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
6441	2024-09-21	Are deep learning classification results obtained on CT scans fair and interpretable? 2024-Sep, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-024-01419-8 PMID:38573489	研究论文	本文探讨了在CT扫描上使用深度学习进行分类时，结果是否公平且可解释	提出了一种严格的病人级别分离训练方法，以提高模型的实际可用性和解释性	未提及具体的技术细节或实验结果，仅提出了一个理论上的改进方向	探讨深度学习在医学图像分类中的公平性和可解释性问题	CT扫描图像和肺结节分类	计算机视觉	肺部疾病	深度学习	深度神经网络	图像	NA
6442	2024-09-21	Pretraining of 3D image segmentation models for retinal OCT using denoising-based self-supervised learning 2024-Sep-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.524603 PMID:39296384	研究论文	本文探讨了利用基于图像恢复技术的3D自监督学习来预训练3D图像分割模型，以提高视网膜OCT图像的分割性能	本文提出了基于图像恢复和去噪的3D自监督学习方法，用于预训练3D网络，从而减少对分割标注的依赖	本文未提及具体的局限性	提高视网膜OCT图像分割的自动化程度和性能	视网膜OCT图像中的生物标志物分割	计算机视觉	NA	自监督学习	U-Net	3D图像	使用了大量3D OCT数据集进行预训练，并在两个具有挑战性的液体分割数据集上进行微调
6443	2024-09-21	High-resolution in vivo 4D-OCT fish-eye imaging using 3D-UNet with multi-level residue decoder 2024-Sep-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.532258 PMID:39296392	研究论文	本文介绍了一种基于3D-UNet和多级残差解码器的高分辨率4D-OCT鱼眼成像系统	提出了一种基于深度学习的实时4D-OCT系统，能够重建近无畸变的体图像，并通过多级信息融合加速收敛和提高精度	NA	解决3D-OCT成像中的运动伪影问题，实现高分辨率实时成像	生物组织的高分辨率体成像	计算机视觉	NA	光学相干断层扫描(OCT)	卷积神经网络(CNN)	图像	NA
6444	2024-09-21	Fluorescence diffuse optical monitoring of bioreactors: a hybrid deep learning and model-based approach for tomography 2024-Sep-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.529884 PMID:39296388	研究论文	本文提出了一种混合深度学习和模型优化方法，用于生物反应器的荧光扩散光学层析成像监测	通过结合经典模型优化和神经网络，提出了一种改进的荧光扩散光学层析成像方法，显著提高了在噪声条件下的重建精度	NA	提高生物反应器中细胞状态监测的准确性	生物反应器中的细胞状态	计算机视觉	NA	荧光扩散光学层析成像（fDOT）	神经网络	图像	模拟和实际实验数据
6445	2024-09-21	Deep learning techniques for Alzheimer's disease detection in 3D imaging: A systematic review 2024-Sep, Health science reports IF:2.1Q3 DOI:10.1002/hsr2.70025 PMID:39296636	综述	本文系统回顾了深度学习技术在阿尔茨海默病3D影像检测中的应用	本文评估了深度学习方法在阿尔茨海默病检测中的当前状态、效率和潜在改进	本文主要集中在理论模型和实际实施问题的讨论上	评估深度学习方法在阿尔茨海默病3D影像检测中的应用现状和潜在改进	阿尔茨海默病的3D影像数据	计算机视觉	阿尔茨海默病	深度学习	卷积神经网络（CNN）	3D影像	87篇文章，其中31篇讨论模型和理论，56篇讨论实际实施问题
6446	2024-09-21	A deep learning model for personalized intra-arterial therapy planning in unresectable hepatocellular carcinoma: a multicenter retrospective study 2024-Sep, EClinicalMedicine IF:9.6Q1 DOI:10.1016/j.eclinm.2024.102808 PMID:39296944	研究论文	本文提出了一种基于深度学习的个性化肝动脉内治疗计划模型，用于不可切除的肝细胞癌患者	本文创新性地使用SELECTION模型和ATOM模型，通过生存评分来优化不可切除肝细胞癌患者的治疗选择	本文的局限性在于其为回顾性多中心研究，且依赖于特定的治疗方式和数据集	研究目的是开发一种基于人工智能的个性化治疗计划模型，以提高不可切除肝细胞癌患者的治疗效果	研究对象为1725名接受过预手术CECT扫描的不可切除肝细胞癌患者	机器学习	肝癌	深度学习	Transformer	图像	1725名患者
6447	2024-09-21	Deep learning model utilizing clinical data alone outperforms image-based model for hernia recurrence following abdominal wall reconstruction with long-term follow up 2024-Jul, Surgical endoscopy DOI:10.1007/s00464-024-10980-y PMID:38862826	研究论文	本研究探讨了利用临床数据而非影像数据构建的深度学习模型在预测腹壁重建后疝复发方面的表现	首次比较了仅使用临床数据和影像数据的深度学习模型在预测疝复发方面的表现，发现临床数据模型优于影像数据模型	所有模型在预测疝复发方面的表现均不佳，需要进一步研究以提高预测能力	评估深度学习模型在预测腹壁重建后疝复发方面的表现，并探讨是否结合临床数据能提高预测能力	腹壁重建后疝复发的预测	机器学习	NA	深度学习	深度学习模型	影像数据和临床数据	190名腹壁重建患者
6448	2024-09-21	Surgical optomics: hyperspectral imaging and deep learning towards precision intraoperative automatic tissue recognition-results from the EX-MACHYNA trial 2024-Jul, Surgical endoscopy DOI:10.1007/s00464-024-10880-1 PMID:38789623	研究论文	本研究开发了一种基于高光谱成像（HSI）和深度学习的自动腹部组织识别系统，并在前瞻性双中心设置中使用人类数据进行了验证	首次将高光谱成像与机器学习结合，用于手术中的自动组织识别，并提出了“手术光组学”这一新概念	需要进一步研究以量化高光谱成像的临床价值	开发基于高光谱成像的自动腹部组织识别系统，并验证其在手术中的应用	腹部手术中的组织识别	计算机视觉	NA	高光谱成像（HSI）	卷积神经网络（CNN）	图像	169名患者，其中73名来自斯特拉斯堡，96名来自维罗纳
6449	2024-09-21	Multi-scale spatiotemporal attention network for neuron based motor imagery EEG classification 2024-06, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110128 PMID:38554787	研究论文	本文提出了一种基于多尺度时空自注意力机制的网络模型，用于分类基于运动想象任务的脑电信号	该模型利用注意力机制自动分配权重，选择与运动活动相关的通道，并使用多尺度时间卷积网络层提取时间域特征信息	NA	开发和训练一个能够有效提取运动想象脑电数据特征的网络模型	基于运动想象任务的脑电信号	机器学习	NA	脑电图 (EEG)	自注意力网络 (SA)	脑电信号	使用了BCI竞赛数据集IV-2a、IV-2b和HGD，分别包含79.26%、85.90%和96.96%的准确率
6450	2024-09-21	A robust multi-branch multi-attention-mechanism EEGNet for motor imagery BCI decoding 2024-05, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110108 PMID:38458260	研究论文	本文提出了一种多分支多注意力机制的EEGNet模型（MBMANet），用于运动想象脑机接口的鲁棒解码	本文创新性地结合了多分支和多注意力机制，使模型能够自适应地学习不同的EEG特征，从而提高了解码的鲁棒性	NA	研究目的是提高基于运动想象的脑机接口技术的鲁棒性和实用性	研究对象是运动想象脑机接口中的EEG信号解码	机器学习	NA	深度学习	CNN	EEG信号	9名受试者
6451	2024-09-21	Scalable Surveillance of E-Cigarette Products on Instagram and TikTok Using Computer Vision 2024-04-22, Nicotine & tobacco research : official journal of the Society for Research on Nicotine and Tobacco IF:3.0Q2 DOI:10.1093/ntr/ntad224 PMID:37947283	研究论文	开发了一种基于计算机视觉的模型，用于在Instagram和TikTok上识别电子烟产品	首次使用图像为基础的计算机视觉模型来识别社交媒体中的电子烟产品	模型在某些对象类别上的准确性仍有提升空间	开发和评估一种用于社交媒体图像和视频中电子烟产品检测的计算机视觉模型	Instagram和TikTok上的电子烟相关内容	计算机视觉	NA	深度学习	DyHead对象检测模型	图像和视频	6999张Instagram图片和14072段TikTok视频（共10276485帧）
6452	2024-09-21	Digital health technologies for high-risk pregnancy management: three case studies using Digilego framework 2024-Apr, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooae022 PMID:38455839	研究论文	本文介绍了利用Digilego框架开发的三种数字健康技术，用于高危妊娠管理	本文的创新点在于利用社交计算、数据科学和数字健康技术开发了一系列数字产品，以支持高危妊娠管理	本文的局限性在于初步测试的样本量较小，未来需要进一步的实施和测试	研究目的是开发和评估数字健康技术，以支持高危妊娠管理	研究对象包括妊娠糖尿病、高血压和围产期抑郁等高危妊娠条件	数字健康	妊娠相关疾病	社交计算、机器学习	深度学习分类器	文本	55,301条社交媒体帖子，10名妊娠糖尿病/高血压信息管理孕妇，30名围产期抑郁预防孕妇
6453	2024-09-21	Predicting recovery following stroke: Deep learning, multimodal data and feature selection using explainable AI 2024, NeuroImage. Clinical DOI:10.1016/j.nicl.2024.103638 PMID:39002223	研究论文	本文评估了多种基于深度学习和可解释AI的解决方案，用于预测中风后的恢复情况	引入了一种新的方法，即将从MRI中提取的感兴趣区域（ROIs）与表格数据的符号表示相结合，训练卷积神经网络（CNN）	数据集相对较小，且仅限于英语使用者	评估多种方法以提高中风后恢复预测的准确性	中风幸存者的MRI和表格数据	机器学习	中风	MRI	卷积神经网络（CNN）	图像和表格数据	758名中风幸存者
6454	2024-09-21	Geodesic shape regression based deep learning segmentation for assessing longitudinal hippocampal atrophy in dementia progression 2024, NeuroImage. Clinical DOI:10.1016/j.nicl.2024.103623 PMID:38821013	研究论文	本文提出了一种基于测地线形状回归的深度学习分割方法，用于评估痴呆进展中的海马体萎缩	本文创新性地将测地线形状回归集成到两阶段分割网络中，以增强个体内部形态一致性，从而减少纵向变异性对分割精度的影响	NA	旨在提高纵向MRI图像中海马体形态分割的准确性，从而更精确地评估痴呆进展中的海马体萎缩	海马体形态及其在痴呆进展中的萎缩情况	计算机视觉	神经退行性疾病	深度学习	3D U-Net	图像	来自阿尔茨海默病神经影像学倡议（ADNI）的纵向数据
6455	2024-09-21	Cortical thickness and grey-matter volume anomaly detection in individual MRI scans: Comparison of two methods 2024, NeuroImage. Clinical DOI:10.1016/j.nicl.2024.103624 PMID:38823248	研究论文	比较两种方法在个体MRI扫描中检测皮质厚度和灰质体积异常的性能	使用深度学习方法DL + DiReCT比传统方法FreeSurfer在计算时间上快了15倍以上	在健康对照组中，异常检测的灵敏度和空间特异性较低	评估和比较两种工具在检测阿尔茨海默病患者和健康对照者MRI扫描中皮质厚度和灰质体积异常的能力	阿尔茨海默病患者和健康对照者的MRI扫描数据	数字病理学	阿尔茨海默病	MRI	深度学习	图像	OASIS3数据集，包含阿尔茨海默病患者和健康对照者
6456	2024-09-21	Deep Learning-based Automated Knee Joint Localization in Radiographic Images Using Faster R-CNN 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056262464230922112606 PMID:37881088	研究论文	本文提出了一种基于深度学习的自动膝关节定位方法，使用Faster R-CNN模型在放射影像中检测膝关节区域	本文的创新点在于利用Faster R-CNN模型实现了膝关节区域的自动检测，克服了传统方法的主观性、耗时和劳动密集的缺点	本文未详细讨论模型的泛化能力和在不同数据集上的表现	本研究的目的是开发一种更高效和自动化的膝关节分析方法，以替代传统的膝关节X光评估	本研究的对象是膝关节区域的放射影像	计算机视觉	骨关节炎	Faster R-CNN	Faster R-CNN	图像	使用了膝关节图像数据集进行模型训练和评估
6457	2024-09-21	Performance analysis of Alexnet for Classification of Knee Osteoarthritis 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230809105544 PMID:37559245	研究论文	本文分析了AlexNet模型在膝关节骨性关节炎分类中的性能	本文首次评估了AlexNet模型在膝关节骨性关节炎分类中的性能，并与其他模型进行了比较	本文仅评估了AlexNet模型的性能，未探讨其他可能更优的深度学习模型	评估AlexNet模型在膝关节骨性关节炎分类中的性能，并与其他模型进行比较	膝关节骨性关节炎的分类	计算机视觉	骨关节炎	深度学习技术	AlexNet	图像	NA
6458	2024-09-21	Implementation and Efficient Analysis of Preprocessing Techniques in Deep Learning for Image Classification 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230829150157 PMID:37649293	研究论文	本文研究了深度学习图像分类中预处理技术的实现及其有效性分析	本文采用MSA方法分析了图像处理应用中预处理步骤的影响，并总结了现有使用和不使用预处理步骤的深度学习图像处理模型	本文未详细探讨不同预处理技术对模型性能的具体影响	探讨预处理步骤在深度学习图像分类中的必要性	图像分类中的预处理技术及其对模型性能的影响	计算机视觉	NA	深度学习	神经网络	图像	大量数据样本
6459	2024-09-21	Classification of Brain Tumours in MRI Images using a Convolutional Neural Network 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230327124902 PMID:37018519	研究论文	本文使用卷积神经网络（CNN）对脑部MRI图像中的肿瘤进行分类	提出的CNN模型在处理资源消耗较少的情况下，实现了更高的准确率和损失减少	实验在相对有限的样本数据集上进行	利用深度学习技术提高脑肿瘤MRI图像分类的准确性	脑部MRI图像中的肿瘤	计算机视觉	脑肿瘤	卷积神经网络（CNN）	CNN	图像	相对有限的样本数据集
6460	2024-09-21	An Early Detection and Classification of Alzheimer's Disease Framework Based on ResNet-50 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230825113344 PMID:37622561	研究论文	本文提出了一种基于ResNet-50的阿尔茨海默病早期检测和分类框架	通过使用深度残差网络（ResNet）模型和图像预处理技术，解决了传统卷积神经网络（CNN）中卷积层的局限性	尽管某些模型在准确性上表现更好，但它们容易过拟合	开发一种更有效的阿尔茨海默病早期检测系统	阿尔茨海默病患者	计算机视觉	阿尔茨海默病	深度残差网络（ResNet）	ResNet-50	MRI扫描图像	阿尔茨海默病患者的MRI扫描数据集