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
10121	2024-08-05	MCP: Multi-Chicken Pose Estimation Based on Transfer Learning 2024-Jun-12, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani14121774 PMID:38929393	研究论文	本研究主要分析了一种基于深度学习的多鸡姿态估计方法	首次使用迁移学习进行多只鸡的姿态估计	关于该方法的具体应用范围和在实际场景中的表现尚不明确	旨在通过姿态估计改进家禽行为分析	多只鸡的姿态估计	计算机视觉	NA	迁移学习	姿态估计网络	图像	NA
10122	2024-08-05	Performance Comparison of Convolutional Neural Network-Based Hearing Loss Classification Model Using Auditory Brainstem Response Data 2024-Jun-12, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14121232 PMID:38928647	研究论文	本研究评估了多种卷积神经网络（CNN）模型在使用听觉脑干反应（ABR）图像数据进行听力损失分类中的有效性	采用多种CNN架构进行听力损失分类，对各模型进行了系统性比较，发现AlexNet模型在准确性和计算效率上表现最佳	未探讨其他潜在影响因素对模型性能的影响，且未提供模型在不同人群中的适用性分析	研究旨在自动化诊断听力损失，优化深度学习模型的性能	研究对象为7990个预处理的ABR图像数据样本	计算机视觉	听力损失	卷积神经网络（CNN）	AlexNet等多个模型	图像	7990个预处理的ABR图像
10123	2024-08-05	Bridging the Diagnostic Gap between Histopathologic and Hysteroscopic Chronic Endometritis with Deep Learning Models 2024-Jun-12, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina60060972 PMID:38929589	研究论文	这篇文章探讨了使用深度学习模型弥补慢性子宫内膜炎的组织病理学与宫腔镜诊断之间的差距	文章提出了一种新的基于宫腔镜图像的深度学习预测工具，用于诊断慢性子宫内膜炎	研究可能未能覆盖所有类型的慢性子宫内膜炎病例，样本量和多样性需要进一步增加	本研究旨在开发更少侵入性的慢性子宫内膜炎诊断工具	研究对象为不明原因的不孕妇女中患有慢性子宫内膜炎的个体	计算机视觉	妇科疾病	深度学习	NA	图像	NA
10124	2024-08-05	SDC-Net++: End-to-End Crash Detection and Action Control for Self-Driving Car Deep-IoT-Based System 2024-Jun-12, Sensors (Basel, Switzerland) DOI:10.3390/s24123805 PMID:38931589	研究论文	本研究提出了一种增强版的SDC-Net++系统，可以检测事故位置并传递控制动作	通过替换分类网络为检测网络、调整数据集标签和通过IoT共享事故位置，提升了系统的功能	研究依赖于CARLA模拟器生成的数据集，可能与真实环境存在差异	提高自动驾驶汽车在事故识别和控制响应方面的能力	自动驾驶汽车及其在事故情况下的控制行为	计算机视觉	NA	深度学习, IoT	多任务网络	图像	相同的训练、验证和测试样本
10125	2024-08-05	Enhancing Histopathological Image Classification Performance through Synthetic Data Generation with Generative Adversarial Networks 2024-Jun-11, Sensors (Basel, Switzerland) DOI:10.3390/s24123777 PMID:38931561	研究论文	本研究通过使用生成对抗网络（GANs）进行数据增强，提升了组织病理图像分类的模型性能	使用生成对抗网络代替传统数据增强技术来生成图像，从而改善小型数据集下的模型性能	未讨论生成的数据对实际临床诊断的影响	提升组织病理图像分类的模型表现	组织病理图像	数字病理学	乳腺癌	生成对抗网络	NA	图像	使用相对较小的训练集生成图像
10126	2024-08-05	ESMSec: Prediction of Secreted Proteins in Human Body Fluids Using Protein Language Models and Attention 2024-Jun-09, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms25126371 PMID:38928078	研究论文	本研究提出了一种名为ESMSec的深度学习框架，用于预测人类体液中的分泌蛋白。	引入了基于深度学习的蛋白质语言模型和注意力机制，提高了对分泌蛋白的预测准确性。	未提及具体的模型局限性或潜在偏差。	研究人类体液中分泌蛋白的预测，以便作为疾病生物标志物。	关注于三种分泌于人类体液中的蛋白质。	计算机视觉	NA	深度学习，蛋白质语言模型	ESM2，注意力网络	蛋白质序列数据	三个重要的人类体液数据集
10127	2024-08-05	The Improved Biometric Identification of Keystroke Dynamics Based on Deep Learning Approaches 2024-Jun-09, Sensors (Basel, Switzerland) DOI:10.3390/s24123763 PMID:38931547	研究论文	本文探讨了基于深度学习的按键动态生物识别方法的改进	提出了一种创新的深度学习方法来增强按键动态识别的准确性和可靠性	尽管结果表明了深度学习的有效性，但按键动态分析仍未得到广泛应用	研究旨在探讨按键动态作为生物识别方法的潜力	研究对象是基于按键动态的生物识别系统	计算机视觉	NA	深度学习	NA	开放研究数据集	NA
10128	2024-08-05	Accurate Identification of Spatial Domain by Incorporating Global Spatial Proximity and Local Expression Proximity 2024-Jun-09, Biomolecules IF:4.8Q1 DOI:10.3390/biom14060674 PMID:38927077	研究论文	本研究提出了一种基于深度学习的方法SECE，用于准确识别空间域	SECE结合了局部和全球的空间关系，通过表达相似性和空间相似性聚合信息，超越了现有方法的局限性	NA	旨在提高空间转录组数据中空间域的识别准确性	使用六个真实的空间转录组数据集进行基准测试	数字病理学	NA	深度学习	NA	空间转录组数据	六个数据集
10129	2024-08-05	Test Platform for Developing New Optical Position Tracking Technology towards Improved Head Motion Correction in Magnetic Resonance Imaging 2024-Jun-08, Sensors (Basel, Switzerland) DOI:10.3390/s24123737 PMID:38931521	研究论文	本文描述了一种新型光学位置追踪技术的发展平台，用于改善磁共振成像中的头部运动校正	提出了基于深度学习的无标记头部姿态估计方法，并和高保真度的有标记系统结合，解决了传统标记系统的诸多局限性	在临床应用中的实施仍然面临诸如漫长的校准和设置时间等挑战	开发和训练用于磁共振成像中的头部运动校正的新型光学追踪技术	研究对象包括健康成年人，在定量评估的过程中采集的头部运动数据	计算机视觉	NA	深度学习	卷积神经网络	图像	1名健康成年人
10130	2024-08-05	Segmentation and Multi-Timepoint Tracking of 3D Cancer Organoids from Optical Coherence Tomography Images Using Deep Neural Networks 2024-Jun-08, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14121217 PMID:38928633	研究论文	本文提出了一种基于深度学习的管道，能够实现3D癌症类器官的分割和多时间点跟踪	创新点在于提出了一种自动化深度学习驱动的管道，结合了优化的预处理、最先进的深度学习模型和后处理方法	由于各种因素，OCT图像中准确识别和量化类器官仍然面临挑战	研究旨在通过光学相干成像提高类器官的分析性能	研究对象为来自干细胞或患者肿瘤细胞的三维类器官	数字病理学	癌症	光学相干成像（OCT）	卷积神经网络（CNN）	图像	在13天内的多时间点跟踪实验
10131	2024-08-05	Auscultation-Based Pulmonary Disease Detection through Parallel Transformation and Deep Learning 2024-Jun-08, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11060586 PMID:38927822	研究论文	本文提出了一种结合信号处理技术的混合深度学习技术，以识别呼吸疾病	采用平行转换将肺音信号转化为两种不同的时间频率标度，并结合卷积自编码器和长短期记忆模型进行分类	缺乏对其他数据集的广泛验证和对模型的解释性分析	旨在提高呼吸疾病的早期诊断和患者监测准确性	通过深度学习技术分类不同类型的呼吸疾病	机器学习	肺癌	深度学习，信号处理	长短期记忆模型（LSTM）	音频	使用ICBHI-2017肺音数据集进行评估
10132	2024-08-05	Multimodal Sensing for Depression Risk Detection: Integrating Audio, Video, and Text Data 2024-Jun-07, Sensors (Basel, Switzerland) DOI:10.3390/s24123714 PMID:38931497	研究论文	本文提出了一种融合音频、视频和文本数据以检测抑郁风险的新框架	引入了音频、视频和文本融合的三分支网络（AVTF-TBN），通过多模态数据提供全面的抑郁风险分析	NA	改进抑郁风险检测的方法，使其更具客观性和效率	通过情感引发范式收集丰富的传感器基础抑郁风险检测数据集	自然语言处理	抑郁症	深度学习	三分支网络（TBN）	音频、视频、文本	NA
10133	2024-08-05	Utilizing Geographical Distribution Statistical Data to Improve Zero-Shot Species Recognition 2024-Jun-07, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani14121716 PMID:38929335	研究论文	本文提出了一种基于地理分布统计数据的零-shot物种识别方法	利用物种的地理分布特征来改善零-shot识别性能，填补了之前研究中的空白	尚未探讨如何进一步提升在更加复杂环境下的识别准确性	提高零-shot物种识别的准确性和适应性	多种来自iNaturalist 2021数据集的物种，包括哺乳动物、软体动物、爬行动物等	计算机视觉	NA	对比语言图像预训练（CLIP）	NA	图像	来自多个物种数据集的样本，详细样本量未提供
10134	2024-08-05	Clinical Validation of a Deep Learning-Based Software for Lumbar Bone Mineral Density and T-Score Prediction from Chest X-ray Images 2024-Jun-07, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14121208 PMID:38928624	研究论文	本研究通过胸部X光影像开发了一种基于深度学习的模型，用于骨质疏松症筛查	使用现有医疗影像进行骨质疏松症筛查的机会主义方法，展示了深度学习在此领域的应用潜力	本研究主要依赖于特定医疗中心的数据，可能存在样本偏倚	开发一种基于深度学习的模型，通过胸部X光影像进行骨质疏松症筛查	收集5122对胸部X光影像与DXA报告数据，验证模型效果	机器学习	骨质疏松症	深度学习	NA	影像	5122对胸部X光影像与DXA报告，临床验证阶段440对
10135	2024-08-05	Preliminary Experience with Three Alternative Motion Sensors for 0.55 Tesla MR Imaging 2024-Jun-07, Sensors (Basel, Switzerland) DOI:10.3390/s24123710 PMID:38931494	研究论文	本文分享了三种替代传感器的初步经验，这些传感器用于监测体表、主要脏器的呼吸相关运动以及深部脏器的非呼吸运动	研究中使用的三种传感器结合了不同的技术和深度学习算法，以提高运动跟踪的精确性。	研究未涉及大规模样本测试来验证传感器的普遍适用性。	旨在探讨替代运动传感器在MRI系统内外监测运动的有效性。	研究对象包括肝脏、膀胱及前胸表面的运动监测。	数字医学	NA	深度学习	NA	运动数据	NA
10136	2024-08-05	Classification of Muscular Dystrophies from MR Images Improves Using the Swin Transformer Deep Learning Model 2024-Jun-07, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11060580 PMID:38927816	研究论文	本研究探讨了采用Swin Transformer深度学习模型对肌营养不良症进行分类的有效性。	该研究首次评估了Swin Transformer在肌营养不良症分类中的表现，相较于传统的卷积神经网络显示出更高的准确性。	样本量较小，仅包含54名受试者的数据，可能影响结果的广泛适用性。	研究深度学习技术在肌营养不良症MRI图像分类中的应用。	研究对象为健康个体、Becker肌营养不良症(BMD)和肢带型肌营养不良症2型(LGMD2)患者。	计算机视觉	肌营养不良症	MRI	Swin Transformer	图像	75个MRI扫描（来自54个受试者）
10137	2024-08-05	Few-Shot Learning for Medical Image Segmentation Using 3D U-Net and Model-Agnostic Meta-Learning (MAML) 2024-Jun-07, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14121213 PMID:38928629	研究论文	本文采用基于梯度的方法MAML进行医疗图像分割，利用较少的注释图像适应新任务	结合了少样本学习和增强的3D U-Net模型，以快速适应医疗图像分割任务	对于医疗图像的注释图像依然有限，可能影响适应新任务的效果	解决医疗图像分割任务中对注释图像数量要求高的问题	对肝脏、脾脏、右肾和左肾进行图像分割	计算机视觉	NA	MAML	增强的3D U-Net	图像	使用了少量注释图像进行四个任务
10138	2024-08-05	Computed Tomography Effective Dose and Image Quality in Deep Learning Image Reconstruction in Intensive Care Patients Compared to Iterative Algorithms 2024-Jun-07, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography10060069 PMID:38921946	研究论文	本研究比较了深度学习图像重建算法与迭代算法在重症监护病人中的CT有效剂量和图像质量。	通过使用深度学习图像重建算法，显著降低了CT有效剂量并提高了图像信噪比。	本研究仅在单一医院的患者中进行，样本数量相对较小。	评估深度学习图像重建算法在重症监护病人中对CT剂量和图像质量的影响。	重症监护病房的患者，接受了至少两次连续的胸部和/或腹部对比增强CT扫描。	医学影像学	NA	深度学习图像重建 (DLIR)	卷积神经网络 (CNN)	CT图像	83名患者
10139	2024-08-05	Artificial Intelligence-Powered Imaging Biomarker Based on Mammography for Breast Cancer Risk Prediction 2024-Jun-07, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14121212 PMID:38928628	研究论文	本研究旨在开发基于乳腺 X 光影像的人工智能模型，用于预测未来乳腺癌风险	提出了一种新型的深度学习 AI 模型，相较于传统临床统计风险模型具有显著更高的预测精度	缺乏不同种族和地理区域的多样性样本，可能影响模型的普适性	研究乳腺癌风险预测领域的人工智能应用	使用来自 21,438 名女性的 36,995 个连续乳腺影像数据进行模型训练和验证	数字病理学	乳腺癌	深度学习	深度学习模型	影像	总共 36,995 个乳腺影像数据，来自 21,438 名女性
10140	2024-08-05	A Deep Learning Approach to Automatic Tooth Caries Segmentation in Panoramic Radiographs of Children in Primary Dentition, Mixed Dentition, and Permanent Dentition 2024-Jun-05, Children (Basel, Switzerland) DOI:10.3390/children11060690 PMID:38929269	研究论文	本研究评估了针对儿童不同牙齿发育阶段全景放射影像的龋齿分割效果	采用深度学习方法开发的人工智能模型用于龋齿的自动分割	研究并未提及模型在成人牙齿或其他类型放射影像中的表现	探讨龋齿在儿童全景放射影像上的自动分割效果	包含6075张4至14岁儿童的全景放射影像	数字病理学	龋齿	深度学习	U-Net	影像	6075张全景放射影像（分别来自1857张初生牙、1406张混合牙和2812张恒牙）