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
1781	2024-09-11	Strong semantic segmentation for Covid-19 detection: Evaluating the use of deep learning models as a performant tool in radiography 2023-01, Radiography (London, England : 1995) DOI:10.1016/j.radi.2022.10.010 PMID:36335787	研究论文	本文探讨了使用深度学习模型进行Covid-19检测的语义分割方法	提出了一种结合深度学习模块的语义分割新模型，用于从Covid-19 CT图像中提取明确的图形特征	NA	旨在提高Covid-19诊断的准确性和效率	Covid-19 CT图像	计算机视觉	Covid-19	深度学习	U-net	图像	包括正常胸部CT、肺炎、典型病毒原因和Covid-19病例的CT图像
1782	2024-09-11	Utilizing deep learning for dermal matrix quality assessment on in vivo line-field confocal optical coherence tomography images 2023-Jan, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI) IF:2.0Q3 DOI:10.1111/srt.13221 PMID:36366860	研究论文	本文开发了一种利用深度学习自动评估体内线场共聚焦光学相干断层扫描图像中真皮基质质量的新方法	本文首次提出了一种基于深度学习的自动评估方法，用于快速、准确地评估真皮基质质量	研究样本仅限于健康的高加索志愿者，且样本量相对较小	开发一种自动评估真皮基质质量的新方法，并应用于评估光老化相关的真皮基质变化	体内线场共聚焦光学相干断层扫描图像中的真皮基质质量	计算机视觉	NA	线场共聚焦光学相干断层扫描 (LC-OCT)	MobileNetv3-Small	图像	57名健康高加索志愿者和36名健康高加索女性
1783	2024-09-11	A survey on deep learning applied to medical images: from simple artificial neural networks to generative models 2023, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-022-07953-4 PMID:36373133	综述	本文综述了深度学习技术在医学图像分析中的应用，特别是生成模型	提供了对最新深度学习模型在医学图像生成中的应用的简明概述	未提及具体的研究局限性	提供深度学习在医学影像中应用的全面概述，以促进其在医学领域的应用	医学图像，包括不同受损身体部位或器官的图像	计算机视觉	NA	深度学习	生成对抗网络（GAN）和变分自编码器（VAE）	图像	使用了包含磁共振（MR）图像、计算机断层扫描（CT）扫描和常见图片的公开医学数据集
1784	2024-09-11	Off the deep end: What can deep learning do for the gene expression field? 2023-01, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2022.102760 PMID:36462664	评论	本文讨论了深度学习在基因表达领域的应用潜力	探讨了深度学习在解码DNA序列信息中的应用，以及如何通过深度学习模型识别跨物种的重要遗传变异	NA	探讨深度学习在基因调控和进化生物学中的应用	基因调控、进化生物学、DNA序列信息	机器学习	NA	深度学习	神经网络	DNA序列	NA
1785	2024-09-11	Machine Learning and Deep Learning Based Time Series Prediction and Forecasting of Ten Nations' COVID-19 Pandemic 2023, SN computer science DOI:10.1007/s42979-022-01493-3 PMID:36532634	研究论文	本文利用机器学习和深度学习技术对十个国家的COVID-19疫情进行时间序列预测	提出了多种机器学习、深度学习和时间序列模型来预测COVID-19的确诊、死亡和康复病例	未提及具体的局限性	研究并预测COVID-19的未来环境情况以减少其影响	COVID-19在十个国家的确诊、死亡和康复病例	机器学习	COVID-19	机器学习、深度学习、时间序列模型	随机森林回归器、Facebook Prophet模型、堆叠LSTM	时间序列数据	2020年1月22日至2021年5月29日的COVID-19病例数据
1786	2024-09-11	Post-pandemic healthcare for COVID-19 vaccine: Tissue-aware diagnosis of cervical lymphadenopathy via multi-modal ultrasound semantic segmentation 2023-Jan, Applied soft computing IF:7.2Q1 DOI:10.1016/j.asoc.2022.109947 PMID:36570119	研究论文	本文提出了一种基于深度学习的框架，用于快速诊断接种COVID-19疫苗后引起的颈部淋巴结肿大	本文创新性地提出了Tissue-Aware Cervical Lymph Node Diagnosis方法，通过多模态超声语义分割实现对颈部淋巴结及其周围组织的像素级定位和诊断	本文未提及具体的局限性	研究目的是开发一种快速诊断方法，以帮助医生在疫情后时代区分COVID相关反应性淋巴结肿大和转移性淋巴结肿大	研究对象是接种COVID-19疫苗后出现的颈部淋巴结肿大	计算机视觉	NA	深度学习	NA	图像	本文未提及具体的样本数量
1787	2024-09-11	Motion artifact reduction for magnetic resonance imaging with deep learning and k-space analysis 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0278668 PMID:36603007	研究论文	本研究提出了一种新的方法，通过深度学习和k空间分析来检测和去除磁共振成像中的运动伪影	本研究的创新点在于结合深度学习和k空间分析，能够有效检测受运动影响的相位编码线，并利用压缩感知技术从不受影响的数据中重建图像，从而减少运动伪影	本研究的局限性在于仅使用了IXI公共数据集中的67个病例进行实验，未来需要更多的临床数据来验证方法的普适性	本研究旨在提高磁共振成像的质量，减少运动伪影的影响	本研究主要针对磁共振成像中的运动伪影问题	计算机视觉	NA	压缩感知	卷积神经网络 (CNN)	图像	本研究使用了67个病例，共8710张轴向T2加权图像，分为训练集（50个病例/6500张图像）、验证集（5个病例/650张图像）和测试集（12个病例/1560张图像）
1788	2024-09-11	Deep learning prediction of pathological complete response, residual cancer burden, and progression-free survival in breast cancer patients 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0280148 PMID:36607982	研究论文	本研究利用深度学习卷积神经网络预测乳腺癌患者在接受新辅助化疗后的病理完全缓解、残留癌症负担和无进展生存期	本研究创新性地结合了纵向多参数MRI、人口统计学和分子亚型数据，通过深度学习模型预测乳腺癌患者的治疗效果	研究样本量较小，仅包括155名患者，可能影响模型的泛化能力	利用深度学习技术预测乳腺癌患者在接受新辅助化疗后的治疗效果	乳腺癌患者在接受新辅助化疗后的病理完全缓解、残留癌症负担和无进展生存期	计算机视觉	乳腺癌	深度学习	卷积神经网络	影像	155名乳腺癌患者
1789	2024-09-11	CRNet: a multimodal deep convolutional neural network for customer revisit prediction 2023, Journal of big data IF:8.6Q1 DOI:10.1186/s40537-022-00674-4 PMID:36618886	研究论文	本文介绍了一种用于预测客户再次光顾的多模态深度卷积神经网络CRNet	CRNet在客户再次光顾预测任务中表现优于当前最先进的多模态框架，准确率和F1分数显著提高	未来的研究应考虑引入其他资源（如元数据信息）以进一步增强该框架	开发一种高效的多模态深度学习模型，用于预测客户再次光顾	客户再次光顾行为	机器学习	NA	深度卷积神经网络	CNN	多模态数据	两个数据集：客户回购数据集（CRD）和移动食品配送再次光顾数据集（MFDRD）
1790	2024-09-11	Swin-textural: A novel textural features-based image classification model for COVID-19 detection on chest computed tomography 2023, Informatics in medicine unlocked DOI:10.1016/j.imu.2022.101158 PMID:36618887	研究论文	提出了一种基于纹理特征的图像分类模型swin-textural，用于在胸部CT图像上自动诊断COVID-19	结合了基于swin的补丁划分和纹理特征提取，提出了一种新的图像分类模型swin-textural，用于COVID-19的自动诊断	NA	评估swin架构在特征工程中的性能	胸部CT图像上的COVID-19检测	计算机视觉	COVID-19	局部二值模式和局部相位量化	swin-textural	图像	4171张胸部CT图像，来自210名受试者
1791	2024-09-11	Identifying Thematics in a Brain-Computer Interface Research 2023, Computational intelligence and neuroscience DOI:10.1155/2023/2793211 PMID:36643889	综述	本文综述了脑机接口（BCI）研究主题的转变，从医疗进步和系统开发转向教育、营销、游戏、安全和安全等应用领域	本文揭示了BCI研究从理解脑功能和接口模式转向更多应用研究的新领域，包括人工智能、机器学习、预处理和深度学习	本文未探讨BCI软件和硬件开发的具体领域	理解脑机接口研究主题的转变	脑机接口（BCI）研究的主题和应用领域	NA	NA	NA	NA	NA	92篇BCI综述文章
1792	2024-09-11	Artifact-free fat-water separation in Dixon MRI using deep learning 2023, Journal of big data IF:8.6Q1 DOI:10.1186/s40537-022-00677-1 PMID:36686622	研究论文	本文提出了一种使用深度学习进行Dixon MRI中脂肪-水分离的方法，以消除脂肪-水交换伪影	将脂肪-水分离问题转化为风格迁移问题，并引入了一种新的生成器模型损失函数	NA	开发一种鲁棒的方法，以准确分离大规模数据集（如UK Biobank）中的脂肪和水体积	Dixon MRI中的脂肪和水信号	计算机视觉	代谢性疾病	Dixon MRI	条件生成对抗网络	图像	超过100,000名参与者
1793	2024-09-11	Dysarthria detection based on a deep learning model with a clinically-interpretable layer 2023-01, JASA express letters IF:1.2Q3 DOI:10.1121/10.0016833 PMID:36725533	研究论文	本文提出了一种基于深度学习模型并包含临床可解释层的构音障碍检测方法	该模型通过瓶颈层同时学习分类标签和四个临床可解释特征，提高了分类准确性和临床可解释性	NA	开发一种能够同时提高分类准确性和临床可解释性的构音障碍检测方法	构音障碍患者和对照组	机器学习	NA	深度神经网络 (DNN)	深度学习模型	语音数据	涉及两种构音障碍亚型的评估
1794	2024-09-10	Plant Parasitic Nematode Identification in Complex Samples with Deep Learning 2023-Feb, Journal of nematology IF:1.4Q2 DOI:10.2478/jofnem-2023-0045 PMID:37849469	研究论文	本文介绍了一种利用深度学习技术在复杂样本中识别植物寄生线虫的新方法	本文提出了一个新的公共数据集，包含从异源土壤提取物中注释的植物寄生线虫图像，用于推动自动化方法的发展	NA	开发一种快速且自动化的方法来识别和量化植物寄生线虫，以减少作物损失	植物寄生线虫	计算机视觉	NA	深度学习	目标检测模型	图像	NA
1795	2024-09-10	UncertaintyFuseNet: Robust uncertainty-aware hierarchical feature fusion model with Ensemble Monte Carlo Dropout for COVID-19 detection 2023-Feb, An international journal on information fusion DOI:10.1016/j.inffus.2022.09.023 PMID:36217534	研究论文	本文提出了一种新的深度学习特征融合模型UncertaintyFuseNet，用于COVID-19检测，结合了CT和X射线图像数据	本文创新性地引入了不确定性感知和层次特征融合方法，并使用Ensemble Monte Carlo Dropout技术量化预测不确定性	NA	开发一种能够准确区分COVID-19与其他疾病的计算机辅助检测系统	COVID-19的CT和X射线图像数据	计算机视觉	COVID-19	Ensemble Monte Carlo Dropout	深度学习模型	图像	CT扫描和X射线数据集，分别达到99.08%和96.35%的预测准确率
1796	2024-09-10	Three-dimensional reconstructing undersampled photoacoustic microscopy images using deep learning 2023-Feb, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2022.100429 PMID:36544533	研究论文	本文提出了一种基于深度学习的全重建欠采样三维光声显微镜图像的方法	本文首次报道了基于深度学习的全重建欠采样三维光声显微镜数据的方法，展示了在不同欠采样比例下优于插值重建方法的鲁棒性	NA	提高光声显微镜的成像速度和数据处理效率	欠采样的三维光声显微镜图像	计算机视觉	NA	深度学习	NA	三维体积数据	NA
1797	2024-09-10	Artificial Intelligence and Machine Learning in Prediction of Surgical Complications: Current State, Applications, and Implications 2023-Jan, The American surgeon DOI:10.1177/00031348221101488 PMID:35562124	综述	本文综述了人工智能（AI）在预测手术并发症中的应用现状，重点介绍了机器学习和深度学习算法在手术风险分层中的作用	AI驱动的模型能够准确识别高风险患者，并克服传统统计风险计算器的局限性	NA	探讨AI在预测手术并发症中的应用及其对未来基于个体患者因素的知情同意讨论的影响	手术并发症的预测和患者风险分层	机器学习	NA	机器学习和深度学习算法	NA	NA	NA
1798	2024-09-10	A Surgeon's Guide to Artificial Intelligence-Driven Predictive Models 2023-Jan, The American surgeon DOI:10.1177/00031348221103648 PMID:35588764	研究论文	本文为外科医生提供了人工智能驱动的预测模型的基本理解	介绍了常见的机器学习和深度学习算法、模型开发、性能指标和解释	未提及具体的研究限制	帮助外科医生理解人工智能驱动的预测模型	外科医生和人工智能驱动的预测模型	机器学习	NA	机器学习	机器学习和深度学习算法	NA	NA
1799	2024-09-10	Advanced deep learning approaches to predict supply chain risks under COVID-19 restrictions 2023-Jan, Expert systems with applications IF:7.5Q1 DOI:10.1016/j.eswa.2022.118604 PMID:35999828	研究论文	本文提出了一种基于深度学习的方法来预测在COVID-19限制下的供应链风险	本文提出了两种深度学习模型变体（RNN和TCN）来预测供应链风险，并展示了TCN模型在预测风险方面的100%准确率	NA	预测在COVID-19限制下的供应链风险，以提高供应链的韧性	供应链中的货物运输风险	机器学习	NA	深度学习	RNN（LSTM、BiLSTM、GRU）和TCN	在线数据集	NA
1800	2024-09-10	SARS-CoV-2 virus classification based on stacked sparse autoencoder 2023, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2022.12.007 PMID:36530948	研究论文	本文提出了一种基于堆叠稀疏自编码器（SSAE）的SARS-CoV-2病毒分类方法	使用图像表示的完整基因组序列作为SSAE的输入，实现了高效的病毒分类	未在训练过程中使用SARS-CoV-2样本，仅在后续测试中使用	开发一种高效的病毒基因组分类方法，特别是针对SARS-CoV-2	SARS-CoV-2病毒的基因组序列	机器学习	NA	堆叠稀疏自编码器（SSAE）	堆叠稀疏自编码器（SSAE）	图像	未明确提及具体样本数量