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
381	2024-08-07	Artificial Intelligence (AI) for Early Diagnosis of Retinal Diseases 2024-Mar-23, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina60040527 PMID:38674173	综述	本文全面概述了人工智能（AI）在各种视网膜疾病中的应用，强调其提高筛查效率、促进早期诊断和改善患者结果的潜力	本文介绍了AI在视网膜疾病中的具体应用，如糖尿病视网膜病变（DR）、年龄相关性黄斑变性（AMD）等，并强调了AI驱动解决方案在处理视网膜疾病复杂性和变异性中的重要性	本文讨论了AI在临床实践中整合的挑战和缺陷，包括“黑箱现象”、数据表示中的偏见以及全面患者评估的局限性	旨在探讨AI在视网膜疾病诊断和管理中的应用，以及其在医疗保健中的协同作用	研究对象包括多种视网膜疾病，如糖尿病视网膜病变、年龄相关性黄斑变性等	计算机视觉	视网膜疾病	机器学习（ML）和深度学习（DL）	多种AI模型	图像	NA
382	2024-08-07	Rethinking automatic segmentation of gross target volume from a decoupling perspective 2024-03, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2023.102323 PMID:38171254	研究论文	本文提出了一种异构级联框架（HCF），从解耦的角度将大目标体积（GTV）分割分解为独立的识别和分割子任务，以提高癌症放射治疗计划中GTV分割的准确性和可靠性。	设计了一个多级空间对齐网络（SANet）和组合正则化（CR）损失及平衡采样策略（BSS），以改善特征提取和解决像素不平衡问题。	NA	提高自动GTV分割的性能，特别是在减少假阳性和准确分割小物体方面。	大目标体积（GTV）在癌症放射治疗中的自动分割。	计算机视觉	NA	深度学习	CNN	图像	在StructSeg2019挑战的两个公共数据集上进行了广泛实验。
383	2024-08-07	MicroSegNet: A deep learning approach for prostate segmentation on micro-ultrasound images 2024-03, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2024.102326 PMID:38211358	研究论文	本文介绍了一种名为MicroSegNet的深度学习方法，用于在微超声图像上进行前列腺分割	提出了一个多尺度注释引导的transformer UNet模型，并引入了一种注释引导的二元交叉熵损失（AG-BCE），该损失在训练过程中对难以分割的区域赋予更大的权重	NA	开发一种新的深度学习模型，以提高微超声图像中前列腺分割的准确性	前列腺在微超声图像中的分割	计算机视觉	前列腺癌	微超声（micro-US）	transformer UNet	图像	使用了来自55名患者的微超声图像进行训练，并在20名患者的数据上进行评估
384	2024-08-07	NanoBERTa-ASP: predicting nanobody paratope based on a pretrained RoBERTa model 2024-Mar-21, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-024-05750-5 PMID:38515052	研究论文	本文介绍了一种名为NanoBERTa-ASP的新型纳米抗体预测模型，专门用于预测纳米抗体-抗原结合位点	该模型基于先进的自然语言处理模型BERT，采用RoBERTa方法学习纳米抗体序列的上下文信息，以准确预测其结合位点	现有的预测模型可能不适用于纳米抗体，且纳米抗体数据集的有限性对构建准确模型构成挑战	开发一种适用于纳米抗体的预测模型，以提高抗体工程、药物开发和免疫治疗的准确性	纳米抗体的结合位点预测	自然语言处理	NA	RoBERTa	BERT	序列数据	NA
385	2024-08-07	Slideflow: deep learning for digital histopathology with real-time whole-slide visualization 2024-Mar-27, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-024-05758-x PMID:38539070	研究论文	本文介绍了一个名为Slideflow的灵活深度学习库，用于数字病理学，支持多种深度学习方法，并包含一个快速的全切片接口用于部署训练好的模型	Slideflow提供了独特的工具，如全切片图像数据处理、高效的染色标准化和增强、弱监督的全切片分类、不确定性量化、特征生成、特征空间分析和可解释性	NA	开发一个灵活的深度学习库，用于数字病理学，支持多种深度学习方法，并提供一个快速的全切片接口	数字病理学中的全切片图像分析	数字病理学	NA	深度学习	CNN	图像	NA