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
9621	2024-08-05	Training immunophenotyping deep learning models with the same-section ground truth cell label derivation method improves virtual staining accuracy 2024, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2024.1404640 PMID:39007128	研究论文	本研究探讨了在同一切片上获得的细胞标签对H&E模型表现的影响	提出使用来自同一切片的细胞标签提高虚拟染色模型的准确性	未详细讨论与其他模型的比较及其外部有效性	评估细胞标签获取方法对深度学习模型性能的影响	针对肺癌组织中的CD3+ T细胞进行测试	数字病理学	肺癌	深度学习，Pix2Pix生成对抗网络	P2P-GAN	图像	NA
9622	2024-08-05	DeepRetroMoCo: deep neural network-based retrospective motion correction algorithm for spinal cord functional MRI 2024, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2024.1323109 PMID:39006826	研究论文	本研究提出了一种基于深度学习的卷积神经网络算法DeepRetroMoCo，用于纠正脊髓功能性MRI中的运动伪影。	该研究创新地利用深度学习方法显著提高了脊髓MRI运动纠正的效果，证明了其在脊髓数据处理中的有效性。	该研究的样本数量较小，仅包含27名参与者，可能限制了结果的普遍性。	本研究旨在开发并验证一种新的运动纠正算法，以提高脊髓fMRI图像的质量。	本研究的对象为27名参与者的脊髓fMRI数据。	计算机视觉	NA	卷积神经网络(CNN)	CNN	图像	27名参与者的脊髓fMRI数据，共135次训练和81次测试
9623	2024-08-05	Explainable deep-learning framework: decoding brain states and prediction of individual performance in false-belief task at early childhood stage 2024, Frontiers in neuroinformatics IF:2.5Q3 DOI:10.3389/fninf.2024.1392661 PMID:39006894	研究论文	本研究提出了一种可解释的深度学习框架，用于解码大脑状态并预测早期儿童阶段的表现。	提出了一种可解释的基于时空连接的图卷积神经网络模型，能够更准确地解码大脑状态并进行个体表现预测。	未详细讨论在不同儿童发展阶段的普遍性或模型在复杂情境中的适用性。	研究儿童在错误信念任务中的表现，并解码其大脑状态。	以早期儿童（3-12岁）和成年人（18-39岁）为对象进行实验。	深度学习	NA	功能连接性（FC）和个体间功能相关性（ISFC）矩阵	图卷积神经网络（Ex-stGCNN）和卷积变分自编码器（Ex-Convolutional VAE）	视频	155（122名儿童；3-12岁和33名成人；18-39岁）
9624	2024-08-05	Micro-CT determination of the porosity of two tricalcium silicate sealers applied using three obturation techniques 2024, Journal of oral science IF:1.9Q4 DOI:10.2334/josnusd.24-0031 PMID:39010164	研究论文	本研究使用微型CT测量两种三钙硅酸盐封闭剂的孔隙率	首次比较了三种填充技术下两种不同三钙硅酸盐封闭剂的孔隙率	样本数量较少，仅包含六颗单根人类牙齿	评估不同填充技术对封闭剂孔隙率的影响	使用微型CT分析两种三钙硅酸盐封闭剂在不同填充技术下的孔隙率	数字病理学	NA	微型CT	深度学习	图像	六颗单根人类牙齿
9625	2024-08-05	Innovative infrastructure to access Brazilian fungal diversity using deep learning 2024, PeerJ IF:2.3Q2 DOI:10.7717/peerj.17686 PMID:39006015	研究论文	本文构建了一个用于自主识别巴西宏蘑菇物种的深度学习数据库和移动应用程序	创新性地整合了宏蘑菇形态数据和CNN技术，实现了高效的物种识别	未提及数据库的局限性或模型的具体局限素材	旨在通过深度学习技术促进巴西宏蘑菇的识别和保护	研究对象为巴西收集的505种宏蘑菇及其照片	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	13,894张照片，代表505种不同的宏蘑菇
9626	2024-08-05	Multi-modal deep learning from imaging genomic data for schizophrenia classification 2024, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2024.1384842 PMID:39006822	研究论文	本文提出了一种多模态深度学习框架，用于精神分裂症的分类	创新性地结合了结构性磁共振成像、功能性磁共振成像和基因组学标记的信息，提高了精神分裂症的分类准确性	未提及本研究的具体限制	从多模态角度研究精神分裂症并开发改进的检测方法	研究对象为精神分裂症患者与健康对照组	机器学习	精神分裂症	深度学习	CNN	影像和基因数据	临床数据集的样本量未具体说明
9627	2024-08-05	Deep learning modeling using mammography images for predicting estrogen receptor status in breast cancer 2024, American journal of translational research IF:1.7Q4 DOI:10.62347/PUHR6185 PMID:39006260	研究论文	本研究开发了一种深度学习模型，通过乳腺X光图像准确评估乳腺癌患者的雌激素受体状态	提出了一种新的IP-SE-DResNet模型，结合了深度残差网络与Squeeze-and-Excitation注意机制，用于预测乳腺癌患者的ER状态	本研究的数据仅限于358名侵袭性导管癌患者，可能限制了模型的普遍适用性	预测乳腺癌患者的雌激素受体状态	358名被诊断为侵袭性导管癌的患者，收集了其术前乳腺X光图像和临床数据	数字病理学	乳腺癌	NA	深度残差网络	图像	358个乳腺癌患者的术前乳腺X光图像数据
9628	2024-08-05	HAWKFOG-an enhanced deep learning framework for the Fog-IoT environment 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1354742 PMID:39006803	研究论文	本研究提出了一个名为HAWKFOG的深度学习框架，用于心脏病的智能预测	该框架创新性地将深度学习与边缘和雾计算设备整合，以实现心脏病的实用诊断	未提及研究的具体局限性	开发一个有效的心脏病预测系统	使用物联网设备收集的不同受试者的数据	机器学习	心脏疾病	Logistic Chaos 基于哈里斯鹰优化的增强型门控递归神经网络	增强型门控递归神经网络	生理数据（心电图和血压传感器数据）	不同受试者的数据集
9629	2024-08-05	Enhancing Chicago Classification diagnoses with functional lumen imaging probe-mechanics (FLIP-MECH) 2024-Aug, Neurogastroenterology and motility IF:3.5Q2 DOI:10.1111/nmo.14841 PMID:38852150	研究论文	本文提出了一种系统的方法，通过深度学习和力学，结合HRM和FLIP的诊断，以改善食管运动障碍的诊断。	创新之处在于开发了一种基于力学的参数量化食管健康，并利用变分自编码器生成虚拟疾病景观，用于进行HRM和FLIP的诊断对比。	研究可能在于所用样本仅限于特定的食管运动障碍患者和正常受试者，样本多样性可能影响结果的普适性。	研究旨在通过深度学习和力学技术，桥接HRM和FLIP测量之间的诊断差距。	研究对象为740名受试者，涵盖不同类型的食管运动障碍患者及正常受试者。	数字病理学	食管运动障碍	FLIP	变分自编码器	参数数据	740名受试者
9630	2024-08-05	Parotid Gland Segmentation Using Purely Transformer-Based U-Shaped Network and Multimodal MRI 2024-Aug, Annals of biomedical engineering IF:3.0Q3 DOI:10.1007/s10439-024-03510-3 PMID:38691234	研究论文	本研究使用纯Transformer的U形网络进行腮腺的分割。	本研究提出了一种全新的纯Transformer基础的U形分割网络，并采用新的训练方法减少临床医生的标记工作量。	尚未提及特定的局限性	提高腮腺及肿瘤的分割准确性以改善诊断和手术计划选择。	多中心多模态腮腺MRI数据集中的腮腺和肿瘤。	计算机视觉	NA	MRI	Transformer	图像	多中心多模态腮腺MRI数据集
9631	2024-08-05	Enhancement of cyber security in IoT based on ant colony optimized artificial neural adaptive Tensor flow 2024-Jul-15, Network (Bristol, England) DOI:10.1080/0954898X.2024.2336058 PMID:39007930	研究论文	提出了一种基于蚁群优化人工神经自适应Tensorflow的技术来检测IoT中的恶意软件	创新提出了ACO-ANT技术以检测通过IoT传播的恶意软件，并提高了检测精度	未提及该方法在不同IoT设备类型上的普适性	提高物联网中网络安全的检测能力	聚焦于恶意软件的检测和源代码重复的识别	计算机视觉	NA	深度学习, ACO-ANT	多目标递归神经网络 (M-RNN)	数据集	使用Malimg数据集进行实验
9632	2024-08-05	Developing an explainable diagnosis system utilizing deep learning model: a case study of spontaneous pneumothorax 2024-Jul-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad5e31 PMID:38955331	研究论文	本文开发了一个使用可解释深度学习模型的医疗图像分析系统，用于自发性气胸的诊断	研究创新性地提出了一个集成的医疗图像分析系统，增强了深度学习模型的可解释性	目前对自发性气胸的深度学习预测研究相对有限	提高医疗诊断模型的可解释性，以改善患者的治疗结果	自发性气胸的医疗图像和诊断过程	数字病理学	肺部疾病	深度学习	可解释深度学习模型	医学图像	NA
9633	2024-08-05	Efficiency of oral keratinized gingiva detection and measurement based on convolutional neural network 2024-Jul-15, Journal of periodontology IF:4.2Q1 DOI:10.1002/JPER.24-0151 PMID:39007745	研究论文	本研究评估了不同卷积神经网络在基于口腔照片检测和测量角化牙龈的能力。	此文创新性地使用ResNet50模型实现自动化的角化牙龈分割，表现出91.4%的准确率。	该研究的测量结果受到测量操作员、表型和下颌类型的影响，有统计学显著差异。	评估不同深度学习算法在角化牙龈检测和测量中的应用。	使用1200张拍摄的口腔照片，以评估角化牙龈的测量和分割效果。	计算机视觉	NA	CNN	ResNet50	图像	600张照片
9634	2024-08-05	Nursing students' approaches to learning in selected Malawian nursing schools: a cross-sectional study 2024-Jul-12, BMC medical education IF:2.7Q1 DOI:10.1186/s12909-024-05746-y PMID:38997697	研究论文	本研究评估了马拉维选定护理学院护理与助产学生的学习方法。	提供了马拉维护理和助产学生学习方法的实证数据	采用的问卷法可能存在主观偏差，且样本仅限于三所护理学院	探讨马拉维护理学院学生学习方式的多样性及其影响	马拉维的护理和助产学生	护理教育	NA	问卷调查法	NA	问卷数据	251名护理学生
9635	2024-08-05	Water body extraction from high spatial resolution remote sensing images based on enhanced U-Net and multi-scale information fusion 2024-Jul-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-67113-7 PMID:38997473	研究论文	本文提出了一种名为EU-Net的新网络模型，用于从高分辨率遥感图像中提取水体	提出的EU-Net模型结合了改进的残差连接和注意力机制，并设计了多尺度扩张卷积和多尺度特征融合模块，以增强水体提取性能	高分辨率图像中的水体提取仍面临复杂背景的挑战，可能存在一定的提取误差	提高从高分辨率遥感图像中提取水体的准确性	高分辨率遥感图像中的水体	计算机视觉	NA	深度学习	EU-Net	遥感图像	实验结果验证EU-Net的性能，但具体样本数量未提及
9636	2024-08-05	Graph Feature Refinement and Fusion in Transformer for Structural Damage Detection 2024-Jul-08, Sensors (Basel, Switzerland) DOI:10.3390/s24134415 PMID:39001194	研究论文	提出了一种用于结构损伤检测的CGsformer网络，结合了图卷积网络和深度学习方法	创新性地引入了图卷积网络，通过层次学习实现从全局到局部的信息提取	未来研究可能需要进一步验证在更复杂结构上的性能	探讨结构响应数据的全局和局部信息关系以提高损伤检测精度	四层钢框架模型实验数据和IASC-ASCE基准结构模拟数据	数字病理	NA	深度学习	图卷积网络	实验数据	两组数据，分别为四层钢框架实验数据和模拟数据
9637	2024-08-05	Tackling Few-Shot Challenges in Automatic Modulation Recognition: A Multi-Level Comparative Relation Network Combining Class Reconstruction Strategy 2024-Jul-08, Sensors (Basel, Switzerland) DOI:10.3390/s24134421 PMID:39001199	研究论文	本文提出了一种新的元学习方法，以解决自动调制识别中的少样本问题	创新性在于提出了多级比较关系网络与类重建的结合，利用自编码器重建支持样本	目前实验仅在RadioML2018数据集上进行，缺乏在其他数据集上的验证	目标是解决深度学习基础的自动调制识别中的少样本挑战	研究对象为自动调制识别中的有限样本数据	机器学习	NA	元学习	多级比较关系网络	无线信号数据	使用RadioML2018数据集进行实验，样本数量未具体说明
9638	2024-08-05	Utilizing Deep Feature Fusion for Automatic Leukemia Classification: An Internet of Medical Things-Enabled Deep Learning Framework 2024-Jul-08, Sensors (Basel, Switzerland) DOI:10.3390/s24134420 PMID:39001200	研究论文	本文提出了一种基于人工智能的医疗物联网框架，用于自动识别外周血涂片中的白血病。	引入了一种新的深度学习融合模型，通过整合原始和分割图像来检测急性淋巴细胞白血病，并显示出优越的准确性和性能。	研究中未提及模型在不同种类的白血病或实时应用中的表现。	早期诊断急性淋巴细胞白血病，以便及时启动治疗。	包含来自89名个体的6512张原始和分割图像的数据集。	计算机视觉	白血病	深度学习	融合模型	图像	来自89名个体的6512张原始和分割图像
9639	2024-08-05	A Comprehensive Survey on Deep Learning-Based LoRa Radio Frequency Fingerprinting Identification 2024-Jul-08, Sensors (Basel, Switzerland) DOI:10.3390/s24134411 PMID:39001190	综述	本文对基于深度学习的LoRa无线频率指纹识别进行了全面的调研	提出了深度学习基于硬件固有特征的无线频率指纹识别作为设备识别的新方法	未提及具体的实验结果或实际应用案例	旨在评估和总结基于深度学习的LoRa设备识别技术的最新进展	LoRa设备的无线频率指纹识别技术	机器学习	NA	深度学习	NA	信号	NA
9640	2024-08-05	Enhancing Immunotherapy Response Prediction in Metastatic Lung Adenocarcinoma: Leveraging Shallow and Deep Learning with CT-Based Radiomics across Single and Multiple Tumor Sites 2024-Jul-08, Cancers IF:4.5Q1 DOI:10.3390/cancers16132491 PMID:39001553	研究论文	本研究评估了基于CT的放射组学特征在预测转移性肺腺癌患者无进展生存期中的潜力	创新点在于利用单一及多肿瘤位点的CT-based放射组学特征与先进的机器学习生存算法相结合，以提升预后预测的准确性	研究局限在于仅涵盖特定癌症中心的患者，可能影响结果的外部可推广性	研究的目的是为转移性肺腺癌患者提供有效的无进展生存期预测	研究对象为接受第一线免疫检查点抑制剂治疗的转移性肺腺癌患者	机器学习	肺癌	CT放射组学	深度学习	图像	140名患者