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
1821	2024-08-31	A high-resolution canopy height model of the Earth 2023-Nov, Nature ecology & evolution IF:13.9Q1 DOI:10.1038/s41559-023-02206-6 PMID:37770546	研究论文	本文介绍了一种全球冠层高度图，分辨率为10米，基于融合了GEDI LiDAR数据和Sentinel-2卫星图像的深度学习模型	开发了一种概率深度学习模型，能够从Sentinel-2图像中检索冠层顶部高度并量化估计的不确定性	NA	提供高分辨率的全球冠层高度模型，以支持生态系统管理、气候变化缓解和生物多样性保护	全球冠层高度及其在生态系统中的分布	计算机视觉	NA	深度学习	深度学习模型	图像	全球陆地面积的5%被超过30米的树木覆盖
1822	2024-08-31	Comparison of Machine Learning Detection of Low Left Ventricular Ejection Fraction Using Individual ECG Leads 2023-Oct, Computing in cardiology DOI:10.22489/cinc.2023.047 PMID:39193485	研究论文	本研究开发并应用了一种深度学习架构，用于检测低左心室射血分数（LVEF），并比较了使用单个导联和整个12导联ECG训练该架构的性能	探索了使用单个导联ECG数据进行机器学习分析的可能性，并发现单导联训练的网络与全12导联训练的网络性能相似	未提及具体限制	开发和比较使用单个导联和整个12导联ECG进行机器学习分析的性能	低左心室射血分数（LVEF）的检测	机器学习	心血管疾病	机器学习（ML）	深度学习	ECG数据	未提及具体样本数量
1823	2024-08-31	Antigen-specific CD4+ T cells exhibit distinct transcriptional phenotypes in the lymph node and blood following vaccination in humans 2023-Sep-15, Research square DOI:10.21203/rs.3.rs-3304466/v1 PMID:37790414	研究论文	研究评估了BNT162b2 mRNA疫苗接种后，人类血液和引流淋巴结中针对SARS-CoV-2刺突蛋白的CD4 T细胞的单细胞转录组特征	使用新的深度学习方法Trex进行反向表位映射，结合单细胞TCR测序和转录组学来预测抗原特异性	NA	探讨SARS-CoV-2感染和mRNA疫苗接种后CD4 T细胞的转录组特征	人类血液和引流淋巴结中的刺突特异性CD4 T细胞	免疫学	NA	单细胞转录组学	深度学习	转录组数据	多个刺突特异性CD4 T细胞克隆型
1824	2024-08-31	Deep learning-assisted diagnosis of benign and malignant parotid tumors based on contrast-enhanced CT: a multicenter study 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09568-2 PMID:37067576	研究论文	本研究开发了基于CT图像的深度学习辅助诊断模型，以帮助放射科医生区分良性和恶性腮腺肿瘤	开发的深度学习模型在预测良性和恶性腮腺肿瘤方面优于传统的支持向量机模型	NA	开发深度学习辅助诊断模型，以提高放射科医生对腮腺肿瘤的诊断性能	良性和恶性腮腺肿瘤的诊断	机器学习	腮腺肿瘤	深度学习	CNN	图像	573名经组织病理学确认的腮腺肿瘤患者
1825	2024-08-30	Parking Lot Occupancy Detection with Improved MobileNetV3 2023-Sep-03, Sensors (Basel, Switzerland) DOI:10.3390/s23177642 PMID:37688098	研究论文	本研究通过优化MobileNetV3模型并结合自定义架构改进，实现了停车场车位占用状态的精确检测	引入了卷积块注意力机制和蓝图可分离卷积，相较于传统深度可分离卷积，提升了模型性能	NA	提高停车场管理系统中车位占用检测的准确性	停车场车位占用状态	计算机视觉	NA	深度学习	MobileNetV3	视频	使用CNRPark-EXT和PKLot数据集进行训练和测试
1826	2024-08-30	Deep learning of image-derived measures of body composition in pediatric, adolescent, and young adult lymphoma: association with late treatment effects 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09587-z PMID:36988714	研究论文	本研究使用深度学习方法分析儿童、青少年和年轻成年淋巴瘤患者的标准护理CT图像中的身体成分测量，以评估其对治疗晚期效应的预测价值。	本研究首次将深度学习技术应用于半自动分析淋巴瘤患者的身体成分，并评估其与治疗晚期效应的关系。	研究为回顾性、单中心研究，样本量相对较小，可能影响结果的普遍性。	研究目的是将深度学习方法应用于半自动分析淋巴瘤患者的身体成分，并评估其对治疗晚期效应的预测价值。	研究对象为110名儿童、青少年和年轻成年淋巴瘤患者。	计算机视觉	淋巴瘤	深度学习	深度学习模型	图像	110名患者，260个CT图像数据集
1827	2024-08-30	The effect of hepatic steatosis on liver volume determined by proton density fat fraction and deep learning-measured liver volume 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09603-2 PMID:37012546	研究论文	本研究评估了肝脂肪变性（HS）对肝脏体积的影响，并开发了一种公式来估计校正HS影响的瘦肝体积	提出了一个公式来估计校正肝脂肪变性影响的瘦肝体积	这是一个回顾性研究，样本仅包括健康的成年肝脏捐赠者	评估肝脂肪变性对肝脏体积的影响并开发校正公式	肝脂肪变性对肝脏体积的影响	NA	NA	磁共振成像（MRI），质子密度脂肪分数（PDFF）测量	深度学习算法	图像	1038名捐赠者（平均年龄31±9岁，689名男性）
1828	2024-08-30	Liver PDFF estimation using a multi-decoder water-fat separation neural network with a reduced number of echoes 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09576-2 PMID:37014405	研究论文	本文提出了一种基于深度学习的多解码器水脂分离神经网络（MDWF-Net），用于从仅含3个回波的化学位移编码MRI图像中准确估计肝脏质子密度脂肪分数（PDFF）。	创新点在于使用多解码器水脂分离神经网络，通过减少回波数量来缩短MR扫描时间，同时保持PDFF估计的准确性。	NA	研究目的是通过减少回波数量，缩短MR扫描时间，同时保持肝脏PDFF估计的准确性。	研究对象是肝脏PDFF的估计，使用的是化学位移编码MRI图像。	机器学习	NA	MRI	CNN	图像	134名受试者的MRI数据用于训练，14名受试者的数据用于评估。
1829	2024-08-30	Dynamic evolution of brain structural patterns in liver transplantation recipients: a longitudinal study based on 3D convolutional neuronal network model 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09604-1 PMID:37014408	研究论文	本研究评估了肝移植受者在手术前后大脑结构模式的变化，使用基于深度学习的神经解剖生物标志物进行纵向测量。	采用3D卷积神经网络模型来预测大脑年龄，并通过网络遮挡敏感性分析确定各网络在年龄预测中的重要性。	NA	评估肝移植受者大脑健康的动态演变过程。	肝移植受者的大脑结构模式。	机器学习	NA	3D卷积神经网络	3D-CNN	MRI图像	3609名健康个体和60名肝移植受者及134名对照组
1830	2024-08-30	Intelligent noninvasive meningioma grading with a fully automatic segmentation using interpretable multiparametric deep learning 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09590-4 PMID:37052658	研究论文	本文建立了一种基于多参数深度学习模型的全自动无创脑膜瘤分级系统，并进行了分割	采用多参数三维U-net和ResNet构建的两阶段深度学习分级模型，结合T1C和T2图像，提高了分级和分割的准确性	NA	开发一种稳健的、可解释的多参数深度学习模型，用于自动无创脑膜瘤分级和分割	257名经病理证实的脑膜瘤患者（162例低级别，95例高级别）的脑部MRI图像	机器学习	脑膜瘤	MRI	U-net, ResNet	图像	训练集257例，验证集61例
1831	2024-08-30	Risk estimation for idiopathic normal-pressure hydrocephalus: development and validation of a brain morphometry-based nomogram 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09612-1 PMID:37059905	研究论文	开发并验证了一种基于脑部形态测量的诺模图，用于预测特发性正常压力脑积水	利用深度学习技术进行脑部分割和三维体积测量，开发了一种结合高凸紧密度、胼胝体角度小于90°和标准化侧脑室体积的诺模图	NA	开发和验证一种基于MRI特征的诺模图，用于预测特发性正常压力脑积水	60岁及以上被临床诊断为特发性正常压力脑积水、帕金森病、阿尔茨海默病或健康对照的患者	NA	特发性正常压力脑积水	MRI	深度学习	图像	452名患者（平均年龄±标准差，73.2±6.5岁；200名男性）
1832	2024-08-30	Deep learning-based diagnosis of osteoblastic bone metastases and bone islands in computed tomograph images: a multicenter diagnostic study 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09573-5 PMID:37060446	研究论文	本研究开发并验证了一种基于CT图像的深度学习（DL）模型，用于区分骨岛和成骨性骨转移瘤	采用三切片CT图像输入的2.5D深度学习模型在分类硬化性骨病变方面优于2D模型	NA	开发和验证一种深度学习模型，用于区分骨岛和成骨性骨转移瘤	硬化性骨病变（SBLs）患者	计算机视觉	骨转移瘤	深度学习	2D和2.5D深度学习模型	CT图像	共使用了1918个SBLs样本，涉及728名患者（站点1），122个SBLs样本，涉及71名患者（站点2），71个SBLs样本，涉及47名患者（站点3）
1833	2024-08-30	Fully automated segmentation and radiomics feature extraction of hypopharyngeal cancer on MRI using deep learning 2023-Sep, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09827-2 PMID:37338554	研究论文	本文使用卷积神经网络实现喉下癌（HPC）在MRI上的全自动分割和放射组学特征提取	DeepLab V3+模型在自动分割和放射组学特征提取方面优于U-Net模型，特别是在小肿瘤体积的分割上表现更佳	NA	研究目的是利用深度学习技术实现喉下癌肿瘤在MRI上的自动分割和放射组学特征提取	研究对象为222名喉下癌患者，其中178名用于训练，44名用于测试	计算机视觉	喉下癌	MRI	CNN	图像	222名喉下癌患者
1834	2024-08-30	Neural network combining with clinical ultrasonography: A new approach for classification of salivary gland tumors 2023-08, Head & neck DOI:10.1002/hed.27396 PMID:37222027	研究论文	本文探讨了深度学习方法在唾液腺肿瘤超声图像分类中的应用	首次比较了超声训练模型与计算机断层扫描或磁共振成像训练模型的准确性	研究为回顾性，样本量有限	比较不同成像技术训练模型在唾液腺肿瘤分类中的准确性	唾液腺肿瘤的超声图像	机器学习	NA	深度学习	神经网络	图像	638名患者，包括558例良性肿瘤和80例恶性肿瘤
1835	2024-08-29	Adaptive Region-Specific Loss for Improved Medical Image Segmentation 2023-11, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2023.3289667 PMID:37363838	研究论文	本文介绍了一种区域特定损失函数，用于改进医学图像分割，通过将整个图像体积划分为多个子区域，并为每个子区域构建个性化的损失函数，以提高局部性能	提出了区域特定损失函数，该函数能够根据不同区域的分割难度调整权重，从而提高整体预测准确性	NA	改进医学图像分割的准确性	医学图像分割中的损失函数设计	计算机视觉	NA	NA	神经网络	图像	使用不同的公开和内部医学图像数据集
1836	2024-08-29	Integrated mRNA sequence optimization using deep learning 2023-01-19, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbad001 PMID:36642413	研究论文	本文开发了一种名为iDRO的新算法，利用深度学习技术优化mRNA序列，以适应人类细胞	首次引入深度学习方法进行mRNA序列的综合优化	NA	优化外源基因如严重急性呼吸综合征冠状病毒2刺突蛋白的mRNA序列，以适应人类细胞	mRNA序列优化	机器学习	NA	深度学习	BiLSTM-CRF, RNA-Bart	序列数据	NA
1837	2024-08-28	Clinical evaluation of deep learning-based automatic clinical target volume segmentation: a single-institution multi-site tumor experience 2023-Oct, La Radiologia medica DOI:10.1007/s11547-023-01690-x PMID:37597126	研究论文	本研究评估了基于深度学习的自动临床靶区（CTV）分割模型在多部位肿瘤CT图像上的表现	本研究首次在文献中探讨了多部位肿瘤的自动CTV分割，填补了这一领域的空白	研究中部分患者（如食管癌患者）的自动分割结果与手动分割结果的Dice相似系数较低，表明模型在某些肿瘤类型上的性能有待提高	评估基于深度学习的自动CTV分割模型在不同部位肿瘤CT图像上的准确性和临床接受度	包括鼻咽癌、食管癌、乳腺癌、宫颈癌、前列腺癌和直肠癌等多种癌症患者	计算机视觉	多种癌症	深度学习	Flexnet, Unet, Vnet, Segresnet	CT图像	577名患者
1838	2024-08-28	New trend in artificial intelligence-based assistive technology for thoracic imaging 2023-Oct, La Radiologia medica DOI:10.1007/s11547-023-01691-w PMID:37639191	综述	本文综述了人工智能技术在胸部影像诊断中的应用，特别关注于病灶检测和定性诊断	介绍了可解释的人工智能在定性诊断中的发展需求	强调了人工智能作为医生辅助系统的局限性，最终决策应由医生做出	帮助放射科医生和临床医生更熟悉人工智能在胸部影像中的应用	人工智能技术在胸部影像诊断中的应用	计算机视觉	NA	深度学习	NA	影像	NA
1839	2024-08-28	HistoPerm: A permutation-based view generation approach for improving histopathologic feature representation learning 2023, Journal of pathology informatics DOI:10.1016/j.jpi.2023.100320 PMID:37457594	研究论文	本文介绍了一种基于排列的视图生成方法HistoPerm，用于改进组织学图像的特征表示学习	HistoPerm通过排列增强视图来提高分类性能，无需大量标记图像	NA	旨在解决深度学习方法在数字病理学中需要大量标记图像的问题	HistoPerm方法在乳糜泻和肾细胞癌数据集上的有效性	数字病理学	肾细胞癌	NA	联合嵌入架构	图像	两个组织学图像数据集
1840	2024-08-27	Early Diagnosis: End-to-End CNN-LSTM Models for Mass Spectrometry Data Classification 2023-09-12, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.3c00613 PMID:37624777	研究论文	本文提出了一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的端到端深度学习方法，用于质谱数据分类，以实现早期癌症诊断	该方法能够直接处理原始质谱数据，避免了复杂的前处理和特征选择步骤，同时能够有效降低数据的高维度并捕捉时间模式	NA	提高诊断过程中早期癌症检测的准确性	肿瘤组织和正常组织的早期鉴别	机器学习	NA	LC-MS	CNN-LSTM	质谱数据	NA