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
101	2024-08-10	Virtual-scanning light-field microscopy for robust snapshot high-resolution volumetric imaging 2023-05, Nature methods IF:36.1Q1 DOI:10.1038/s41592-023-01839-6 PMID:37024654	研究论文	本文提出了一种基于物理的深度学习框架——虚拟扫描光场显微镜（VsLFM），用于提高光场显微镜的分辨率至衍射极限，实现高速三维成像。	VsLFM通过构建40GB的高分辨率扫描光场显微镜数据集，利用相位相关角度视图之间的物理先验信息，解决了频率混叠问题，从而避免了硬件扫描及其相关的运动伪影。	NA	旨在开发一种能够在单次快照中实现高分辨率三维成像的技术，以用于研究健康和疾病中的瞬态亚细胞相互作用和功能。	研究对象包括胚胎斑马鱼的心脏跳动、果蝇大脑的电压活动以及小鼠肝脏中的中性粒细胞迁移等多样化的生物过程。	计算机视觉	NA	光场显微镜	深度学习框架	图像	40GB的高分辨率扫描光场显微镜数据集
102	2024-08-04	The emerging role of artificial intelligence and digital twins in pre-clinical molecular imaging 2023 May-Jun, Nuclear medicine and biology IF:3.6Q1 DOI:10.1016/j.nucmedbio.2023.108337 PMID:37030076	研究论文	本文探讨了人工智能和数字双胞胎在临床前分子成像中的新兴作用	提出使用深度学习方法提升数字双胞胎的发展能力和应用	目前尚未提及具体的局限性	探索数字双胞胎在临床前分子成像中的应用潜力	以小鼠为模型的临床前分子成像	数字病理学	NA	深度学习，生成对抗网络	NA	图像	特定基因小鼠模型
103	2024-08-05	Multimodal Deep Learning Model Unveils Behavioral Dynamics of V1 Activity in Freely Moving Mice 2023-May-30, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.30.542912 PMID:37398256	研究论文	本研究介绍了一种多模态递归神经网络，用于解释自由移动小鼠的V1活动	提出了一种新的多模态深度学习模型，能够结合视觉输入与行为和时间动态来预测小鼠视觉皮层的活动	该研究结果可能仅适用于小鼠，不适用于其他物种的视觉皮层活动预测	探讨小鼠视觉皮层中自然视觉输入与行为变量如何整合以产生神经反应	自由移动小鼠的视觉皮层V1活动	计算机视觉	NA	深度卷积神经网络 (CNN) 和递归神经网络	递归神经网络	视觉数据	自由移动小鼠的行为数据
104	2024-08-05	Real-time guiding by deep learning during echocardiography to reduce left ventricular foreshortening and measurement variability 2023-May, European heart journal. Imaging methods and practice DOI:10.1093/ehjimp/qyad012 PMID:39044792	研究论文	本文探讨了在超声心动图过程中使用深度学习进行实时指导以减少左心室缩短和测量变异性。	研究首次将实时深度学习指导应用于超声心动图，以提高图像标准化和降低测量变异性。	实时指导对经验丰富的操作员间变异性的影响较小。	研究实时深度学习指导在超声心动图中对左心室缩短和观察者间变异性的影响。	纳入88名在窦律下进行超声心动图检查的患者。	数字病理学	心血管疾病	深度学习	NA	图像	88名患者
105	2024-08-05	Fully automatic estimation of global left ventricular systolic function using deep learning in transoesophageal echocardiography 2023-May, European heart journal. Imaging methods and practice DOI:10.1093/ehjimp/qyad007 PMID:39044786	研究论文	本研究开发了一种利用深度学习实现完全自动化的左心室收缩功能评估方法。	创新点在于通过深度学习实现心脏超声图像的完全自动化评估，从而提高了监测速度和再现性。	本研究的限制在于样本来自185名患者，结果需在更多临床背景下进一步验证。	研究的目的是临床验证自动化MAPSE在心脏病患者中的有效性。	研究对象为185名未选择图像质量的心脏病患者。	数字病理学	心脏病	深度学习	NA	视频	185名心脏病患者
106	2024-08-05	The ChatGPT Storm and What Faculty Can Do 2023 May-Jun 01, Nurse educator IF:2.4Q1 DOI:10.1097/NNE.0000000000001390 PMID:37043716	研究论文	本论文讨论了ChatGPT在学术界的迅速普及及其伦理使用的关注	探讨教师如何应对ChatGPT带来的挑战，强调自我反思、批判性思维和独立学习的重要性	未提及具体的实证研究或数据支持	旨在探讨ChatGPT在护理教育中的潜力及其伦理使用	关注职员及学生如何利用ChatGPT进行学习和信息评估	自然语言处理	NA	深度学习语言模型	NA	文本	NA
107	2024-08-05	In-silico generation of high-dimensional immune response data in patients using a deep neural network 2023-05, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.24709 PMID:36507780	研究论文	本文提出了一种深度学习模型，用于在高维空间中生成患者的免疫反应数据	通过新的最佳时序细胞匹配和过完备自编码器管道，使用少量患者的数据预测整个患者的免疫反应	受限于仅使用小型患者样本，可能影响模型的普遍适用性	旨在理解免疫系统在各类疾病中的作用	分析手术前后1.08百万个细胞的数据	机器学习	NA	深度学习	自编码器	细胞数据	涉及1.08百万个细胞
108	2024-08-05	Deep Learning-Based Dose Prediction for Automated, Individualized Quality Assurance of Head and Neck Radiation Therapy Plans 2023 May-Jun, Practical radiation oncology IF:3.4Q1 DOI:10.1016/j.prro.2022.12.003 PMID:36697347	研究论文	本研究旨在利用基于深度学习的剂量预测来评估头颈部治疗计划的质量并识别不理想的计划	本研究采用3D Dense Dilated U-Net架构进行剂量预测，显示其在自动化、个性化评估头颈部放疗计划质量中的应用潜力	临床计划的OAR标记存在高的医师间变异性，且仅有83%的医师标记的OAR由其中一位医师提出	研究深度学习在头颈部放疗计划质量评估中的应用	245个体积调制弧治疗（VMAT）头颈部计划以及112个高质量计划	医学影像处理	头颈癌	深度学习	3D Dense Dilated U-Net	计算机断层扫描图像	245个计划
109	2024-08-05	Low-dimensional organization of global brain states of reduced consciousness 2023-05-30, Cell reports IF:7.5Q1 DOI:10.1016/j.celrep.2023.112491 PMID:37171963	研究论文	本文探讨了低维空间中意识状态的映射及其性质。	创新地结合了全脑建模、数据增强和深度学习方法，实现了对意识状态低维空间的表征。	本文未充分讨论高维空间与低维空间之间的具体映射机制。	研究意识状态与大脑配置之间的关系，探寻其低维表征。	研究涉及意识水平的变化，尤其是健康与脑损伤患者之间的状态。	计算机视觉	脑损伤	深度学习	NA	脑部配置数据	NA
110	2024-08-05	Machine Learning on Visibility Graph Features Discriminates the Cognitive Event-Related Potentials of Patients with Early Alzheimer's Disease from Healthy Aging 2023-May-07, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci13050770 PMID:37239242	研究论文	本文提出了一种使用可视性图的方法，对阿尔茨海默病患者和健康老年人进行分类	该研究通过可视性图的特征来区分早期阿尔茨海默病患者与健康老年人的认知事件相关电位	研究可能只针对特定的实验条件，未考虑其他可能影响结果的因素	探索基于EEG信号的可视性图特征在阿尔茨海默病和健康老年人分类中的应用	早期阿尔茨海默病患者与健康老年人群体	机器学习	阿尔茨海默病	EEG	传统机器学习和深度学习算法	EEG信号	研究涉及的样本数量未明确说明
111	2024-08-05	In silico evolution of protein binders with deep learning models for structure prediction and sequence design 2023-May-03, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.03.539278 PMID:37205527	研究论文	本文探讨了一种利用深度学习模型进行蛋白质结合体设计的方法。	提出了使用深度学习模型进行蛋白质结构预测和序列设计的迭代流程，并成功设计出自抑制型(PD-L1拮抗剂)结构。	研究未进行实验亲和力培养，结果需要进一步验证。	旨在设计能够被蛋白酶条件性激活的自抑制型拮抗剂。	研究对象为PD-L1拮抗剂的自抑制结构域。	计算机视觉	NA	深度学习	AlphaFold2与ProteinMPNN	蛋白质序列	23个设计的自抑制结构域
112	2024-08-05	Few-Shot Learning for Clinical Natural Language Processing Using Siamese Neural Networks: Algorithm Development and Validation Study 2023-May-04, JMIR AI DOI:10.2196/44293 PMID:38875537	研究论文	本研究提出并评估了基于Siamese神经网络的少样本临床自然语言处理方法	文章创新性地将Siamese神经网络应用于临床自然语言处理任务的少样本学习	文中未详细探讨SNN在其他临床NLP任务中的表现，文献支持有限	旨在提出并评估基于SNN的少样本临床自然语言处理方法	研究对象为临床句子分类任务	自然语言处理	NA	Siamese神经网络	SNN	文本	NA
113	2024-08-05	A deep learning approach for automatic delineation of clinical target volume in stereotactic partial breast irradiation (S-PBI) 2023-05-11, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/accf5e PMID:37084739	研究论文	本研究提出了一种基于深度学习的方法，以自动划定立体部分乳腺照射中的临床靶区。	本研究通过模仿医生的划定实践，使用多通道输入的3D U-Net架构来实现CTV分割，展示了学习到的扩展规则和解剖边界。	研究限于对35名患者的回顾性数据，样本量较小，可能影响模型的泛化能力。	旨在提高乳腺癌术后放疗中临床靶区的划定效率和准确性。	研究对象为35名接受5次部分乳腺照射的术后乳腺癌患者的CT图像。	数字病理学	乳腺癌	CT图像和肿瘤床体积（TBV）掩膜的深度学习方法	3D U-Net	图像	175张来自35名患者的CT图像
114	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
115	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
116	2024-08-05	Automated fatty liver disease detection in point-of-care ultrasound B-mode images 2023-May, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.3.034505 PMID:37284231	研究论文	本文提出了一种自动化的脂肪肝疾病检测算法，利用非专家获取的实时超声B模式图像	研究中介绍了如何在低质量的B模式图像上，应用深度学习算法进行肝脏脂肪变的分类，并且可以在非专家操作下实现	尽管表现良好，但该算法依赖于低质量的B模式图像和最小的超声采集培训	研究旨在开发一种用于非酒精性脂肪肝疾病的自动筛查算法	研究对象为478名患者，他们的B模式图像由非专家医护人员获取	数字病理学	NAFLD	深度学习	DenseNet-121	图像	478名患者的图像数据
117	2024-08-05	Automated Traffic Surveillance Using Existing Cameras on Transit Buses 2023-May-26, Sensors (Basel, Switzerland) DOI:10.3390/s23115086 PMID:37299813	研究论文	本文提出了一种基于已有公交车摄像头的自动交通监测方法	本研究首次将公共交通公交车作为交通监测代理，利用现有的传感器进行车辆计数和轨迹跟踪	该方法的准确性可能受到不同天气条件的影响，尽管已经进行了全面的研究	研究旨在提高交通数据的准确性，以支持交通规划和管理	研究对象为固定路线上的公交车和经过的车辆	计算机视觉	NA	视觉基于的对象检测和跟踪	2D深度学习模型	视频	多个小时的实际监控视频来自正在运营的公交车
118	2024-08-05	Trends and Challenges in AIoT/IIoT/IoT Implementation 2023-May-25, Sensors (Basel, Switzerland) DOI:10.3390/s23115074 PMID:37299800	研究论文	本文分析并强调了AIoT技术生态系统的趋势与挑战	探讨了TinyML和神经形态计算等低功耗AI技术，并提出了一个使用TinyML的草莓疾病检测案例研究	尽管快速进展，AIoT/IIoT/IoT技术面临安全性、可靠性等多个挑战	分析AIoT技术在多领域应用中的趋势与挑战	AIoT、IIoT、IoT技术及其在健康、智能农业等领域的应用	NA	草莓疾病	TinyML	NA	NA	一个案例研究
119	2024-08-05	Deep Learning-Based Anomaly Detection in Video Surveillance: A Survey 2023-May-24, Sensors (Basel, Switzerland) DOI:10.3390/s23115024 PMID:37299751	review	本文提供了深度学习技术在视频异常检测领域的综合评估	对深度学习在视频异常检测中的应用进行了分类，并探讨了预处理和特征工程技术	未提及具体的评价标准或对比实验	旨在全面审视深度学习方法在视频异常检测中的应用	讨论不同方法的目标和学习指标下的深度学习方法	计算机视觉	NA	深度学习	生成模型	视频	NA
120	2024-08-07	Deep learning-based registration of two-dimensional dental images with edge specific loss 2023-May, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.3.034002 PMID:37274759	研究论文	本文提出了一种基于边缘特定损失的深度学习无监督变形配准框架，用于对齐二维牙科X射线图像	引入了一种边缘特定损失函数，增强了无监督学习，无需通过解剖结构进行监督	NA	提高牙科应用中图像配准的准确性和速度	二维牙科X射线图像	计算机视觉	NA	深度学习	U-Net结合空间变换网络	图像	104张下颌X射线图像，组成2600对用于训练和测试；17对术前和术后重建的全景图像