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
1361	2024-08-05	Comparative Analysis of Fusion Strategies for Imaging and Non-imaging Data - Use-case of Hospital Discharge Prediction 2024, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:38827051	研究论文	本文针对医院出院预测进行了深度学习融合策略与传统单源模型的比较分析	提出了联合融合模型，该模型通过支路神经网络以端到端的方式联合训练，提取两个数据模态中的目标相关信息	未提及具体的限制因素	提升医院资源管理并预测患者出院情况	通过融合胸部X光图像和电子健康记录进行出院预测	机器学习	NA	深度学习	联合融合模型	图像和表格数据	NA
1362	2024-08-05	Artificial intelligence in interventional pulmonology 2024-01-01, Current opinion in pulmonary medicine IF:2.8Q2 DOI:10.1097/MCP.0000000000001024 PMID:37916605	review	这项研究回顾了人工智能在介入性肺病学中的应用现状	研究展示了深度学习在支气管图像识别和内支气管超声图像分析中的新应用	尚未评估人工智能增强程序的临床影响	探讨人工智能在介入性肺病学中的能力和影响	分析人工智能在内支气管超声图像和支气管图像中的应用	NA	NA	深度学习	NA	图像	NA
1363	2024-08-05	Designing a Consumer-centric Care Management Program by Prioritizing Interventions Using Deep Learning Causal Inference 2024, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:38827098	研究论文	本文探讨了一种以消费者为中心的护理管理程序，利用深度学习因果推断优先安排干预措施	通过深度学习因果推断分析干预措施对消费者参与度的影响，提供了对案例经理选择干预的可靠参考	研究的局限性在于干预措施的选择主要依赖案例经理的经验，可能存在主观偏差	旨在改善护理管理程序的消费者参与度，减少重返医院的风险	研究对象为刚出院患者及其护理管理团队	机器学习	NA	深度学习因果推断	NA	NA	通过三个实验进行结果的交叉验证
1364	2024-08-05	Deep Learning for Electromyographic Lower-Limb Motion Signal Classification Using Residual Learning 2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2024.3403723 PMID:38771681	研究论文	本文提出了一个包含亚洲人种特征的下肢肌电信号的开源基准数据集JJ，涵盖了人类行走的主要肌肉	首次提供包含大量下肢肌电信号的数据集，并使用调整后的ResNet-18进行分类	目前尚缺乏对下肢肌电信号的全面研究，且缺乏多样化的样本和数据集	探索和比较下肢肌电信号分类的多种关键问题	本研究的对象是包含15人下肢肌电信号的JJ数据集及其行走阶段	机器学习	NA	深度学习	ResNet-18	肌电信号	15人，约13,350个清洁肌电段
1365	2024-08-05	Novel Artificial Intelligence Tool for Real-time Patient Identification to Prevent Misidentification in Health Care 2024 Jan-Mar, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_106_23 PMID:38828072	研究论文	本文旨在通过实施基于深度学习的实时患者识别程序来减少医疗机构中患者识别错误	开发了一种新的基于Python的深度学习程序，实现实时患者识别	实际应用中可能会受到环境光线和面部遮挡等因素的影响	减少在放射治疗和药物管理过程中的患者识别错误	医疗机构中的患者身份识别	计算机视觉	NA	深度学习	NA	图像	NA
1366	2024-08-05	Comparison of Three Deep Learning Models in Accurate Classification of 770 Dermoscopy Skin Lesion Images 2024, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:38827104	研究论文	本研究提出一种利用深度学习对良性和恶性皮肤病变进行分类的方法	将深度学习应用于皮肤病变的分类，并评估了三种深度学习模型的表现	仅使用了来自单一医疗机构的770张去标识化的皮肤镜图像	提高皮肤癌的早期诊断准确性	良性和恶性皮肤病变的分类	计算机视觉	皮肤癌	深度学习	ResNet50, DenseNet121, Inception-V3	图像	770张皮肤病变图像
1367	2024-08-05	Evaluation of Interstitial Lung Diseases with Deep Learning Method of Two Major Computed Tomography Patterns 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056279295231229095436 PMID:38415479	研究论文	本研究利用深度学习方法诊断间质性肺疾病的两种主要高分辨率计算机断层扫描模式	本研究创新地采用VGG16和VGG19深度学习架构，以无人工干预的方式进行间质性肺疾病模式的诊断	没有提及研究中可能的局限性	旨在区分和诊断最常见的间质性肺疾病模式	研究对象为患有常见间质性肺疾病模式的患者	计算机视觉	间质性肺疾病	深度学习	VGG16, VGG19	计算机断层扫描图像	NA
1368	2024-08-05	Recognition of facial emotion based on SOAR model 2024, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2024.1374112 PMID:38826778	研究论文	本文提出了一种基于SOAR模型的面部情绪识别方法	创新点在于结合了3D卷积神经网络和学习自动机，以提高面部情绪识别的效率和准确率	未提及具体的局限性	研究旨在提高面部情绪识别的准确性和效率	研究对象为面部图像中的情绪状态	计算机视觉	NA	3D卷积神经网络	3DCNN与学习自动机的结合	图像	NA
1369	2024-08-05	Decoding imagined speech with delay differential analysis 2024, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2024.1398065 PMID:38826617	研究论文	本研究探索了一种新颖的非线性信号处理方法——延迟微分分析(DDA)在非侵入性脑电图(EEG)信号的语言解码中的应用	DDA提供了一种快速高效的时间域开放源代码方法，使用少量强特征适应数据，并且不需要广泛的预处理	由于现有EEG数据集规模小且异质性高，解码器的泛化能力受到影响	研究非侵入性EEG信号的语言解码方法，特别是评估DDA的适用性	使用两个公共的想象语言解码数据集进行评估	数字病理学	NA	延迟微分分析(DDA)	深度学习方法	信号数据	涉及两个公共数据集
1370	2024-08-05	Improved tomato leaf disease classification through adaptive ensemble models with exponential moving average fusion and enhanced weighted gradient optimization 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1382416 PMID:38828218	研究论文	本文提出了一种新的番茄叶病分类方法，利用适应性集成模型实现准确分类	本研究通过引入带有时间约束的指数移动平均函数和增强加权梯度优化器，提高了深度学习模型的分类准确性	现有机器学习分类器在识别新类型病害的准确性上存在不足	旨在提高番茄叶病的识别准确性，以支持农民并改善作物产量	研究对象为包含九种不同类型叶病的番茄叶图像数据集	计算机视觉	NA	深度学习	VGG-16 和 NASNet	图像	包含10,000张番茄叶图像用于训练和验证，1,000张用于测试
1371	2024-08-07	Deep Learning in Breast Cancer Imaging: A Decade of Progress and Future Directions 2024-Jan-24, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2024.3357877 PMID:38265911	综述	本文综述了过去十年深度学习在乳腺癌影像分析中的进展和未来方向	深度学习在乳腺癌影像分析中展现出显著进步，有望解读乳腺癌影像模式的丰富信息和复杂上下文	需要总结过去的进展并识别未来需要解决的挑战	总结深度学习在乳腺癌影像研究中的进展，并探讨未来的研究方向	乳腺癌影像，包括乳腺X线摄影、超声、磁共振成像和数字病理图像	计算机视觉	乳腺癌	深度学习	CNN	图像	NA
1372	2024-08-07	Visual explanations for polyp detection: How medical doctors assess intrinsic versus extrinsic explanations 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304069 PMID:38820304	研究论文	本文研究了医学专业人员对应用于胃肠疾病检测案例中的当前最先进的可解释人工智能方法的看法，特别是对内在解释和外在解释的评估	本文首次探讨了医学专业人员对内在和外在解释方法的偏好，并基于研究结果提出了未来医学深度神经网络解释的定制方向	研究仅限于胃肠疾病检测案例，可能不涵盖所有医疗领域的解释需求	探讨医学专业人员对当前可解释人工智能方法的看法，并基于此提出未来医学深度神经网络解释的改进方向	医学专业人员对内在和外在解释方法的偏好及这些解释方法的当前价值	计算机视觉	胃肠疾病	深度学习	深度神经网络	图像	未具体说明样本数量
1373	2024-08-07	Multimodal MALDI imaging mass spectrometry for improved diagnosis of melanoma 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304709 PMID:38820337	研究论文	本文开发了一种多模态分类流程，利用深度学习从组织病理学图像中提取有意义的形态学特征，并与IMS数据结合，以提高黑色素瘤的诊断准确性	首次将深度学习应用于组织病理学图像和IMS数据的多模态分类，无需大量显微镜数据训练	NA	提高黑色素瘤的诊断准确性	黑色素瘤和痣病变	数字病理学	黑色素瘤	MALDI成像质谱	人工神经网络	图像	331名患者
1374	2024-08-07	Performance enhancement of short-term wind speed forecasting model using Realtime data 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302664 PMID:38820359	研究论文	本文提出了一种混合模型L-LG-S，用于精确的短期风速预测，并使用来自巴基斯坦卡拉奇市风力涡轮机的实际风速数据进行了测试	提出的混合模型L-LG-S在短期风速预测的训练、验证和测试预测中，准确性分别比现有技术模型提高了98%	NA	提高短期风速预测的准确性，以支持更有效和安全的可再生风能生产	短期风速预测模型	机器学习	NA	NA	混合模型	风速数据	来自巴基斯坦卡拉奇市风力涡轮机的实际风速数据
1375	2024-08-07	A model for skin cancer using combination of ensemble learning and deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301275 PMID:38820401	研究论文	本文通过结合集成学习和深度学习技术，开发了一种用于区分良性和恶性皮肤癌的模型	采用多种机器学习和深度学习技术以及不同的特征提取器和选择器来提高评估指标，并设计了包含多种技术的特征选择层	NA	帮助医疗专家区分良性和恶性皮肤癌病例	皮肤癌的良恶性区分	机器学习	皮肤癌	集成学习, 深度学习	DenseNet-201, MLP, XGB, RF, NB	图像	约350万例皮肤癌诊断
1376	2024-08-07	A Hybrid convolution neural network for the classification of tree species using hyperspectral imagery 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304469 PMID:38820430	研究论文	本文提出了一种混合卷积神经网络方法，用于使用高光谱图像对树种进行分类	结合深度学习和传统学习技术的优势，通过混合特征选择方法和优化算法提高了分类准确性	NA	提高树种分类的准确性	树种分类	计算机视觉	NA	高光谱遥感技术	CNN	图像	树种数据集
1377	2024-08-07	DAU-Net: Dual attention-aided U-Net for segmenting tumor in breast ultrasound images 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303670 PMID:38820462	研究论文	本研究设计了一种基于深度学习的分割方法，用于检测乳腺超声图像中的肿瘤	提出了一种新的分割方法DAU-Net，结合了位置卷积块注意力模块（PCBAM）和移位窗口注意力（SWA）两种强大的注意力机制，集成到残差U-Net模型中	NA	提高乳腺肿瘤检测的准确性，从而改善女性的生存率	乳腺超声图像中的肿瘤	计算机视觉	乳腺癌	深度学习	U-Net	图像	使用了两个广泛使用的乳腺超声图像数据集BUSI和UDIAT
1378	2024-08-07	MCE: Medical Cognition Embedded in 3D MRI feature extraction for advancing glioma staging 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304419 PMID:38820482	研究论文	本文提出了一种嵌入医学认知的3D MRI特征提取模型，用于改进脑胶质瘤的分期	该研究通过嵌入医学知识特征到数据驱动方法中，提高了特征提取的质量，并设计了两种方法模拟医学专业人员在阅片过程中的学习过程	NA	改进脑胶质瘤MRI检测的分类和分期	脑胶质瘤的3D MRI数据	计算机视觉	脑胶质瘤	MRI	MCE模型	3D图像	使用了公开的BraTS2018和BraTS2020数据集
1379	2024-08-07	Research on breast cancer pathological image classification method based on wavelet transform and YOLOv8 2024, Journal of X-ray science and technology IF:1.7Q3 DOI:10.3233/XST-230296 PMID:38189740	研究论文	本文提出了一种基于小波变换和YOLOv8的乳腺癌病理图像分类方法	结合深度学习和小波变换技术，提高了乳腺癌病理图像的分类准确性	NA	提高乳腺癌病理图像的自动识别和分类准确性	乳腺癌病理图像	数字病理学	乳腺癌	小波变换	YOLOv8	图像	数据集通过图像翻转技术扩增，训练集和测试集按8:2和7:3划分
1380	2024-08-07	Performance evaluation of deep learning image reconstruction algorithm for dual-energy spectral CT imaging: A phantom study 2024, Journal of X-ray science and technology IF:1.7Q3 DOI:10.3233/XST-230333 PMID:38393883	研究论文	本研究评估了深度学习图像重建（DLIR）算法在双能谱CT（DEsCT）成像中的性能，特别是在不同辐射剂量和图像能量水平下的表现，并与滤波反投影（FBP）和自适应统计迭代重建-V（ASIR-V）算法进行了比较。	DLIR算法在低keV图像中提供了更好的噪声控制，并且在所有剂量和能量水平下具有最低的图像噪声和最高的检测能力。	NA	评估DLIR算法在双能谱CT成像中的性能，特别是在不同辐射剂量和图像能量水平下的表现。	ACR464 phantom在不同剂量和能量水平下的虚拟单色图像重建。	计算机视觉	NA	双能谱CT（DEsCT）	深度学习图像重建（DLIR）	图像	ACR464 phantom在四个剂量水平（3.5 mGy, 5 mGy, 7.5 mGy, 10 mGy）和五个能量水平（40 keV, 50 keV, 68 keV, 74 keV, 140 keV）下的扫描数据。