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
8381	2024-08-24	Suitability of DNN-based vessel segmentation for SIRT planning 2024-Feb, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-03005-x PMID:37535263	研究论文	本研究评估了基于深度神经网络（DNN）的血管分割在选择性内部放射治疗（SIRT）规划中的适用性	深度学习方法在肝动脉分割中优于传统的机器学习算法，显示出在SIRT规划中的应用潜力	尽管深度学习方法在大多数情况下表现良好，但仍有部分病例的分割结果不适合用于SIRT规划	评估基于DNN的血管分割在SIRT治疗前介入规划中的适用性	肝动脉的分割质量及整体图像质量	计算机视觉	肝癌	深度学习	DNN	图像	36例增强计算机断层扫描（CT）扫描
8382	2024-08-24	Fully automatic deep learning-based lung parenchyma segmentation and boundary correction in thoracic CT scans 2024-Feb, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-03010-0 PMID:37594684	研究论文	本文提出了一种基于深度学习的算法，用于在胸部CT扫描中精确分割肺实质并进行边界修正	结合深度学习和传统图像处理算法，使用改进的2D U-Net CNN模型和Inception-ResNet-v2作为主干，以及后续的边界修正算法	NA	开发一种精确分割肺实质的算法	胸部CT扫描中的肺实质	计算机视觉	NA	深度学习	CNN	图像	训练数据包括来自两个不同来源的32个CT扫描，测试数据包括来自AIIMS Delhi和LUNA16挑战的16个CT扫描
8383	2024-08-24	Deep Learning Model Based on Multisequence MRI Images for Assessing Adverse Pregnancy Outcome in Placenta Accreta 2024-02, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29023 PMID:37851581	研究论文	本研究通过建立基于多序列MRI图像的深度学习模型，评估胎盘植入症（PAS）患者的不良妊娠结局风险	本研究提出的模型在评估不良妊娠结局方面表现出良好的诊断性能，尤其是在使用四序列MRI图像时，其性能显著优于使用单序列和双序列的模型	本研究为回顾性研究，样本量相对较小，且仅限于特定类型的胎盘植入症患者	探讨术前MRI多序列图像与不良妊娠结局之间的关联，并建立深度学习模型进行风险评估	323名疑似胎盘植入症的孕妇	机器学习	妊娠疾病	MRI	深度学习模型	图像	323名孕妇，分为训练集227例和验证集96例
8384	2024-08-24	Editorial for "A Deep Learning Pipeline Using Prior Knowledge for Automatic Evaluation of Placenta Accreta Spectrum Disorders With MRI" 2024-02, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29152 PMID:38014825	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8385	2024-08-24	ECOLE: Learning to call copy number variants on whole exome sequencing data 2024-01-02, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-44116-y PMID:38167256	研究论文	本文介绍了一种基于深度学习的体细胞和生殖系拷贝数变异（CNV）检测方法ECOLE，用于全外显子测序（WES）数据	ECOLE采用变压器架构的变体，通过在匹配的全基因组测序（WGS）样本上进行高置信度调用来学习每个外显子的CNV调用，并通过迁移学习进一步训练和微调模型	尽管ECOLE在人类专家标记的数据上首次实现了高精度（68.7%）和高召回率（49.6%），但仍存在一定的改进空间	旨在提高全外显子测序数据中拷贝数变异的检测准确性，以用于临床应用	全外显子测序数据中的拷贝数变异	机器学习	NA	全外显子测序（WES）	变压器架构	测序数据	使用了一小部分专家调用的样本进行训练和微调
8386	2024-08-24	A deep learning-based cascade algorithm for pancreatic tumor segmentation 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1328146 PMID:39169945	研究论文	本文设计了一种级联的胰腺肿瘤分割算法，通过多尺度U-Net和基于非局部定位与聚焦模块的网络进行胰腺和肿瘤的分割	引入非局部定位模块和聚焦模块，以及设计新的损失函数来提高对小目标的敏感性	未提及	提高胰腺肿瘤分割的准确性	胰腺肿瘤的分割	计算机视觉	胰腺肿瘤	深度学习	U-Net	图像	未提及具体样本数量
8387	2024-08-24	A review of psoriasis image analysis based on machine learning 2024, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2024.1414582 PMID:39170035	综述	本文综述了过去十年中基于机器学习的银屑病图像分析的研究和应用	NA	NA	旨在总结机器学习在银屑病分析中的应用，并探讨未来的研究方向	银屑病图像分析	机器学习	银屑病	机器学习	传统机器学习模型和深度学习模型	图像	53篇出版物
8388	2024-08-24	The future of medicine: an outline attempt using state-of-the-art business and scientific trends 2024, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2024.1391727 PMID:39170042	综述	本文综述了当前商业和科学趋势对未来医药生态系统的影响	探讨了人工智能、机器学习、大数据和真实世界数据在医药产品生命周期中的应用，以及个性化医疗的突破	NA	探讨未来医药生态系统的发展	医药生态系统及其与技术的互动	NA	NA	人工智能、机器学习、大数据、真实世界数据、纳米技术	人工神经网络、深度学习	数据	NA
8389	2024-08-24	Evaluation and analysis of visual perception using attention-enhanced computation in multimedia affective computing 2024, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2024.1449527 PMID:39170679	研究论文	本文提出了一种注意力增强的多层变换器（AEMT）模型，用于改善面部表情识别（FER）在自然环境中的鲁棒性和准确性	AEMT模型集成了双分支卷积神经网络（CNN）、注意力选择融合（ASF）模块和多层变换器编码器（MTE），通过捕获长距离依赖和复杂特征关系，显著提高了特征表示和分类准确性	NA	提高面部表情识别在复杂现实场景中的鲁棒性和准确性	面部表情识别系统在自然环境中的性能	计算机视觉	NA	卷积神经网络（CNN），多层变换器编码器（MTE）	注意力增强的多层变换器（AEMT）	图像	在RAF-DB和AffectNet数据集上进行了评估，分别达到了81.45%和71.23%的准确率
8390	2024-08-23	Recovering high-quality fiber orientation distributions from a reduced number of diffusion-weighted images using a model-driven deep learning architecture 2024-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30187 PMID:38852179	研究论文	本研究旨在开发一种基于模型的深度学习架构，用于从减少数量的扩散加权图像中准确重建纤维方向分布	提出的Spherical Deconvolution Network (SDNet)架构包括DWI一致性块和fixel分类惩罚项，提高了重建性能和fixel角分离的控制	NA	开发一种新的深度学习架构，以减少扩散加权图像的采集时间并提高分析准确性	纤维方向分布(FODs)的重建	计算机视觉	NA	深度学习	CNN	图像	训练数据来自人类连接组项目的一个子集
8391	2024-08-23	ssVERDICT: Self-supervised VERDICT-MRI for enhanced prostate tumor characterization 2024-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30186 PMID:38852195	研究论文	本文展示了使用自监督机器学习方法对VERDICT模型进行前列腺癌特征化的评估和演示。	ssVERDICT首次展示了无需显式训练标签的机器学习方法对详细的多隔间生物物理扩散MRI模型的拟合。	NA	评估和展示自监督机器学习方法对VERDICT模型的拟合效果。	前列腺癌的VERDICT模型参数估计。	机器学习	前列腺癌	MRI	神经网络	图像	20名前列腺癌患者
8392	2024-08-07	Erratum to: Knowledge-driven deep learning for fast MR imaging: Undersampled MR image reconstruction from supervised to un-supervised learning (Magn Reson Med. 2024;92:496-518) 2024-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30204 PMID:39054742	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8393	2024-08-23	Comparative Analysis of Vision Transformers and Conventional Convolutional Neural Networks in Detecting Referable Diabetic Retinopathy 2024 Nov-Dec, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100552 PMID:39165694	研究论文	本研究通过眼底照片评估了视觉变换器（ViTs）和卷积神经网络（CNNs）在检测可参考糖尿病视网膜病变（DR）方面的性能比较	本研究发现视觉变换器在检测可参考糖尿病视网膜病变方面优于传统的卷积神经网络	NA	评估视觉变换器和卷积神经网络在检测可参考糖尿病视网膜病变方面的性能	视觉变换器和卷积神经网络在检测可参考糖尿病视网膜病变方面的性能	计算机视觉	糖尿病视网膜病变	NA	视觉变换器（ViTs）和卷积神经网络（CNNs）	图像	48269张眼底图像
8394	2024-08-23	A Novel Time-Aware Deep Learning Model Predicting Myopia in Children and Adolescents 2024 Nov-Dec, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100563 PMID:39165695	研究论文	本研究利用儿童和青少年可变长度的历史视力记录，通过一种新型的时间感知长短期记忆（LSTM）模型，定量预测他们的球镜等效值（SE）。	提出了一种新型的时间感知LSTM模型，能够捕捉不规则采样时间序列数据中的时间特征，更符合基于事实数据的特点，有助于早期识别近视进展。	研究结果显示，预测误差与序列长度、预测持续时间、年龄组和近视程度有关，表明模型在不同条件下的表现存在差异。	定量预测儿童和青少年的球镜等效值（SE），并早期识别近视进展。	895名4至18岁的近视儿童和青少年，他们在2008年1月1日至2023年7月1日期间在萨格勒布的圣杜赫大学医院接受了完整的眼科检查和睫状肌麻痹前的检影检查。	机器学习	眼科疾病	NA	LSTM	时间序列数据	895名儿童和青少年
8395	2024-08-23	Two-step optimization for accelerating deep image prior-based PET image reconstruction 2024-Sep, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-024-00831-9 PMID:39096446	研究论文	本研究提出了一种两步优化方法，用于加速基于深度图像先验（DIP）的正电子发射断层扫描（PET）图像重建并提高图像质量	本研究创新性地提出了一种两步优化方法，通过预训练步骤使用条件DIP去噪和端到端重建步骤的微调，显著减少了计算时间并提高了图像质量	NA	加速基于深度图像先验的PET图像重建并提高图像质量	基于深度图像先验的PET图像重建方法	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	NA
8396	2024-08-23	READRetro: natural product biosynthesis predicting with retrieval-augmented dual-view retrosynthesis 2024-Sep, The New phytologist DOI:10.1111/nph.20012 PMID:39081009	研究论文	本文提出了一种名为READRetro的生物逆合成工具，用于预测植物天然产物的生物合成途径	READRetro通过结合先进的深度学习架构、集成方法和两个检索器，优化了复杂代谢途径的预测	NA	开发一种实用的生物逆合成工具，以预测植物天然产物的生物合成途径	植物天然产物的生物合成途径	生物信息学	NA	深度学习	集成模型	代谢途径数据	NA
8397	2024-08-23	Deep learning-based correction for time truncation in cerebral computed tomography perfusion 2024-Sep, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-024-00818-6 PMID:38861134	研究论文	本文提出了一种基于三维卷积神经网络的方法，用于预测脑部CT灌注成像中因时间截断而缺失的图像帧	首次采用三维卷积神经网络来预测CT灌注成像中的缺失帧，并评估了三种预测多时间点的策略	仅使用了公开数据集中的72次CT灌注扫描进行训练和测试，可能需要更多临床数据以验证其泛化能力	克服脑部CT灌注成像中因时间截断导致的数据不完整问题	脑部CT灌注成像中的时间截断问题	计算机视觉	NA	CT灌注成像	CNN	图像	72次CT灌注扫描，共89帧，8切片
8398	2024-08-23	Verification of image quality improvement by deep learning reconstruction to 1.5 T MRI in T2-weighted images of the prostate gland 2024-Sep, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-024-00819-5 PMID:38850389	研究论文	本研究旨在评估通过深度学习重建（DLR）技术，1.5T磁共振成像（MRI）的前列腺T2加权图像质量是否等于或优于3T MRI	使用深度学习重建技术在1.5T MRI中显著提高了信号噪声比（SNR）和图像质量，使其优于3T MRI	NA	评估1.5T MRI通过深度学习重建技术后的图像质量	前列腺的T2加权图像	计算机视觉	NA	深度学习重建（DLR）	NA	图像	13名健康志愿者
8399	2024-08-23	Applications of machine learning in urodynamics: A narrative review 2024-Sep, Neurourology and urodynamics IF:1.8Q3 DOI:10.1002/nau.25490 PMID:38837301	综述	本文综述了机器学习算法在尿动力学领域的应用	目前尚未有研究评估如何为不同的尿动力学研究任务选择合适的算法模型	大多数研究是单中心回顾性研究，缺乏外部验证，模型泛化能力需要进一步验证，样本量不足	总结和分类应用于尿动力学领域的机器学习算法，指导研究人员根据不同任务需求选择合适的算法模型	尿动力学领域的机器学习算法应用	机器学习	NA	机器学习算法，包括传统机器学习和深度学习	NA	NA	不足
8400	2024-08-23	Application of Hybrid DeepLearning Architectures for Identification of Individuals with Obsessive Compulsive Disorder Based on EEG Data 2024-Sep, Clinical EEG and neuroscience IF:1.6Q3 DOI:10.1177/15500594231222980 PMID:38192213	研究论文	本研究利用混合深度学习架构，通过脑电图数据识别强迫症患者	首次使用一维卷积神经网络（1DCNN）与长短期记忆（LSTM）和梯度循环单元（GRU）相结合的混合模型进行强迫症的分类	NA	探索利用脑电图数据通过混合深度学习模型有效区分强迫症患者与健康对照	强迫症患者与健康对照的分类	机器学习	强迫症	脑电图	一维卷积神经网络（1DCNN）与长短期记忆（LSTM）和梯度循环单元（GRU）	脑电图数据	未明确提及具体样本数量