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
1121	2024-08-05	COVID-19 and Pneumonia detection and web deployment from CT scan and X-ray images using deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302413 PMID:38976703	研究论文	该文章设计了一个基于深度学习的框架，用于检测COVID-19及肺炎，并进行网络部署	提出了多种深度学习算法组合的检测框架，并通过四个深度学习模型在不同数据集上进行了比较与分析	未提及具体的外部验证数据或不同人群的适应性	旨在提升COVID-19及肺炎的检测准确性及管理效率	基于CT扫描和X光图像的数据集进行模型训练和检测	数字病理学	COVID-19	深度学习	VGG-19, ResNet-50, Inception V3, Xception	图像	使用了CT图像和X光图像的数据集进行模型评估，具体样本数量未详细说明
1122	2024-08-05	Comparative evaluation of machine learning algorithms for phishing site detection 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2131 PMID:38983211	研究论文	本文评估了八种机器学习和深度学习算法在钓鱼网站检测中的有效性	引入了新的CNN模型以及用于类不平衡的SMOTE，并进行了严格的超参数调整	未提及具体的局限性	评估机器学习和深度学习算法在识别钓鱼网站中的效果	八种机器学习和深度学习算法的表现	机器学习	NA	机器学习，深度学习	支持向量机（SVM），k最近邻（KNN），随机森林（RF），决策树（DT），极端梯度提升（XGBoost），逻辑回归（LR），卷积神经网络（CNN）	数据集	使用了两个真实数据集，具体数量未提及
1123	2024-08-05	Weed detection and recognition in complex wheat fields based on an improved YOLOv7 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1372237 PMID:38978522	研究论文	本研究提出了一种基于改进YOLOv7架构的草 weed 检测模型CSCW-YOLOv7，以识别复杂小麦田中的五种杂草	引入了CARAFE算子和Squeeze-and-Excitation网络来增强重要特征，并采用了上下文变换器模块以改善小目标的识别	未提及具体的样本数量和数据来源，以及可能存在的实际应用限制	实现对复杂小麦田中杂草的准确检测和分类	五种常见的杂草，以Descurainia sophia、蒿、金铃铛、荠菜和艾草为代表	计算机视觉	NA	YOLOv7	CSCW-YOLOv7	图像	NA
1124	2024-08-05	Research on intelligent forecasts of flight actions based on the implemented bi-LSTM 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2153 PMID:38983220	研究论文	利用航班数据快速识别航班动作，以客观评估飞行培训的质量	实现了基于bi-LSTM算法的航班动作预测，提高了训练精度和速度	需要对数据集进行预处理和专家规则注释	研究如何通过航班数据预测飞行动作以优化飞行训练	飞行训练中的飞行动作数据集	机器学习	NA	bi-LSTM	bi-LSTM	标记的飞行数据	NA
1125	2024-08-05	Hybrid deep spatial and statistical feature fusion for accurate MRI brain tumor classification 2024, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2024.1423051 PMID:38978524	研究论文	本研究提出了一种结合深度空间特征与手工统计特征的MRI脑肿瘤分类方法	该方法通过使用ResNet深度学习模型的灵感，提出了一种新颖的特征融合框架FusionNet	未提及具体的局限性	开发一种有效的医疗图像分类方法	针对BraTS数据集中MRI脑肿瘤的图像进行分类	计算机视觉	脑肿瘤	MRI	CNN	图像	BraTS数据集中的MRI脑肿瘤图像
1126	2024-08-05	Plant leaf disease recognition based on improved SinGAN and improved ResNet34 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1414274 PMID:38978997	研究论文	该论文提出了一种基于改进SinGAN和改进ResNet34的植物叶部病害识别方法	提出了一种名为ReSinGN的改进SinGAN用于图像增强，并通过引入CBAM模块和随机像素打乱技术显著提高生成图像的质量	农业数据集不足以及基于深度学习的病害识别模型参数众多且准确性不足的问题仍然存在	研究植物叶部病害的识别方法，以提高农业产品的数量和质量	以番茄叶部病害为实验对象进行识别研究	计算机视觉	NA	改进的SinGAN和改进的ResNet34	ResNet34	图像	NA
1127	2024-08-05	Group-informed attentive framework for enhanced diabetes mellitus progression prediction 2024, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2024.1388103 PMID:38978615	研究论文	该文章提出了一种基于深度学习的框架，用于增强糖尿病进展预测的精确性和可靠性	创新点在于利用深度注意力变换器和针对性插补策略来解决缺失数据问题，并增强模型的稳健性	主要挑战在于处理不完整数据和缺乏更强预测模型	研究旨在提高糖尿病进展预测的准确性	研究对象为糖尿病患者的临床和体检数据	机器学习	糖尿病	深度学习	深度注意力变换器	临床数据和体检信息	NA
1128	2024-08-05	Artificial intelligence's contribution to early pulmonary lesion detection in chest X-rays: insights from two retrospective studies on a Czech population 2024, Casopis lekaru ceskych PMID:38981713	研究论文	本文探讨了人工智能在胸部X光片中早期肺部病变检测中的作用	提出了一种基于深度学习的解决方案，以提高肺部病变，尤其是早期疾病阶段的检测能力	模型的特异性低于经验不同的放射科医生的判断	旨在提高早期肺部病变的检测精度和效率	针对捷克人群进行的两项回顾性研究中的肺部病变检测	医学影像学	肺癌	深度学习	NA	X光片	来自一家低发病率的一般医院和一家专业肿瘤中心的研究数据
1129	2024-08-05	MetaAc4C: A multi-module deep learning framework for accurate prediction of N4-acetylcytidine sites based on pre-trained bidirectional encoder representation and generative adversarial networks 2024-01, Genomics IF:3.4Q2 DOI:10.1016/j.ygeno.2023.110749 PMID:38008265	研究论文	本文提出了一个先进的深度学习模型MetaAc4C，用于准确预测N4-acetylcytidine位点	通过结合预训练的双向编码器表示（BERT）、BLSTM架构及生成对抗网络，MetaAc4C在不平衡数据集上超越了现有的预测模型	现有的实验技术和计算方法在识别ac4C位点时存在成本效益和性能上的限制	提高对N4-acetylcytidine位点的准确识别，以深入理解其调控机制	N4-acetylcytidine位点	计算机视觉	NA	生成对抗网络 (GAN)	双向长短期记忆网络 (BLSTM)	RNA样本	NA
1130	2024-08-05	Large-Kernel Attention for 3D Medical Image Segmentation 2024, Cognitive computation IF:4.3Q1 DOI:10.1007/s12559-023-10126-7 PMID:38974012	研究论文	本文提出了一种新颖的3D大内核注意力模块，用于多器官和肿瘤的准确分割	创新点在于将生物启发的自注意力和卷积相结合，以优化多器官和肿瘤分割的性能	没有提到特定的局限性	本研究的目的是提高3D医学图像中多器官和肿瘤的分割准确性	研究对象为MRI和CT扫描中的多个器官和肿瘤	计算机视觉	癌症	深度学习	CNN	医学图像	使用CT-ORG和BraTS 2020数据集进行评估
1131	2024-08-05	DeepSplice: a deep learning approach for accurate prediction of alternative splicing events in the human genome 2024, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2024.1349546 PMID:38974384	研究论文	该文章介绍了一种基于深度学习的方法，用于准确预测人类基因组中的可变剪接事件。	创新点在于提出了深度剪接代码（DSC）模型，专门设计用于提高可变剪接事件的预测能力。	现有模型在突变存在的情况下捕捉可变剪接事件和实现高预测性能方面存在局限性。	研究目的是提高对可变剪接事件预测的准确性。	研究对象为人类基因组中的可变剪接事件。	生物信息学	NA	深度学习	深度剪接代码（DSC）	基因组数据	NA
1132	2024-08-05	Identifying primary tumor site of origin for liver metastases via a combination of handcrafted and deep learning features 2024-Jan, The journal of pathology. Clinical research DOI:10.1002/cjp2.344 PMID:37822044	研究论文	本文探讨了结合手工和深度学习特征识别肝转移肿瘤的原发肿瘤部位。	提出将手工提取的组织形态特征与深度学习分类器相结合，以改进肝转移肿瘤的原发部位识别。	研究样本量较小，且仅覆盖了特定类型的肿瘤。	旨在通过计算机提取特征来识别肝转移肿瘤的原发肿瘤部位。	175张切片（114名患者）的细胞特征，包括肿瘤细胞核的形态和图形特征以及细胞质纹理特征。	数字病理学	肝癌	手工和深度学习特征提取	随机森林分类器和深度学习网络	全切片图像	175张切片（114名患者）
1133	2024-08-05	Brain Age Estimation from Overnight Sleep Electroencephalography with Multi-Flow Sequence Learning 2024, Nature and science of sleep IF:3.0Q2 DOI:10.2147/NSS.S463495 PMID:38974693	研究论文	本研究通过开发一种新型深度学习模型来改善脑龄估计	提出了一种基于多流学习的深度学习模型，结合了多种数据集，使用了一维Swin Transformer和卷积神经网络进行特征提取	需要进一步评估模型在不同年龄分布上的表现	开发准确的脑龄估计方法	使用 Overnight EEG 数据研究不同年龄段的脑龄	机器学习	神经病学疾病	脑电图（EEG）	Swin Transformer, 卷积神经网络	多导睡眠图（PSG）	18,767个多导睡眠图，来自13,616名受试者
1134	2024-08-05	Impact of white matter hyperintensity volumes estimated by automated methods using deep learning on stroke outcomes in small vessel occlusion stroke 2024, Frontiers in aging neuroscience IF:4.1Q2 DOI:10.3389/fnagi.2024.1399457 PMID:38974905	研究论文	本研究评估了白质高强度（WMH）体积对小血管闭塞性中风（SVO）患者预后的影响	首次使用深度学习自动化方法评估WMH对SVO中风结果的影响	研究主要基于多中心注册数据库，可能存在选择偏倚	探讨WMH体积对SVO中风早期和延迟结果的影响	2013年8月至2022年11月期间的SVO中风患者	数字病理学	脑卒中	深度学习分割模型	NA	临床数据	1,718例SVO中风患者
1135	2024-08-05	Single-Subject Deep-Learning Image Reconstruction With a Neural Optimization Transfer Algorithm for PET-Enabled Dual-Energy CT Imaging 2024, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2024.3418347 PMID:38941203	研究论文	该文章提出了一种单主体深度学习图像重建方法，以改善PET辅助的双能CT成像。	本研究通过使用神经网络表示作为深度系数先验，提出了一种不依赖于群体基础预训练的新方法，从而提高了gCT图像重建的效果。	本研究未提供方法在不同临床环境下的适用性验证。	本研究旨在提高PET辅助双能CT成像的图像重建质量。	本研究关注于gCT图像的重建，基于单主体的神经网络表示。	数字病理学	NA	POSITRON发射断层成像 (PET)	深度神经网络	图像	计算机模拟，真实的假体数据和真实的患者数据
1136	2024-08-05	ResNet incorporating the fusion data of RGB & hyperspectral images improves classification accuracy of vegetable soybean freshness 2024-01-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-51668-6 PMID:38297076	研究论文	本研究提出了一种基于深度学习的模型，通过融合RGB和高光谱图像的数据来提高蔬菜大豆新鲜度分类的准确性	提出了一种新的分类模型ResNet-R&H，结合了RGB和高光谱图像的数据，提高了分类准确性	主要集中在蔬菜大豆的研究，其他食品的适用性尚不明确	评估蔬菜大豆的新鲜度并提高分类的准确性	蔬菜大豆的RGB和高光谱图像	计算机视觉	NA	深度学习	ResNet	图像	收集了四个不同存储时间的蔬菜大豆的RGB和高光谱图像
1137	2024-08-05	Deep learning based CETSA feature prediction cross multiple cell lines with latent space representation 2024-01-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-51193-6 PMID:38253642	研究论文	本研究提出了一种基于深度学习的计算框架CycleDNN，用于预测不同细胞系中的CETSA特征	提出了一种新的深度神经网络技术CycleDNN，通过循环预测实现了不同细胞系间CETSA特征的转换	依赖于特定的细胞系，MS-CETSA实验通常耗时且成本较高	旨在通过计算框架预测多种细胞系中的CETSA特征	不同的细胞系	数字病理学	NA	质谱结合细胞热位移实验 (MS-CETSA)	自动编码器	生物数据	基于一个公共CETSA数据集进行实验
1138	2024-08-05	Child face detection on front passenger seat through deep learning 2024, Traffic injury prevention IF:1.6Q4 DOI:10.1080/15389588.2024.2346811 PMID:38717829	研究论文	本研究提出了一种儿童面部检测系统，以提高前排乘客座位上儿童的安全性	使用深度学习技术，如迁移学习和面部检测，创建了专门为检测儿童座椅而生成的数据集	结果在实验环境下实现了100%的准确率，但在实际应用中可能会受到直接阳光、污垢或杂物的影响	提高儿童在前排乘客座位上的安全性	研究对象是前排乘客座位上的儿童面部	计算机视觉	NA	深度学习	深度卷积神经网络（Deep CNN）	图像	共收集102个空座位、71名儿童（0-13岁）和96名成人（14-75岁）的图像
1139	2024-08-05	Large field-of-view pine wilt disease tree detection based on improved YOLO v4 model with UAV images 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1381367 PMID:38966144	研究论文	基于改进的YOLO v4模型和无人机图像，快速检测松枯病树木。	提出了一种改进的YOLO v4网络，结合了通道注意机制以增强神经网络的学习能力。	未提供关于模型在不同环境或多样化病害种类下的普适性验证	探讨松枯病的快速检测与智能诊断解决方案。	针对松枯病树木的检测与识别。	计算机视觉	松枯病	深度学习	YOLO v4	图像	多个时段的病树样本
1140	2024-08-05	Gaussian filter facilitated deep learning-based architecture for accurate and efficient liver tumor segmentation for radiation therapy 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1423774 PMID:38966060	研究论文	本文旨在开发一种基于高斯滤波的自动分割方法，以提高肝肿瘤的自动分割准确性	使用高斯滤波与nnU-Net架构结合，能够有效区分肿瘤与囊肿，从而改善肝肿瘤分割结果	本研究的样本量相对较小，可能影响模型的推广性	改善肝肿瘤分割中的肿瘤边界清晰度及肿瘤与囊肿之间的混淆	肝肿瘤病例，使用LiTS2017、3D-IRCADb数据集及本院收集的肝癌病例	数字病理学	肝癌	高斯滤波	nnU-Net	影像	130个LiTS2017病例进行训练和验证，14个3D-IRCADb病例及25个本院肝癌病例用于测试