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
1621	2024-08-05	Mobile-UI-Repair: a deep learning based UI smell detection technique for mobile user interface 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2028 PMID:38855210	研究论文	该文章提出了一种名为Mobile-UI-Repair的深度学习技术，用于移动用户界面的UI气味检测	创新性在于提出了一个新的UI缺陷识别与定位方法，能够有效识别图形用户界面的显示问题	目前的方法仍需在性能上进一步提升，特别是在结合设计规范和论坛上的语法与语义信息方面	研究旨在提高移动应用程序用户界面的质量，特别是在检测可用性和无障碍性方面	研究对象是移动应用程序的图形用户界面及其设计缺陷	计算机视觉	NA	深度学习	NA	历史数据和实时数据	八位开发者参与了问卷调查
1622	2024-08-05	Analysis of the performance of Faster R-CNN and YOLOv8 in detecting fishing vessels and fishes in real time 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2033 PMID:38855240	研究论文	本研究对Faster R-CNN和YOLOv8在实时检测渔船和鱼类的性能进行了比较分析	首次比较Faster R-CNN和YOLOv8在渔业监测中的实时检测能力	未提及特定的实验条件和数据集的多样性	旨在提升渔业监测和对象检测的效果	Faster R-CNN和YOLOv8模型在渔业监测中的应用	计算机视觉	NA	深度学习	Faster R-CNN, YOLOv8	图像	NA
1623	2024-08-05	Computer-aided colorectal cancer diagnosis: AI-driven image segmentation and classification 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2071 PMID:38855213	研究论文	本文提出了一种计算机辅助的结直肠癌自动检测方法。	采用了UNet3+进行图像分割，并使用交叉注意多尺度视觉变换器模型进行异常类型预测，展现了高性能。	本文未提及研究样本量和数据来源的具体信息。	旨在通过计算机辅助诊断系统提高结直肠癌的检测准确性。	研究对象包括五种结直肠异常及对照组。	数字病理学	结直肠癌	图像分割和深度学习	UNet3+和交叉注意多尺度视觉变换器	图像	NA
1624	2024-08-05	Applying a deep learning pipeline to classify land cover from low-quality historical RGB imagery 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2003 PMID:38855218	研究论文	应用深度学习流程从低质量历史RGB图像中分类土地覆盖	首次将深度学习流水线应用于历史低质量图像进行土地覆盖分类	研究仅集中于温哥华，可能不适用于其他地区	旨在使用低质量历史图像分析土地覆盖变化	以加拿大温哥华为案例研究对象	计算机视觉	NA	深度学习	Atrous CNN (DeepLabv3+)	图像	一个小型手动标注和增强的历史图像数据集
1625	2024-08-05	Detection of mild cognitive impairment based on attention mechanism and parallel dilated convolution 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2056 PMID:38855222	研究论文	本文提出了一种基于注意力机制和并行膨胀卷积的轻度认知障碍检测方法	通过引入注意力机制来突出病灶区的相关信息，并结合并行膨胀卷积以增强上下文信息的获取能力	目前对轻度认知障碍检测方法的深度学习基础模型的限制仍然存在	研究轻度认知障碍的检测方法以提供更早的干预和治疗	轻度认知障碍患者的脑部MRI图像	计算机视觉	轻度认知障碍	MRI	NA	图像	ADNI公共数据集上的实验结果
1626	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
1627	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
1628	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
1629	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
1630	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
1631	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
1632	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）
1633	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）
1634	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
1635	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
1636	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
1637	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
1638	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
1639	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
1640	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