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
61	2024-12-20	Moving Beyond Simulation: Data-Driven Quantitative Photoacoustic Imaging Using Tissue-Mimicking Phantoms 2024-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3331198 PMID:37938947	研究论文	本文介绍了一种使用组织模拟幻影数据进行数据驱动的定量光声成像方法	首次引入实验上经过良好表征的成像幻影及其数字双胞胎，通过在实验数据上训练U-Net模型，实现了对吸收系数的像素级估计	绝对定量误差仍然较高，需要进一步改进	旨在通过数据驱动的深度学习方法，克服光声成像中模拟与实验之间的领域差距，实现对光学吸收系数的准确测量	组织模拟幻影数据及其数字双胞胎，以及小鼠模型	计算机视觉	NA	光声成像	U-Net	图像	实验上经过良好表征的成像幻影数据集
62	2024-12-19	CRMEFNet: A coupled refinement, multiscale exploration and fusion network for medical image segmentation 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108202 PMID:38402839	研究论文	本文提出了一种名为CRMEFNet的耦合优化、多尺度探索和融合网络，用于医学图像分割	CRMEFNet包含三个主要创新：耦合优化模块（CRM）、多尺度探索和融合模块（MEFM）以及级联渐进解码器（CPD），通过优化和融合多尺度特征来解决现有方法在多层次特征表示和复杂纹理像素识别方面的局限性	NA	提高医学图像分割任务的准确性，特别是在病变区域的分割上	医学图像中的目标区域，如病变	计算机视觉	NA	深度学习	CNN	图像	五个医学图像分割任务，十个数据集
63	2024-12-19	U-PASS: An uncertainty-guided deep learning pipeline for automated sleep staging 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108205 PMID:38401452	研究论文	本文介绍了一种名为U-PASS的不确定性引导深度学习管道，用于自动睡眠分期，并展示了其在临床数据上的显著性能提升	U-PASS在每个阶段都集成了不确定性估计，通过优化训练数据集、寻求领域专家反馈以及将最不确定的样本交由专家处理，显著提高了模型的准确性	NA	开发一种能够有效估计不确定性并提高机器学习系统在临床应用中可靠性的方法	睡眠分期任务，特别是老年睡眠呼吸暂停患者的睡眠数据	机器学习	NA	深度学习	NA	睡眠数据	老年睡眠呼吸暂停患者的临床数据
64	2024-12-19	Weakly supervised learning for multi-class medical image segmentation via feature decomposition 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108228 PMID:38422964	研究论文	本文提出了一种基于特征分解的弱监督学习方法，用于多类别医学图像分割	本文的创新点在于提出了一种基于语义亲和力的特征分解模块，通过最大化类间特征距离来学习类无关和类相关的特征，并结合交叉引导损失和互斥损失来解决标签共生和位置邻接问题	本文的局限性在于实验仅在三个数据集上进行了验证，未来需要更多数据集和实际应用场景的验证	本文的研究目的是解决多类别医学图像分割中的弱监督学习问题	本文的研究对象是多类别医学图像的分割	计算机视觉	NA	弱监督学习	多层次分类网络	图像	三个数据集
65	2024-12-19	Neighborhood evaluator for efficient super-resolution reconstruction of 2D medical images 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108212 PMID:38422967	研究论文	本文提出了一种高效的邻域评估器，用于在任意分辨率下重建2D医学图像的超分辨率	本文提出了一种新的超分辨率策略，通过邻域评估器控制网络深度，显著减少了参数数量和计算工作量，并在多个尺度上实现了高效的重建	NA	开发一种高效的超分辨率算法，满足医学图像在任意分辨率和高效率应用中的需求	2D医学图像的超分辨率重建	计算机视觉	NA	深度学习	邻域评估器	图像	全景放射图像和两个外部公共数据集
66	2024-12-19	LumVertCancNet: A novel 3D lumbar vertebral body cancellous bone location and segmentation method based on hybrid Swin-transformer 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108237 PMID:38422966	研究论文	提出了一种基于混合Swin-transformer的新型3D腰椎椎体松质骨定位与分割方法	提出了一个两阶段的粗到细解决方案，结合了Swin-transformer和CNN的优势，并引入了新的LumAnatomy损失函数和多尺度注意力特征融合模块（MSA-FFM）	需要大量的标注数据，且算法复杂度较高	解决腰椎椎体松质骨的自动定位与分割问题，以辅助医学诊断和骨强度的人群分析	腰椎椎体松质骨的定位与分割	计算机视觉	NA	Swin-transformer, CNN	混合模型	图像	185个CT扫描数据
67	2024-12-19	Unsupervised domain adaptation for histopathology image segmentation with incomplete labels 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108226 PMID:38428096	研究论文	本文提出了一种基于不完全标签的无监督域适应方法，用于组织病理学图像分割	本文提出了一种新的场景，即基于不完全标签的无监督域适应分割任务，并设计了SASN-IL网络，通过自适应染色调制模块提高模型在目标域上的分割性能	本文仅在一个胃癌数据集上进行了验证，未来需要在更多不同类型的数据集上进行测试	提高深度学习算法在组织病理学图像分割中的泛化能力	组织病理学图像的分割	数字病理学	胃癌	无监督域适应	SASN-IL	图像	一个胃癌数据集
68	2024-12-19	ECPC-IDS: A benchmark endometrial cancer PET/CT image dataset for evaluation of semantic segmentation and detection of hypermetabolic regions 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108217 PMID:38430743	研究论文	本文发布了一个公开的子宫内膜癌PET/CT图像数据集ECPC-IDS，用于评估语义分割和检测高代谢区域	首次公开了一个包含大量多模态图像的子宫内膜癌数据集，为计算机辅助诊断提供了新的研究资源	NA	发布一个公开的子宫内膜癌PET/CT图像数据集，以促进计算机辅助诊断技术的发展	子宫内膜癌的PET/CT图像	计算机视觉	子宫内膜癌	深度学习	语义分割和目标检测模型	图像	分割部分包含7159张PET和CT图像，目标检测部分包含3579张PET和CT图像及XML标注文件
69	2024-12-19	scAuto as a comprehensive framework for single-cell chromatin accessibility data analysis 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108230 PMID:38442554	研究论文	本文开发了一个名为scAuto的预训练深度学习框架，用于单细胞染色质可及性数据的分析，并提供了一个用户友好的在线分析工具	scAuto通过预训练和微调的方法，学习DNA序列的通用语法，并将其应用于单细胞染色质可及性分析任务，提供了一个全面的分析框架和交互式网络服务器	NA	开发一个全面的单细胞染色质可及性数据分析框架，并提供用户友好的在线分析工具	单细胞染色质可及性数据	机器学习	NA	深度学习	Transformer	文本	Buenrostro2018数据集
70	2024-12-19	CODENET: A deep learning model for COVID-19 detection 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108229 PMID:38447500	研究论文	本文提出了一种基于深度学习的新模型CODENET，用于通过胸部X光片进行COVID-19的自动诊断	该研究引入了对比学习技术，以充分利用潜在图像数据，增强模型在不同数据域中的特征提取能力和泛化能力	NA	开发一种准确且实用的自动诊断框架，用于COVID-19的检测，并提供良好的可解释性	COVID-19的自动诊断	计算机视觉	COVID-19	对比学习	CNN	图像	NA
71	2024-12-18	Artificial intelligence image-based prediction models in IBD exhibit high risk of bias: A systematic review 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108093 PMID:38354499	综述	本文系统回顾了基于人工智能的炎症性肠病（IBD）图像预测模型的方法学质量和偏倚风险	本文首次系统评估了基于人工智能的IBD图像预测模型的偏倚风险	本文仅限于使用常规影像数据的英文发表研究，未涵盖所有可能的数据来源和语言	评估机器学习和深度学习在IBD图像预测研究中的方法学质量和偏倚风险	基于人工智能的IBD图像预测模型	机器学习	炎症性肠病	NA	机器学习模型和深度学习模型	图像	40项研究，其中39项开发了诊断模型，7项使用机器学习方法，33项使用深度学习方法
72	2024-12-18	Identification of autism spectrum disorder based on electroencephalography: A systematic review 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108075 PMID:38301514	综述	本文系统回顾了基于脑电图（EEG）的孤独症谱系障碍（ASD）识别方法，包括传统机器学习和深度学习技术	本文综合了基于EEG的ASD识别方法，并探讨了传统机器学习和深度学习技术的优缺点	本文未提供新的研究数据或方法，而是对现有研究进行了综述	旨在促进基于EEG信号的自动化ASD识别方法的发展	孤独症谱系障碍（ASD）儿童的脑电图数据	机器学习	孤独症谱系障碍	脑电图（EEG）	传统机器学习方法和深度学习方法	脑电图数据	NA
73	2024-12-18	TBACkp: HER2 expression status classification network focusing on intrinsic subenvironmental characteristics of breast cancer liver metastases 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108002 PMID:38277921	研究论文	本文提出了一种基于AI的诊断模型TBACkp，用于快速诊断乳腺癌肝转移患者的HER2表达状态	该模型采用并行结构，包含Branch Block和Trunk Block，结合了CNN和自注意力机制，能够更细致和全面地提取图像特征	NA	开发一种非侵入性方法，用于快速诊断乳腺癌肝转移患者的HER2表达状态	乳腺癌肝转移患者的HER2表达状态	计算机视觉	乳腺癌	NA	CNN	图像	151名乳腺癌肝转移患者的增强腹部CT图像
74	2024-12-18	CLCLSA: Cross-omics linked embedding with contrastive learning and self attention for integration with incomplete multi-omics data 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108058 PMID:38295477	研究论文	本文提出了一种名为CLCLSA的深度学习方法，用于整合不完整的多组学数据	该方法结合了对比学习和自注意力机制，通过跨组学的统一嵌入来处理不完整的多组学数据	实验仅在四个公开的多组学数据集上进行，可能需要更多数据集验证其泛化能力	开发一种能够有效整合不完整多组学数据的方法，以更好地理解复杂遗传疾病的病因	多组学数据，包括但不限于基因组学、转录组学、蛋白质组学等	机器学习	NA	对比学习，自注意力机制	自编码器，Softmax分类器	多组学数据	四个公开的多组学数据集
75	2024-12-18	Parkinson's severity diagnosis explainable model based on 3D multi-head attention residual network 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.107959 PMID:38215619	研究论文	本文提出了一种基于3D多头注意力残差网络的可解释模型，用于帕金森病严重程度的评估	创新点在于引入了3D注意力卷积层和特征压缩模块，并设计了可解释性实验，使模型更具通用性和可解释性	NA	提出一种更通用的帕金森病严重程度评估模型	帕金森病的严重程度评估	计算机视觉	帕金森病	3D多头注意力残差网络	3D多头注意力残差网络	视频	NA
76	2024-12-18	Pre-Processing techniques and artificial intelligence algorithms for electrocardiogram (ECG) signals analysis: A comprehensive review 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2023.107908 PMID:38217973	综述	本文综述了过去十年中使用人工智能方法对心电图（ECG）信号进行分析的研究进展	本文介绍了使用卷积神经网络和混合模型在ECG分析中的高效性，并展示了Transformer模型将准确率从90%提升至98%的创新应用	本文提到的数据增强和基于提取与连接的方法仍需进一步关注和改进	回顾和总结过去十年中使用人工智能方法对心电图信号进行分析的研究进展	心电图（ECG）信号的分析方法和数据来源	机器学习	心血管疾病	机器学习（ML）、深度学习（DL）、卷积神经网络（CNN）、Transformer模型	卷积神经网络（CNN）、递归模型、Transformer模型、混合模型	心电图信号	使用了包括MIT-BIH、PTB等流行基准数据库以及可穿戴设备采集的数据
77	2024-12-18	Deep learning for unsupervised domain adaptation in medical imaging: Recent advancements and future perspectives 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2023.107912 PMID:38219643	综述	本文从技术角度全面回顾了医学影像中深度无监督域适应（UDA）的最新进展，并讨论了未来的研究方向	本文提出了对医学影像中UDA研究的全面分类，并探讨了新兴领域和未来研究方向	本文主要集中在技术层面的回顾，未深入探讨实际应用中的挑战	探讨医学影像中深度无监督域适应的最新进展和未来研究方向	医学影像中的无监督域适应技术	计算机视觉	NA	深度学习	NA	图像	NA
78	2024-12-18	TSCA-Net: Transformer based spatial-channel attention segmentation network for medical images 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.107938 PMID:38219644	研究论文	本文提出了一种基于Transformer的空间-通道注意力分割网络TSCA-Net，用于医学图像分割	该方法结合了CNN和Transformer的优点，通过空间和通道注意力模块提取全局互补信息，并设计了空间和通道特征融合块以更好地融合信息	未提及具体的局限性	提高医学图像分割的性能	医学图像中的目标定位和分割	计算机视觉	NA	Transformer	CNN	图像	五个公开的医学图像数据集，包括不同模态的数据
79	2024-12-18	SG-MIAN: Self-guided multiple information aggregation network for image-level weakly supervised skin lesion segmentation 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.107988 PMID:38232452	研究论文	提出了一种自引导多信息聚合网络（SG-MIAN），用于基于图像级标签的弱监督皮肤病变分割	创新点在于提出了自引导多信息聚合网络（SG-MIAN），利用多空间感知器（MSP）和辅助激活结构（AAS）以及两个辅助损失函数，实现了更精确的病变区域定位和边界激活	文章未提及具体的局限性	旨在减少像素级标注的成本，实现基于图像级标签的皮肤病变分割	皮肤病变区域的分割	计算机视觉	皮肤疾病	深度学习	自引导多信息聚合网络（SG-MIAN）	图像	使用了HAM10000数据集和PH数据集
80	2024-12-18	HoLy-Net: Segmentation of histological images of diffuse large B-cell lymphoma 2024-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.107978 PMID:38237235	研究论文	本文提出了一种用于弥漫性大B细胞淋巴瘤（DLBCL）组织学图像分割的深度学习模型HoLy-Net	HoLy-Net是基于HoVer-Net的深度学习模型，专门用于DLBCL图像的分割，能够处理H&E染色和免疫组化（IHC）染色的图像，并提供了一个新的数据集LyNSeC，包含大量注释的细胞核	NA	开发一种能够自动分割弥漫性大B细胞淋巴瘤（DLBCL）组织学图像的方法，并提供新的数据集以支持大规模的定量研究	弥漫性大B细胞淋巴瘤（DLBCL）的组织学图像	数字病理学	淋巴瘤	深度学习	HoLy-Net（基于HoVer-Net）	图像	73,931个H&E染色的细胞核和87,316个IHC染色的细胞核