据结合，成功实现气管插管表现的自动评估	研究未提及样本的多样性及其在不同临床环境中的适用性	开发一种自动评分系统以帮助培训者评估气管插管技能	新生儿气管插管（ETI）培训过程中的学员表现	机器学习	NA	卷积神经网络	多任务卷积神经网络 (MTCNN)	多变量时间序列数据	使用标准的新生儿任务训练假人进行实验
1623	2024-08-05	A Deep Learning Approach for Histology-Based Nucleus Segmentation and Tumor Microenvironment Characterization 2023-08, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2023.100196 PMID:37100227	研究论文	本文提出了一种基于组织学的深度学习方法，用于细胞核分割和肿瘤微环境特征描述	提出了一种名为HD-Yolo的新方法，显著加快了细胞核分割和肿瘤微环境定量的处理速度	现有算法计算密集且耗时，对于全切片图像分析不够高效	研究肿瘤组织及其周围微环境，以提供肿瘤发生、发展和转移的关键见解	针对不同类型的肿瘤组织进行细胞核识别和分类	数字病理学	肺癌、肝癌和乳腺癌	深度学习	Yolo	图像	3种不同组织类型的样本，分别用于肺癌、肝癌和乳腺癌
1624	2024-08-07	Opportunistic detection of type 2 diabetes using deep learning from frontal chest radiographs 2023-07-07, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-39631-x PMID:37419921	研究论文	本研究利用深度学习模型从胸部X光片和电子健康记录中检测2型糖尿病	研究结合了胸部X光片和电子健康记录数据，以提高2型糖尿病的检测率	外部验证仅在不同机构进行，且结果略低于主要测试结果	目标是通过深度学习模型检测2型糖尿病	研究对象为271,065个胸部X光片和160,244名患者	机器学习	糖尿病	深度学习	NA	图像	271,065个胸部X光片，160,244名患者
1625	2024-08-05	MeshDeform: Surface Reconstruction of Subcortical Structures in Human Brain MRI 2023-Jun, Information processing in medical imaging : proceedings of the ... conference DOI:10.1007/978-3-031-34048-2_41 PMID:37915753	研究论文	本论文提出了一种名为MeshDeform的新型深度学习网格变形网络，用于重建人脑MRI中皮层下结构的表面	MeshDeform结合了U-Net编码器提取的特征和网格变形模块，能够以亚体素精度快速重建皮层下结构的拓扑正确表面	NA	研究脑的形态学，通过重建皮层和皮层下结构的表面	人脑MRI中的皮层下结构	数字病理学	NA	深度学习	U-Net	MRI图像	涉及了17个皮层下结构
1626	2024-08-05	Few-Shot Fault Diagnosis Based on an Attention-Weighted Relation Network 2023-Dec-24, Entropy (Basel, Switzerland) DOI:10.3390/e26010022 PMID:38248148	研究论文	提出了一种基于注意力加权关系网络的故障诊断方法，以实现小样本数据的故障检测和分类	引入了注意力加权机制以增强特征提取的代表性，并在少样本学习中应用关系网络	没有讨论方法在更大规模数据集上的表现和可扩展性	应对气动控制阀故障诊断中对大量标注训练数据的依赖问题	气动控制阀故障诊断	机器学习	NA	深度学习	注意力加权关系网络	时间域信号	使用了DA阀故障数据集和PU滚动轴承故障数据集进行实验
1627	2024-08-05	Multi-Modal Ensemble Deep Learning in Head and Neck Cancer HPV Sub-Typing 2023-Dec-23, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11010013 PMID:38247890	研究论文	本研究探讨了基于深度学习的图像解读方法在头颈癌HPV亚型检测中的准确性	提出了一种基于3D CNN的多模态特征融合架构，用于HPV状态预测	未来需要进行更大规模的队列验证以提高诊断准确性	研究头颈癌患者中HPV状态的自动检测以影响治疗决策	主要针对口咽鳞状细胞癌（OPSCC）患者的HPV状态	计算机视觉	头颈癌	CT和PET图像	3D CNN	图像	使用了公开可得的TCGA和MAASTRO数据集
1628	2024-08-05	A Real-Time Defect Detection Strategy for Additive Manufacturing Processes Based on Deep Learning and Machine Vision Technologies 2023-Dec-22, Micromachines IF:3.0Q2 DOI:10.3390/mi15010028 PMID:38258148	研究论文	本文提出了一种基于深度学习和机器视觉的实时缺陷检测技术，用于增材制造过程的监控	采用改进的YOLOv8算法训练缺陷检测模型，能够识别和评估缺陷图像	未提及此方法在其他增材制造过程中的适应性和普遍性	实现增材制造过程中的实时缺陷检测与监控	针对挤出3D打印过程进行缺陷检测	数字病理学	NA	深度学习	YOLOv8	图像	3550张图像
1629	2024-08-05	Segmentation of Substantia Nigra in Brain Parenchyma Sonographic Images Using Deep Learning 2023-Dec-19, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10010001 PMID:38276318	研究论文	本文探讨了一种基于深度学习的自动分割方法，用于脑实质超声图像中的黑质分割	本文提出了一种新的自动分割方法，并实现了黑质分割的最新性能	样本数量和数据集仍需进一步丰富	研究脑实质超声图像中的黑质的自动分割技术	使用新数据集的脑实质超声图像	计算机视觉	帕金森病	深度学习	修改版U-Net网络	超声图像	NA
1630	2024-08-05	Fusion Networks of CNN and Transformer with Channel Attention for Accurate Tumor Imaging in Magnetic Particle Imaging 2023-Dec-19, Biology DOI:10.3390/biology13010002 PMID:38275723	研究论文	提出了一种结合CNN和Transformer的深度学习网络，以改善磁粒子成像中的肿瘤成像质量	创新性地将CNN和Transformer结合使用，并引入通道注意机制来同时提取图像的局部和全局特征	缺乏对不同噪音水平下的普适性测试	改善磁粒子成像技术中图像重建的清晰度及肿瘤量化的准确性	聚焦于肿瘤图像的重建和量化	计算机视觉	肿瘤	磁粒子成像	CNN和Transformer	图像	NA
1631	2024-08-05	Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts 2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-43898-1_54 PMID:38840671	研究论文	本文提出了一种名为MORSE的隐式神经渲染框架，旨在通过解剖级别的学习辅助医学图像分割	此方法通过将医学图像分割视为渲染问题，结合了隐式神经表示和混合专家机制，以加强对边界区域的细化	本文未详细讨论隐式神经渲染在实际应用中的通用性与鲁棒性	研究旨在提高医学图像分割中的特征建模能力	本文研究对象为医学图像及其分割	数字病理学	NA	深度学习	Mixture-of-Expert (MoE)	图像	NA
1632	2024-08-05	Mapping the Spatial Extent of Hypoperfusion in Chronic Thromboembolic Pulmonary Hypertension Using Multienergy CT 2023-Aug, Radiology. Cardiothoracic imaging DOI:10.1148/ryct.220221 PMID:37693197	研究论文	本研究评估了一种新型自动化方法，以在多能CT血管造影中空间描绘和量化慢性血栓栓塞性肺动脉高压（CTEPH）中的低灌注程度	提出了一种利用多能CT影像自动识别和定量低灌注区域的新方法	本研究为回顾性分析，样本量有限，可能影响结果的普遍适用性	旨在评估通过多能CT影像量化低灌注区域能否帮助评估CTEPH的疾病严重程度	51名CTEPH患者与110名无肺血管异常影像的健康对照	数字病理学	慢性血栓栓塞性肺动脉高压	多能CT	深度学习	影像	51名CTEPH患者与110名健康对照
1633	2024-08-05	Automatic Surgical Skill Assessment System Based on Concordance of Standardized Surgical Field Development Using Artificial Intelligence 2023-08-01, JAMA surgery IF:15.7Q1 DOI:10.1001/jamasurg.2023.1131 PMID:37285142	研究论文	本文开发了一种基于人工智能的自动化外科技能评估系统	提出了一种通过深度学习模型识别标准化外科领域的方法，并评估其在自动外科技能评估中的可行性	本研究使用的样本仅限于日本的内镜外科视频，可能影响适用性	旨在开发能够识别标准化外科领域的深度学习模型	研究对象为在内镜下进行的乙状结肠切除术的视频	计算机视觉	NA	深度学习	NA	视频	共650个内部手术视频，其中60个用于模型构建，60个用于验证
1634	2024-08-05	Review of Performance Improvement of a Noninvasive Brain-computer Interface in Communication and Motor Control for Clinical Applications 2023, Juntendo Iji zasshi = Juntendo medical journal DOI:10.14789/jmj.JMJ23-0011-R PMID:38846633	综述	本文综述了非侵入性脑机接口（BCI）在通信和运动控制中的性能提升及其临床应用	通过总结近年来BCI系统的进展，强调了临床应用中的关键挑战和潜在解决方案	医学BCI领域的训练样本有限，因此深度学习模型没有得到充分利用	研究非侵入性BCI系统在临床应用中的性能提升与挑战	主要针对非侵入性脑机接口的进展和临床应用进行总结	计算机视觉	NA	EEG	深度学习模型	EEG数据	样本量有限，主要针对困难生成EEG数据的患者
1635	2024-08-05	Coupled Reconstruction of Cortical Surfaces by Diffeomorphic Mesh Deformation 2023-Dec, Advances in neural information processing systems PMID:38835722	研究论文	本文提出了一个新的深度学习框架，用于从脑部磁共振影像精确重建皮质表面	本文的创新之处在于联合重建内层、外层及其中厚度表面，并直接从3D MRI中估计皮质厚度	本文未提及任何具体的局限性	研究的目的是提高脑部皮质表面的重建精度和拓扑正确性	研究对象为脑部磁共振成像数据中的皮质表面	数字病理学	NA	深度学习	NA	3D MRI	在两个大规模神经影像数据集ADNI和OASIS上进行评估
1636	2024-08-05	Review of machine learning and deep learning models for toxicity prediction 2023-11, Experimental biology and medicine (Maywood, N.J.) DOI:10.1177/15353702231209421 PMID:38057999	综述	本文总结了近年来基于机器学习和深度学习的毒性预测模型。	综述了各种机器学习和深度学习算法在毒性预测中的应用，强调了数据集质量对模型性能的影响。	不同数据集中对相同化学品的毒性分配存在差异，说明缺乏基准数据集以开发可靠的毒性预测模型。	评估化学品的毒性以保护公众健康和环境。	近年来开发的毒性预测模型，特别是基于机器学习和深度学习的模型。	机器学习	NA	机器学习和深度学习	支持向量机，随机森林，深度神经网络等	数据集	NA
1637	2024-08-05	Embryonic cranial cartilage defects in the Fgfr3Y367C /+ mouse model of achondroplasia 2023-Sep-25, Anatomical record (Hoboken, N.J. : 2007) DOI:10.1002/ar.25327 PMID:37747411	研究论文	本研究探讨了Fgfr3Y367C/+小鼠模型中胚胎颅骨软骨缺陷的特征	首次系统性地研究了成骨不全小鼠模型中胚胎颅面及下颌软骨的形成	对受影响个体胚胎发展阶段的研究仍然有限	研究成骨不全小鼠模型中胚胎颅骨和咽部软骨的发育	使用Fgfr3小鼠模型比较发育过程中颅软骨和Meckel软骨的差异	数字病理学	成骨不全	3D微计算机断层扫描（microCT）	NA	3D图像	NA
1638	2024-08-05	Virtual and Augmented Reality in Interventional Radiology: Current Applications, Challenges, and Future Directions 2023-Sep, Techniques in vascular and interventional radiology IF:1.4Q3 DOI:10.1016/j.tvir.2023.100919 PMID:38071031	研究论文	虚拟现实和增强现实在介入放射学中的应用及未来方向	探讨了VR和AR在介入放射学中的潜在优势及最新技术进展	面临导航系统限制、高成本、临床接受度低以及技术约束等挑战	研究虚拟现实和增强现实在介入放射学中的应用及其未来的发展	关注医疗影像的可视化与导航，以及患者护理和教育培训方面	计算机视觉	NA	深度学习技术	NA	医疗影像	NA
1639	2024-08-05	Mapping Malaria Vector Habitats in West Africa: Drone Imagery and Deep Learning Analysis for Targeted Vector Surveillance 2023-May-26, Remote sensing IF:4.2Q2 DOI:10.3390/rs15112775 PMID:37324796	研究论文	本研究利用无人机影像和深度学习方法识别西非地区的疟疾传播媒介栖息地	该研究开发了一种基于区域兴趣和深度学习的方法来识别与媒介繁殖地相关的土地覆盖类型	研究中对交叉验证的分析方法限制于特定的样本和环境	研究旨在通过深度学习方法识别与疟疾传播媒介繁殖地相关的环境因素	研究对象为布基纳法索和科特迪瓦两个疟疾流行地区的无人机影像	计算机视觉	疟疾	深度学习	未指定	影像	使用来自两个疟疾流行地区的无人机图像
1640	2024-08-05	iBEAT V2.0: a multisite-applicable, deep learning-based pipeline for infant cerebral cortical surface reconstruction 2023-05, Nature protocols IF:13.1Q1 DOI:10.1038/s41596-023-00806-x PMID:36869216	研究论文	本文提出了一种针对婴儿大脑皮层重建的深度学习计算管道	提出了一种稳健的、多站点适用的婴儿专用计算管道，能够处理婴儿脑MRI数据的多样性和挑战	仅基于Baby Connectome Project的数据进行训练，可能无法适应所有类型的婴儿脑MRI数据	旨在提高婴儿脑MRI的处理精度和效率	多站点和多模态的婴儿脑MRI数据集	数字病理学	NA	深度学习	NA	MRI图像	处理超过16,000个婴儿MRI扫描