深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
301	2024-08-07	Fully automatic mpMRI analysis using deep learning predicts peritumoral glioblastoma infiltration and subsequent recurrence 2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3001752 PMID:38742150	研究论文	本研究提出了一种利用深度学习进行全自动多参数磁共振成像（mpMRI）分析的方法，用于预测胶质母细胞瘤（GBM）的肿瘤浸润和复发	本研究创新性地结合了全自动方法生成感兴趣区域（ROIs）与深度学习算法，创建肿瘤浸润的预测图，避免了传统方法对专家绘制的ROIs的依赖	NA	开发一种全自动的mpMRI分析方法，以早期准确检测胶质母细胞瘤的肿瘤浸润	胶质母细胞瘤（GBM）患者的肿瘤浸润和复发	机器学习	脑肿瘤	多参数磁共振成像（mpMRI）	卷积神经网络（CNN）	图像	使用了多个mpMRI扫描序列（T1、T1Gd、T2、T2-FLAIR和ADC）进行训练和验证	NA	NA	NA	NA
302	2024-08-07	Deep learning based synthesis of MRI, CT and PET: Review and analysis 2024-Feb, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.103046 PMID:38052145	综述	本文综述了2018年至2023年间基于深度学习的医学图像合成技术，包括伪CT、合成MR和合成PET，并分析了各种合成方法的模型设计和网络架构	深度学习在合成图像对比度应用中表现出优于传统图像合成方法的性能，特别是引入了Transformer和Diffusion模型等新型网络架构	文章讨论了在医学图像合成中存在的挑战，并提出了可能的解决方案和未来研究方向	旨在克服获取多种图像模态以实现准确临床工作流程的挑战	医学图像合成技术，包括伪CT、合成MR和合成PET	计算机视觉	NA	深度学习	CNN, Transformer, Diffusion模型	图像	NA	NA	NA	NA	NA
303	2024-08-07	An Ensemble Learning Method for Detection of Head and Neck Squamous Cell Carcinoma Using Polarized Hyperspectral Microscopic Imaging 2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3007869 PMID:38711533	研究论文	本研究开发了一种基于偏振高光谱显微成像的集成学习方法，用于检测头颈部鳞状细胞癌	利用偏振高光谱显微成像技术和卷积神经网络构建了一种四分支模型架构，每个分支分别训练一个Stokes参数	未来的工作可以通过训练更多样化的数据、根据肿瘤分级进行分类以及引入更新的架构技术来改进结果	开发一种新的深度学习分类方法，用于检测头颈部鳞状细胞癌	头颈部鳞状细胞癌的病理切片	计算机视觉	头颈部鳞状细胞癌	偏振高光谱显微成像	CNN	图像	56名患者	NA	NA	NA	NA
304	2024-08-07	Local and global changes in cell density induce reorganisation of 3D packing in a proliferating epithelium 2024-Feb-08, bioRxiv : the preprint server for biology DOI:10.1101/2024.02.08.579268 PMID:38370815	研究论文	本文通过活体成像和基于深度学习的分割技术，研究了海星胚胎中细胞密度、组织紧缩和细胞增殖对上皮组织结构的影响	首次详细探讨了细胞密度变化对3D上皮组织重排的影响，并提出了增殖过程中细胞重排的机制	研究主要集中在海星胚胎，可能不完全适用于其他生物或组织类型	探讨细胞密度变化如何影响3D上皮组织的重排	海星胚胎中的上皮组织	生物物理学	NA	深度学习	NA	图像	海星胚胎	NA	NA	NA	NA