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
1081	2024-08-05	Innovative infrastructure to access Brazilian fungal diversity using deep learning 2024, PeerJ IF:2.3Q2 DOI:10.7717/peerj.17686 PMID:39006015	研究论文	本文构建了一个用于自主识别巴西宏蘑菇物种的深度学习数据库和移动应用程序	创新性地整合了宏蘑菇形态数据和CNN技术，实现了高效的物种识别	未提及数据库的局限性或模型的具体局限素材	旨在通过深度学习技术促进巴西宏蘑菇的识别和保护	研究对象为巴西收集的505种宏蘑菇及其照片	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	13,894张照片，代表505种不同的宏蘑菇
1082	2024-08-05	Multi-modal deep learning from imaging genomic data for schizophrenia classification 2024, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2024.1384842 PMID:39006822	研究论文	本文提出了一种多模态深度学习框架，用于精神分裂症的分类	创新性地结合了结构性磁共振成像、功能性磁共振成像和基因组学标记的信息，提高了精神分裂症的分类准确性	未提及本研究的具体限制	从多模态角度研究精神分裂症并开发改进的检测方法	研究对象为精神分裂症患者与健康对照组	机器学习	精神分裂症	深度学习	CNN	影像和基因数据	临床数据集的样本量未具体说明
1083	2024-08-05	Deep learning modeling using mammography images for predicting estrogen receptor status in breast cancer 2024, American journal of translational research IF:1.7Q4 DOI:10.62347/PUHR6185 PMID:39006260	研究论文	本研究开发了一种深度学习模型，通过乳腺X光图像准确评估乳腺癌患者的雌激素受体状态	提出了一种新的IP-SE-DResNet模型，结合了深度残差网络与Squeeze-and-Excitation注意机制，用于预测乳腺癌患者的ER状态	本研究的数据仅限于358名侵袭性导管癌患者，可能限制了模型的普遍适用性	预测乳腺癌患者的雌激素受体状态	358名被诊断为侵袭性导管癌的患者，收集了其术前乳腺X光图像和临床数据	数字病理学	乳腺癌	NA	深度残差网络	图像	358个乳腺癌患者的术前乳腺X光图像数据
1084	2024-08-05	HAWKFOG-an enhanced deep learning framework for the Fog-IoT environment 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1354742 PMID:39006803	研究论文	本研究提出了一个名为HAWKFOG的深度学习框架，用于心脏病的智能预测	该框架创新性地将深度学习与边缘和雾计算设备整合，以实现心脏病的实用诊断	未提及研究的具体局限性	开发一个有效的心脏病预测系统	使用物联网设备收集的不同受试者的数据	机器学习	心脏疾病	Logistic Chaos 基于哈里斯鹰优化的增强型门控递归神经网络	增强型门控递归神经网络	生理数据（心电图和血压传感器数据）	不同受试者的数据集
1085	2024-08-05	Analysis of pig posture detection in group-housed pigs using deep learning-based mask scoring instance segmentation 2024 Jan-Dec, Animal science journal = Nihon chikusan Gakkaiho DOI:10.1111/asj.13975 PMID:39005155	research paper	本研究探讨了一种基于深度学习的实例分割评分算法，用于检测和分割群体中猪的不同姿势	提出了一种新的对象检测和分割算法，能够在群体图像中识别个体猪的姿势，同时结合了残差网络和特征金字塔网络以提取特征图	在处理目标丢失和重叠猪只的错误检测方面仍存在一些挑战	研究猪姿势检测与家畜健康和福利之间的关系	群体饲养的猪	计算机视觉	NA	深度学习	残差网络和特征金字塔网络	图像	图像批次大小为512，每批次4张图像
1086	2024-08-05	Joint Brain Tumor Segmentation from Multi-magnetic Resonance Sequences through a Deep Convolutional Neural Network 2024, Journal of medical signals and sensors DOI:10.4103/jmss.jmss_13_23 PMID:38993203	研究论文	本研究自动化了从多种磁共振序列中进行脑肿瘤分割的方法。	提出了一种基于深度卷积神经网络的方法，评估了单个和组合磁共振序列对分割准确性的影响。	研究未提及其他潜在的临床应用以及不同类型肿瘤的表现。	自动化脑肿瘤的分割，以提高诊断和治疗规划的准确性。	使用BraTS-2020挑战数据集中的370名接受四种磁共振序列的受试者进行研究。	数字病理学	脑肿瘤	深度学习	残差神经网络	医学图像	370名受试者，含四种磁共振序列
1087	2024-08-05	Virtual tissue microstructure reconstruction across species using generative deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306073 PMID:38995963	研究论文	本文介绍了一种名为TiMiGNet的深度学习方法，用于虚拟三维组织微结构重建	TiMiGNet克服了抗体渗透差和时间密集型程序的挑战，能够无配对图像输入生成准确的高分辨率组织成分预测	TiMiGNet可能受到深厚组织中的实验限制影响，无法直接成像的结构可能会有一定误差	探索多物种组织微结构的虚拟分析方法	小鼠和人类肝组织的三维微结构	计算机视觉	NA	生成对抗网络，荧光显微镜	GAN	图像	小鼠和人类肝组织的多样本
1088	2024-08-05	Computationally intelligent real-time security surveillance system in the education sector using deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301908 PMID:38990958	研究论文	本研究提出了一种增强的FaceNet网络用于教育领域的实时安全监控和身份匹配	此次研究通过改进的损失函数提高了FaceNet在面部验证和识别的准确性	具体实验样本规模和环境影响未在摘要中详细描述	研究实时面部识别和监控系统在教育领域的应用	主要研究对象为面部检测和识别技术	计算机视觉	NA	深度学习	FaceNet	图像	NA
1089	2024-08-05	Natural language processing in the classification of radiology reports in benign gallbladder diseases 2024 Jan-Dec, Radiologia brasileira DOI:10.1590/0100-3984.2023.0096-en PMID:38993952	研究论文	本文开发了一种自然语言处理应用程序，能够自动识别需要手术的良性胆囊疾病。	通过使用卷积神经网络和双向长短时记忆网络进行深度学习，本文提出了一种新的文本分类方法。	研究结果只针对特定类型的胆囊报告，可能不适用于其他医疗报告。	旨在开发一种自动分类胆囊病报告的自然语言处理应用。	研究对象为1,200份描述胆囊的放射学报告。	自然语言处理	NA	Word2Vec	CNN 和 BiLSTM	文本	1,200份报告
1090	2024-08-05	Enhancing sports image data classification in federated learning through genetic algorithm-based optimization of base architecture 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303462 PMID:38990969	研究论文	该文章提出了一种基于遗传算法优化基础架构的联邦学习运动图像数据分类方法	提出了一种新的方法，用于生成优化的基础模型，基于遗传算法提升性能	实验中只使用了四种深度学习架构，可能无法代表所有架构的性能	研究如何在资源受限设备上改进运动图像数据的分类	使用不同数量的客户在联邦学习环境中进行平衡和不平衡的运动数据实验	机器学习	NA	遗传算法	EfficientNetB3	图像	使用9个客户的平衡数据集进行实验
1091	2024-08-05	Enhanced deep learning model for precise nodule localization and recurrence risk prediction following curative-intent surgery for lung cancer 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0300442 PMID:38995927	研究论文	本研究分析了肺癌CT图像，以预测高风险患者的复发可能性。	利用深度学习模型（MRCNN）改进了肺癌结节定位和复发风险预测。	对样本选择和模型调整的具体数据及效果描述有限。	旨在识别早期可切除肺癌患者中高风险复发者。	研究对象为接受非小细胞肺癌根治性手术的患者。	计算机视觉	肺癌	计算机断层扫描（CT）	MRCNN	医学图像	使用了匿名影像和临床数据，具体样本数量未提及
1092	2024-08-05	Counting nematodes made easy: leveraging AI-powered automation for enhanced efficiency and precision 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1349209 PMID:38993936	研究论文	本文通过开发用户友好的图形用户界面和多种深度学习算法，提高了线虫计数的效率和精度	研究开发了一种能够同时识别和分类多类对象的算法，并展示了深度学习模型在实际应用中的潜力	目前的研究仅集中于一种属，未来需扩展到其他经济重要的植物寄生线虫属	研究旨在提高线虫计数的效率和精确性，推动全球的合作	本研究的对象包括线虫卵和第二阶段幼虫	数字病理学	NA	卷积神经网络（CNN）	YOLOv8x	图像	共生成650幅卵的图像和1339幅幼虫的图像
1093	2024-08-07	Deep learning empowered breast cancer diagnosis: Advancements in detection and classification 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304757 PMID:38990817	研究论文	介绍了一种创新的计算机辅助诊断系统，通过深度学习和计算机视觉技术提升乳腺癌的诊断能力	提出了一种利用深度学习和计算机视觉技术的CAD系统，能够独立识别和分类乳腺病变，表现出卓越的检测和分类性能	虽然检测准确性高，但在将乳腺肿块分成单独组进行检查时，方法的表现约为95.39%	研究目的在于提升乳腺癌的早期检测和分类的准确性	研究对象为乳腺癌病变的检测与分类	计算机视觉	乳腺癌	深度学习	NA	影像	使用Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM)进行验证
1094	2024-08-05	Assessment of Protein-Protein Docking Models Using Deep Learning 2024, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-3985-6_10 PMID:38987469	综述	本文回顾了在蛋白质对接模型评估方法中的进展，重点介绍了将深度学习应用于多种网络架构的最新发展	应用深度学习方法提升了蛋白质对接模型的评估精度	具体的实验结果和模型验证过程在文中没有详细描述	旨在提高蛋白质对接模型选择的准确性	主要研究蛋白质对接模型的评估方法和模型	计算生物学	NA	深度学习	多种网络架构	NA	NA
1095	2024-08-05	Eichner classification based on panoramic X-ray images using deep learning: A pilot study 2024, Bio-medical materials and engineering IF:1.0Q4 DOI:10.3233/BME-230217 PMID:38848165	研究论文	该研究基于全景X光图像进行Eichner分类，使用深度学习技术	提出了基于剩余牙齿进行部分义齿制作的Eichner分类方法	无明显限制信息	探讨如何利用影像信息进行分类和预测	使用全景X光图像进行Eichner分类	机器学习	NA	深度学习	卷积神经网络（CNN）	图像	样本数量不明确
1096	2024-08-05	Research on the construction of information-based nursing quality control system based on deep learning model under the lean perspective 2024, Technology and health care : official journal of the European Society for Engineering and Medicine IF:1.4Q3 DOI:10.3233/THC-230730 PMID:38393932	研究论文	本研究探讨了一个基于深度学习模型的信息化护理质量控制系统的构建	将精益管理理念引入护理质量控制的信息化建设，促进信息技术与护理管理的深度融合	未提供样本规模和模型具体细节	提升护理质量管理，保护患者医疗安全	护理工作及其质量控制	数字病理学	NA	深度学习	NA	数据分析报告	NA
1097	2024-08-05	Artificial intelligence in medicine and healthcare: Opportunity and/or threat 2024, Casopis lekaru ceskych PMID:38981711	研究论文	本文旨在介绍人工智能（AI）方法的发展及其在医学和医疗保健中的应用	强调了人工智能对患者护理过程的支持以及在复杂数据处理中的成功应用	深度学习存在一些缺陷，可能导致错误分类	探讨人工智能在医学和医疗保健中的机会与威胁	人工智能方法及其在患者护理和数据分析中的应用	计算机视觉	NA	数据分析方法	深度学习	大数据	NA
1098	2024-08-05	Software that combines deep learning, 3D reconstruction and CFD to analyze the state of carotid arteries from ultrasound imaging 2024, Technology and health care : official journal of the European Society for Engineering and Medicine IF:1.4Q3 DOI:10.3233/THC-231306 PMID:38393860	研究论文	本文介绍了一种结合深度学习、三维重建和计算流体力学的软件方法，分析颈动脉的超声成像状态	提出了一个包含三个模块的新软件方法，能够提供患者特定颈动脉的详细信息	NA	研究颈动脉疾病的诊断方法	使用临床数据集分析颈动脉的状态	数字病理学	NA	超声成像	深度学习模块	临床数据	NA
1099	2024-08-05	CT-based volumetric measures obtained through deep learning: Association with biomarkers of neurodegeneration 2024-01, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.13445 PMID:37767905	研究论文	本文探讨了基于CT的体积测量与神经退行性疾病生物标志物之间的关联	该研究开发了基于深度学习的CT体积测量，能够高准确度地区分认知健康个体和痴呆患者	研究结果需要进一步验证以确认CT体积测量在神经退行性疾病诊断中的潜在应用	研究CT数据中神经退行性疾病生物标志物的潜在关联	分析Gothenburg H70出生队列和新加坡记忆门诊队列中的CT和MRI扫描数据	数字病理学	神经退行性疾病	深度学习	NA	CT和MRI图像	917个CT和744个MRI扫描来自Gothenburg H70出生队列，204个CT和241个MRI扫描来自新加坡记忆门诊队列
1100	2024-08-05	Deep convolutional neural network for differentiating between sarcoidosis and lymphoma based on [18F]FDG maximum-intensity projection images 2024-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-09937-x PMID:37535157	研究论文	本文比较了未治疗的肉芽肿病和恶性淋巴瘤的 [18F]FDG PET/CT 查找。	本研究使用最大强度投影（MIP）图像开发的卷积神经网络（CNN）模型能够高效区分肉芽肿病与恶性淋巴瘤。	本研究基于回顾性数据，可能存在偏倚，且样本量相对较小。	研究旨在通过FDG累积差异区分肉芽肿病和恶性淋巴瘤。	研究对象为新诊断的肉芽肿病和恶性淋巴瘤患者。	机器学习	淋巴瘤	[18F]FDG PET/CT	CNN	图像	共纳入118名患者，包含56名肉芽肿患者和62名恶性淋巴瘤患者