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
121	2024-08-07	Automated Segmentation of Intracranial Thrombus on NCCT and CTA in Patients with Acute Ischemic Stroke Using a Coarse-to-Fine Deep Learning Model 2023-06, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A7878 PMID:37202113	研究论文	本文开发了一种自动分割急性缺血性卒中患者颅内血栓的方法，使用粗到细的深度学习模型在NCCT和CTA图像上进行量化。	提出了一种新的深度学习方法来自动检测和测量急性缺血性卒中患者的颅内血栓。	NA	开发一种自动化的方法来量化急性缺血性卒中患者的颅内血栓。	急性缺血性卒中患者的颅内血栓。	机器学习	脑血管疾病	深度学习	深度学习模型	图像	499名患者用于训练和验证，83名患者用于外部测试。
122	2024-08-07	Deep cross-modal feature learning applied to predict acutely decompensated heart failure using in-home collected electrocardiography and transthoracic bioimpedance 2023-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2023.102548 PMID:37210152	研究论文	本文提出了一种深度跨模态特征学习方法ECGX-Net，用于预测在家中收集的ECG和胸廓生物阻抗数据中的急性失代偿性心力衰竭	本文首次将深度学习应用于可穿戴设备收集的ECG数据，并结合胸廓生物阻抗数据进行跨模态特征学习，以提高心力衰竭预测的准确性	研究主要基于SENTINEL-HF研究的数据，可能需要进一步验证在其他数据集上的泛化能力	开发一种基于ECG和胸廓生物阻抗数据的深度学习模型，用于准确预测急性失代偿性心力衰竭	急性失代偿性心力衰竭的预测	机器学习	心血管疾病	深度学习	DenseNet121/VGG19	ECG时间序列数据和胸廓生物阻抗数据	SENTINEL-HF研究中招募的≥21岁的住院患者
123	2024-08-07	A unique color-coded visualization system with multimodal information fusion and deep learning in a longitudinal study of Alzheimer's disease 2023-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2023.102543 PMID:37210151	研究论文	本研究引入了一种创新的彩色编码可视化机制，通过集成机器学习模型预测阿尔茨海默病在两年纵向研究中的疾病轨迹	首次开发了一种彩色编码可视化系统，结合多模态信息融合和深度学习，用于阿尔茨海默病的诊断和预后预测	研究中排除了MMSE、CDR-SB和ADAS等神经心理学测试分数以避免偏差，可能影响模型的全面性	旨在通过2D和3D渲染帮助视觉化捕捉阿尔茨海默病的诊断和预后，增强对多类分类和回归分析过程的理解	阿尔茨海默病的诊断和预后预测	机器学习	阿尔茨海默病	卷积神经网络	CNN	多模态数据（神经影像、神经心理学测试分数、脑脊液生物标志物、风险因素）	1123名受试者
124	2024-08-07	Accelerated Cardiac MRI Cine with Use of Resolution Enhancement Generative Adversarial Inline Neural Network 2023-06, Radiology IF:12.1Q1 DOI:10.1148/radiol.222878 PMID:37249435	研究论文	本文开发并评估了一种基于深度学习的模型，该模型能够与并行成像或压缩感知（CS）结合，用于加速心脏电影磁共振成像（MRI）并提高空间和时间分辨率。	该研究利用增强的超分辨率生成对抗内联神经网络（GAN）模型，通过深度学习技术恢复了降低空间分辨率的图像，实现了与标准并行成像方法相似的心脏功能、体积和应变的准确量化。	NA	开发和评估一种能够减少扫描时间并/或提高心脏电影MRI空间和时间分辨率的深度学习模型。	心脏电影MRI图像的空间和时间分辨率。	计算机视觉	心血管疾病	深度学习	生成对抗网络（GAN）	图像	训练模型使用了1616名患者的数据，评估模型使用了181名个体（包括126名患者和55名健康受试者）的数据。
125	2024-08-07	Deep Learning-Assisted Quantitative Susceptibility Mapping as a Tool for Grading and Molecular Subtyping of Gliomas 2023-Jun, Phenomics (Cham, Switzerland) DOI:10.1007/s43657-022-00087-6 PMID:37325712	研究论文	本研究旨在探讨深度学习辅助的定量磁化率成像（QSM）在胶质瘤分级和分子分型中的价值	使用深度学习辅助的QSM技术，结合多种成像模式，提高了胶质瘤分级和分子分型的准确性	研究样本量较小，且肿瘤分割为手动进行，可能影响结果的客观性	评估深度学习辅助的QSM在胶质瘤分级和分子分型中的应用价值	42名接受3.0T磁共振成像（MRI）扫描的胶质瘤患者	机器学习	脑瘤	定量磁化率成像（QSM）	卷积神经网络（CNN）	医学影像	42名胶质瘤患者
126	2024-08-07	Bias Analysis in Healthcare Time Series (BAHT) Decision Support Systems from Meta Data 2023-Jun, Journal of healthcare informatics research IF:5.4Q1 DOI:10.1007/s41666-023-00133-6 PMID:37377633	研究论文	本文提出了一种用于医疗时间序列（BAHT）信号中偏差分析的框架，主要针对心电图（ECG）和脑电图（EEG）信号	本文首次提出了BAHT框架，用于分析和可视化解析医疗时间序列数据中的偏差，并探讨了偏差放大现象	偏差缓解策略尚处于初级研究阶段，需要进一步发展和完善	旨在分析和改善医疗决策支持系统中的偏差问题	主要研究对象为心电图（ECG）和脑电图（EEG）数据集	机器学习	NA	深度学习	监督学习模型	时间序列数据	涉及三个主要的ECG和EEG医疗数据集
127	2024-08-07	Assessing variants of uncertain significance implicated in hearing loss using a comprehensive deafness proteome 2023-Jun, Human genetics IF:3.8Q2 DOI:10.1007/s00439-023-02559-9 PMID:37086329	研究论文	本文使用深度学习蛋白质预测算法AlphaFold2来筛选Deafness Variation Database中的不确定意义变异，通过预测蛋白质折叠自由能差异来确定其致病性	利用AlphaFold2算法和DDGun3D工具预测蛋白质折叠自由能差异，以评估听力损失相关基因变异的致病性	研究仅针对Deafness Variation Database中的变异进行分析，且样本量相对较小	评估听力损失相关基因变异的不确定意义变异的致病性	Deafness Variation Database中的128,167个错义变异	生物信息学	听力损失	AlphaFold2, DDGun3D	深度学习	基因变异数据	119名患者
128	2024-08-07	Epiphany: predicting Hi-C contact maps from 1D epigenomic signals 2023-06-06, Genome biology IF:10.1Q1 DOI:10.1186/s13059-023-02934-9 PMID:37280678	研究论文	本文提出了一种名为Epiphany的神经网络模型，用于从广泛可用的表观基因组轨迹预测特定细胞类型的Hi-C接触图	Epiphany模型使用双向长短期记忆层来捕捉长程依赖，并可选地采用生成对抗网络架构以增强接触图的真实性	NA	开发一种能够从表观基因组信号预测Hi-C接触图的深度学习模型	特定细胞类型的Hi-C接触图	机器学习	NA	神经网络	双向长短期记忆层，生成对抗网络	表观基因组轨迹	NA
129	2024-08-07	Digital Histopathology by Infrared Spectroscopic Imaging 2023-06-14, Annual review of analytical chemistry (Palo Alto, Calif.) DOI:10.1146/annurev-anchem-101422-090956 PMID:37068745	综述	本文综述了红外（IR）光谱成像技术在数字组织病理学中的应用，特别关注了其在病理学中的仪器性能、数据处理方法、机器学习应用以及工作流程的讨论	结合红外光谱成像与人工智能，为组织病理学提供了一种新的对比机制，有望改变目前依赖人类检查染色组织形态模式的实践	NA	探讨红外光谱成像技术在组织病理学中的应用及其标准化	红外光谱成像技术及其在组织病理学中的应用	数字病理学	NA	红外光谱成像	深度学习	图像	NA
130	2024-08-07	Signal Improved ultra-Fast Light-sheet Microscope (SIFT) for large tissue imaging 2023-Jun-28, Research square DOI:10.21203/rs.3.rs-2990328/v1 PMID:37461705	研究论文	本文介绍了一种改进的超快速光片显微镜（SIFT），用于大组织成像，通过精确控制两个固定距离的光片焦点来实现ASLM，提高了成像速度和信号强度	提出的SIFT技术将成像速度提高了四倍，并在特定帧率下将信号强度提高了一倍，同时开发了基于深度学习的组织信息分类器，以加速组织边界的确定	NA	提高大组织成像的速度和质量	大组织样本	生物医学成像	NA	光片荧光显微镜（LSFM）	深度学习模型	图像	多种已清除的组织样本
131	2024-08-07	Efficacy of Smartphone-Based Telescreening for Retinopathy of Prematurity With and Without Artificial Intelligence in India 2023-06-01, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2023.1466 PMID:37166816	研究论文	本研究评估了智能手机基底眼底成像系统（SBFI）与广域数字眼底成像（WDFI）在早产儿视网膜病变（ROP）筛查中的有效性，并比较了人工智能（AI）和人工评分者的表现	本研究首次在实际的远程医疗环境中测试了SBFI系统，并结合AI技术进行ROP筛查	研究仅在一个中心进行，且样本量相对较小	评估SBFI系统在ROP筛查中的有效性，并比较AI和人工评分者的表现	早产儿视网膜病变（ROP）的筛查	数字病理学	早产儿视网膜病变	智能手机基底眼底成像（SBFI）	ResNet18深度学习架构	图像	156名早产儿（312只眼）