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
1601	2024-08-05	Recurrent attention U-Net for segmentation and quantification of breast arterial calcifications on synthesized 2D mammograms 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2076 PMID:38855260	研究论文	本研究提出了一种深度学习方法，用于在合成的二维乳腺X光图像中检测和量化乳腺动脉钙化	提出了一种包含递归机制和注意模块的递归注意U-Net模型，能够有效识别和分类BAC	未提及具体的限制	旨在帮助放射科医生检测和量化乳腺动脉钙化	研究对象为合成的二维乳腺X光图像中的乳腺动脉钙化	计算机视觉	心血管疾病	深度学习	递归注意U-Net	图像	2,000张合成二维乳腺X光图像
1602	2024-08-05	An efficient computational framework for gastrointestinal disorder prediction using attention-based transfer learning 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2059 PMID:38855223	研究论文	本文提出了一种基于注意力机制的转移学习架构，以提高胃肠道疾病的诊断效率	将转移学习与注意力机制相结合，以提升计算机辅助诊断系统的性能	现有系统在更大数据集上的安全性和可靠性仍需进一步改善	开发一种有效的计算机辅助诊断系统来分类八种胃肠道图像	胃肠道疾病的图像数据	计算机视觉	胃肠疾病	深度学习	ConvNeXt+Attention	图像	NA
1603	2024-08-05	Deep learning for diagnosis of head and neck cancers through radiographic data: a systematic review and meta-analysis 2024-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-023-00715-5 PMID:37855976	系统评价与荟萃分析	本研究回顾了深度学习在头颈癌检测中的应用，使用了磁共振成像和放射数据	该文章通过系统评价和荟萃分析，提供了头颈癌检测的深度学习模型的准确性和特异性的量化数据	仅包括了满足特定标准的32项研究，可能存在选择偏倚	研究深度学习在头颈癌通过医学影像数据检测中的应用	对头颈癌的医学影像（CT、PET、MRI等）进行的深度学习模型	数字病理学	头颈癌	深度学习	分类模型、目标检测模型	医学影像	从1967项研究中筛选出的32项符合条件的研究
1604	2024-08-05	Recognition of sports and daily activities through deep learning and convolutional block attention 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2100 PMID:38855220	研究论文	本研究使用可穿戴传感器数据通过深度学习技术识别与体育和健身相关的人类行为	创新在于无缝整合CNN、BiGRU和CBAM组件，学习空间和时间关系，优先考虑显著特征进行活动检测	NA	研究旨在提高运动和日常活动的识别准确性	使用UCI-DSA数据集进行多类活动识别	计算机视觉	NA	CNN	CNN-BiGRU-CBAM	运动和生物特征数据	NA
1605	2024-08-05	Automated identification and quantification of metastatic brain tumors and perilesional edema based on a deep learning neural network 2024-Jan, Journal of neuro-oncology IF:3.2Q2 DOI:10.1007/s11060-023-04540-y PMID:38133789	研究论文	本论文展示了一种用于自动分割转移性脑肿瘤及相关周边水肿的深度学习模型	该研究采用仅仅使用T1加权对比增强影像和T2加权影像训练深度学习模型，从而实现自动分割和定量分析	研究中使用的数据集相对较小，仅包含90组MRI影像，可能影响模型的泛化能力	研究旨在通过深度学习技术提高转移性脑肿瘤和周边水肿的分割效率	研究对象为46名患者的转移性脑肿瘤与周边水肿影像数据	计算机视觉	脑肿瘤	深度学习	DeepMedic 3D卷积神经网络	影像	90组MRI影像，来自46名患者
1606	2024-08-05	Evaluation of mediastinal lymph node segmentation of heterogeneous CT data with full and weak supervision 2024-01, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2023.102312 PMID:38141568	研究论文	本文评估了异质CT数据中纵隔淋巴结分割的完整监督和弱监督方法的性能	提出了在异质数据集中比较完全监督与弱监督分割模型的方法	未提到具体的生物标志物或临床应用的长时间跟踪数据	研究淋巴结分割模型的泛化能力和不同疾病条件与成像参数的影响	使用完全独立于模型创建数据集的806个纵隔淋巴结	计算机视觉	NA	完全卷积神经网络（FCNs）	NA	图像	540名独特患者的806个纵隔淋巴结样本
1607	2024-08-05	Deep Transfer Learning for Ethnically Distinct Populations: Prediction of Refractive Error Using Optical Coherence Tomography 2024-Jan, Ophthalmology and therapy IF:2.6Q2 DOI:10.1007/s40123-023-00842-6 PMID:37955835	研究论文	本文提出了一种深度迁移学习模型，以预测不同种族人群的未矫正屈光不正	针对多种族情况下训练和测试数据分布不匹配造成的模型性能下降，提出了一种适应性训练的深度迁移学习模型	需要进一步的研究以确认所提出算法的可行性，特别是需较大的样本量和多样的数据来源	研究目的在于通过适应性训练和迁移学习来改善屈光不正的预测	研究对象包括来自不同种族的眼科病人及其光学相干断层扫描图像	数字病理学	NA	光学相干断层扫描（OCT）	深度学习模型	图像	2602只眼睛的1301名患者（预训练），60只眼睛的30名患者（适应性训练），142只眼睛的71名患者（测试）
1608	2024-08-05	Vascular Age Assessed From an Uncalibrated, Noninvasive Pressure Waveform by Using a Deep Learning Approach: The AI-VascularAge Model 2024-Jan, Hypertension (Dallas, Tex. : 1979) DOI:10.1161/HYPERTENSIONAHA.123.21638 PMID:37901957	研究论文	本文介绍了一种使用深度学习方法评估血管年龄的模型，称为AI-VascularAge。	该文章创新性地使用了卷积神经网络从非侵入性的血压波形中提取信息，以预测血管年龄，这是评估心血管疾病风险的新方法。	研究样本主要来自社区人群，可能不具备广泛的适用性，并且模型的特异性和敏感性仍需进一步验证。	本研究的目的是通过使用深度学习的方法评估血管年龄，并探讨其与心血管疾病的关系。	研究对象包括来自冰岛的社区样本和Framingham心脏研究的参与者，共涉及多个血压波形。	机器学习	心血管疾病	卷积神经网络（CNN）	卷积神经网络	波形数据	10680个参与者，31126个波形（冰岛样本）和7208个参与者，21624个波形（Framingham心脏研究）
1609	2024-08-05	CenTime: Event-conditional modelling of censoring in survival analysis 2024-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.103016 PMID:37913577	研究论文	该论文介绍了一种新的生存分析方法CenTime，可以直接估计事件发生时间	提出了一种创新的事件条件删失机制，即使在无删失数据稀缺的情况下也能有效工作	未提及具体的限制	研究如何预测临床重要事件的发生时间	基于患者数据估计特定事件的发生时间，如死亡或癌症复发	生存分析	癌症	深度学习	NA	患者数据	NA
1610	2024-08-05	A Novel Hybrid Deep Learning Method for Predicting the Flow Fields of Biomimetic Flapping Wings 2024-Jan-25, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics9020072 PMID:38392118	研究论文	本文提出了一种新的混合深度学习方法，用于预测仿生拍翅翼的流场	提出了一种混合粗数据驱动的物理信息神经网络模型（HCDD-PINN），能有效提高非线性偏微分方程解的预测精度和可靠性	主要局限是在处理二维不可稳态拍翅问题时，三维和优化问题的优势尚未充分验证	快速准确地解决与仿生拍翅结构相关的非线性偏微分方程	仿生拍翅结构的流动场特征	计算机视觉	NA	物理信息深度学习	HCDD-PINN	流场数据	使用的内部训练数据比传统计算流体动力学所需的网格粗得多
1611	2024-08-05	Deep Learning-Based Technique for Remote Sensing Image Enhancement Using Multiscale Feature Fusion 2024-Jan-21, Sensors (Basel, Switzerland) DOI:10.3390/s24020673 PMID:38276366	研究论文	本研究提出了一种新颖的深度学习模型用于遥感图像增强	提出了一种基于U-Net的改进层次模型GSA-Net，结合多尺度特征融合，提高图像增强效果	由于样本数据不足，需要采用伽玛校正生成低光图像以供训练	研究遥感图像增强的深度学习技术	旨在改善通过低光遥感获取的图像质量	计算机视觉	NA	深度学习	GSA-Net	图像	使用NWPU VHR-10数据集进行测试
1612	2024-08-05	Ensemble Learning Method for the Continuous Decoding of Hand Joint Angles 2024-Jan-20, Sensors (Basel, Switzerland) DOI:10.3390/s24020660 PMID:38276352	研究论文	本文提出了一种使用集成学习方法解决手关节角度解码问题的新模型	引入集成学习组合CatBoost和LightGBM模型，建立高性能的手动动作识别解码系统，且模型需求的参数和训练数据少于传统深度学习模型	未提及具体的局限性	旨在提高智能假肢的灵活性和灵巧性的手动动作解码技术	通过表面肌电图（sEMG）信号，估计手掌关节的运动学角度	自然语言处理	NA	表面肌电图 (sEMG)	集成学习模型	信号	涉及多个测试场景的被试数据集
1613	2024-08-05	CenterNet-Saccade: Enhancing Sonar Object Detection with Lightweight Global Feature Extraction 2024-Jan-20, Sensors (Basel, Switzerland) DOI:10.3390/s24020665 PMID:38276357	研究论文	本文提出了一种基于轻量级模块的网络，以提高声呐图像中的目标检测准确性和实时性	提出了结合影子信息的检测方法，并设计了适应Hourglass的ShuffleBlock模型以减轻网络负担	未提及具体的样本数量和数据来源的多样性	实现声呐图像中目标的准确实时检测	声呐图像中的目标及其影子	计算机视觉	NA	NA	ShuffleBlock, Hourglass	声呐图像	NA
1614	2024-08-05	Segmentation of 71 Anatomical Structures Necessary for the Evaluation of Guideline-Conforming Clinical Target Volumes in Head and Neck Cancers 2024-Jan-18, Cancers IF:4.5Q1 DOI:10.3390/cancers16020415 PMID:38254904	研究论文	本文探讨了头颈癌患者中71个解剖结构的自动分割，以改善临床目标体积(CTV)的划定	提出了一种基于最新深度学习方法的自动化分割策略，并对71个解剖结构进行细致分析	缺乏对手动绘制轮廓与专家指南一致性的量化评估方法	研究旨在提升头颈癌放疗中CTV的自动分割精度	重点研究了71个与CTV划定相关的解剖结构	数字病理学	头颈癌	深度学习	3D nnU-Net	计算机断层扫描图像	104个计算机断层扫描样本
1615	2024-08-05	Beyond Conventional Monitoring: A Semantic Segmentation Approach to Quantifying Traffic-Induced Dust on Unsealed Roads 2024-Jan-14, Sensors (Basel, Switzerland) DOI:10.3390/s24020510 PMID:38257603	研究论文	本研究提出了一种使用语义分割方法量化交通引起的道路灰尘的创新方法	引入了一种基于深度学习的语义分割技术，提供了一种实用且鲁棒的灰尘量化方案	依赖于特定的图像数据集进行训练，可能对其他类型的道路情况适应性有限	量化因交通引起的路面粉尘以便改善监测方法	交通引起的道路灰尘	计算机视觉	NA	深度学习	语义分割	图像	NA
1616	2024-08-05	Cross Entropy in Deep Learning of Classifiers Is Unnecessary-ISBE Error Is All You Need 2024-Jan-12, Entropy (Basel, Switzerland) DOI:10.3390/e26010065 PMID:38248190	研究论文	本研究介绍了ISBE功能，证明了在深度学习分类器中计算交叉熵的多余性	提出了ISBE功能，能够省略交叉熵的计算，并在反向传播中将误差直接送入模型网络	尚未讨论ISBE在所有类型深度学习模型中的应用有效性	探讨深度学习分类器中成本函数的简化可能性	使用感知机和卷积网络对MNIST图像数据集进行分类	机器学习	NA	深度学习	感知机和卷积神经网络	图像	MNIST数据集中的图像应用
1617	2024-08-05	Scale-Fractal Detrended Fluctuation Analysis for Fault Diagnosis of a Centrifugal Pump and a Reciprocating Compressor 2024-Jan-11, Sensors (Basel, Switzerland) DOI:10.3390/s24020461 PMID:38257554	研究论文	提出了一种用于往复式压缩机和多级离心泵故障分类的新方法	使用多分形去趋势波动分析（MFDFA）处理原始振动信号以提取有助于故障类别的特征	NA	为往复式压缩机和多级离心泵的故障检测提供一种可靠的方法	往复式压缩机和多级离心泵	机器学习	NA	多分形去趋势波动分析（MFDFA）	卷积神经网络（CNN）	振动信号	13种离心泵故障，17种阀门故障以及13种往复式压缩机多重故障
1618	2024-08-05	Effectiveness of Data Augmentation for Localization in WSNs Using Deep Learning for the Internet of Things 2024-Jan-10, Sensors (Basel, Switzerland) DOI:10.3390/s24020430 PMID:38257522	研究论文	本文开发了一种基于深度学习的范围无关定位方法来提高无线传感器网络的定位性能	提出了一种数据增强策略，通过创建虚拟锚点来增加训练数据量，从而提高深度神经网络的定位准确性	文章中未详细讨论数据增强策略在不同环境下的适用性和局限性	旨在提高无线传感器网络在物联网中的定位准确性	主要研究无线传感器网络中的定位算法和深度学习的应用	机器学习	NA	深度学习 (DL)	深度神经网络 (DNN)	虚拟数据	通过创建多个虚拟锚点生成的增强训练数据
1619	2024-08-05	Combining Synthetic Images and Deep Active Learning: Data-Efficient Training of an Industrial Object Detection Model 2024-Jan-06, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10010016 PMID:38249001	研究论文	本研究结合了物理基础渲染生成合成训练图像和深度主动学习用于工业物体检测任务	创新之处在于结合合成图像和深度主动学习以迭代提高模型性能	该研究可能在合成数据与现实世界数据之间的领域差距上存在局限	研究旨在使用较少的真实世界图像高效训练物体检测模型	研究对象为工业物体检测模型	计算机视觉	NA	物理基础渲染，深度主动学习	NA	图像	少量真实图像
1620	2024-08-05	Non-invasively Discriminating the Pathological Subtypes of Non-small Cell Lung Cancer with Pretreatment 18F-FDG PET/CT Using Deep Learning 2024-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.03.032 PMID:37117141	研究论文	本文旨在开发一种基于18F-FDG PET/CT影像的深度学习模型，用于非侵入性预测非小细胞肺癌的病理亚型	采用深度学习技术进行非小细胞肺癌病理亚型的非侵入性分类，展示了模型的优秀性能和临床应用潜力	限于回顾性分析，可能存在样本选择偏倚和外部验证不足的问题	研究基于PET/CT影像预测非小细胞肺癌病理亚型的可能性	189名接受手术的非小细胞肺癌患者的术前PET/CT影像	计算机视觉	肺癌	18F-FDG PET/CT	Mobilenet v2	影像	189