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
301	2024-08-07	Development and validation of a deep-learning model to predict 10-year atherosclerotic cardiovascular disease risk from retinal images using the UK Biobank and EyePACS 10K datasets 2024-Apr, Cardiovascular digital health journal IF:2.6Q2 DOI:10.1016/j.cvdhj.2023.12.004 PMID:38765618	研究论文	研究开发并验证了一种深度学习模型，用于从视网膜图像中预测10年动脉粥样硬化心血管疾病风险	首次使用视网膜图像结合有限的人口统计数据来预测个体的10年动脉粥样硬化心血管疾病风险	模型在不同种族和糖尿病患者中的表现存在差异	开发和验证一种深度学习模型，用于早期检测高风险个体并及时干预	动脉粥样硬化心血管疾病风险预测	机器学习	心血管疾病	深度学习	深度学习模型	图像	89,894张视网膜底片图像来自44,176名UK Biobank参与者，以及18,900张图像来自8969名EyePACS 10K数据集的糖尿病患者
302	2024-08-07	Binding Mechanism of Inhibitors to BRD4 and BRD9 Decoded by Multiple Independent Molecular Dynamics Simulations and Deep Learning 2024-Apr-19, Molecules (Basel, Switzerland) DOI:10.3390/molecules29081857 PMID:38675678	研究论文	本研究通过分子动力学模拟和深度学习技术，探究了三种抑制剂（H1B、JQ1和TVU）与BRD4和BRD9的结合机制	本研究首次整合分子动力学模拟、深度学习和结合自由能计算，揭示了抑制剂与BRD4和BRD9的结合模式，并识别了关键的功能域	NA	探究抑制剂与BRD4和BRD9的结合机制，为开发选择性抑制剂提供理论支持	BRD4和BRD9蛋白及其抑制剂H1B、JQ1和TVU	生物信息学	NA	分子动力学模拟（MD）、深度学习（DL）、结合自由能计算（MM-GBSA）	深度学习模型	分子动力学轨迹	三种抑制剂（H1B、JQ1和TVU）
303	2024-08-07	Corrigendum to: Development and Verification of Time-Series Deep Learning for Drug-Induced Liver Injury Detection in Patients Taking Angiotensin II Receptor Blockers: A Multicenter Distributed Research Network Approach 2024-Apr, Healthcare informatics research IF:2.3Q3 DOI:10.4258/hir.2024.30.2.168 PMID:38755108	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
304	2024-08-07	Computer-aided diagnostic system with automated deep learning method based on the AutoGluon framework improved the diagnostic accuracy of early esophageal cancer 2024-Apr-30, Journal of gastrointestinal oncology IF:2.0Q3 DOI:10.21037/jgo-24-158 PMID:38756633	研究论文	本文开发了一种基于AutoGluon框架的计算机辅助诊断系统，用于提高早期食管癌的内镜诊断准确性。	该研究首次将AutoGluon框架应用于内镜下早期食管癌的计算机辅助诊断，探索了自动深度学习在临床应用中的可行性。	尽管在某些任务中表现接近或超过初级医生，但高性能CAD模型在敏感性比较上仍与资深医生存在较大差距。	探索自动深度学习方法在临床应用中的可行性，提高早期食管癌的内镜诊断准确性。	正常食管、食管炎和早期食管癌的内镜图像。	计算机视觉	食管癌	深度学习	AutoGluon框架	图像	任务A：932张正常图像 vs. 1,092张病变图像；任务B：594张非癌病变图像 vs. 429张早期食管癌图像；任务C：505张非癌病变图像 vs. 824张早期食管癌图像。
305	2024-08-07	COVID-19 Hierarchical Classification Using a Deep Learning Multi-Modal 2024-Apr-20, Sensors (Basel, Switzerland) DOI:10.3390/s24082641 PMID:38676257	研究论文	本研究利用深度学习技术，通过胸部X光片和相关医疗数据，对COVID-19进行分层分类，以区分COVID-19与其他类型肺炎及正常肺部	本研究采用多模态数据和分层分类结构，结合早期融合技术和生成对抗网络(GAN)生成合成数据，提高了分类准确性	研究使用的是私有数据集，可能存在数据不平衡问题	旨在通过深度学习技术提高COVID-19的诊断准确性，并区分COVID-19与其他类型肺炎	COVID-19患者、其他类型肺炎患者及正常肺部	机器学习	COVID-19	深度学习	CNN	图像和表格数据	4523名患者
306	2024-08-07	A Review on the Use of Artificial Intelligence in Fracture Detection 2024-Apr, Cureus DOI:10.7759/cureus.58364 PMID:38756254	综述	本文综述了人工智能在骨折检测中的应用	介绍了深度学习技术，特别是卷积神经网络（CNNs）在医学影像中识别和分类骨折的应用	未提及具体限制	探讨深度学习方法在骨折检测和分类中的应用，以及人工智能与各种影像模式的集成	骨折检测和分类	计算机视觉	NA	深度学习	CNN	影像	未提及具体样本数量
307	2024-08-07	Predicting small molecules solubility on endpoint devices using deep ensemble neural networks 2024-Apr-17, Digital discovery IF:6.2Q1 DOI:10.1039/d3dd00217a PMID:38638648	研究论文	本文提出了一种在终端设备上使用深度集成神经网络预测小分子水溶性的方法	该方法通过在静态网站上运行深度学习模型，实现了无需服务器维护和安装的计算需求，同时提供了预测不确定性量化	NA	解决传统计算方法在预测小分子水溶性时计算时间长且精度低的问题，以及数据驱动方法缺乏不确定性量化和使用不便的问题	小分子的水溶性预测	机器学习	NA	深度学习	深度集成神经网络	分子数据	NA
308	2024-08-07	A novel deep learning technique for medical image analysis using improved optimizer 2024 Apr-Jun, Health informatics journal IF:2.2Q3 DOI:10.1177/14604582241255584 PMID:38755759	研究论文	本文探讨了在医学图像分析中使用改进优化器的卷积神经网络的应用	引入了新的优化技术梯度中心化（GC），并与先进的预处理技术Real ESRGAN和GFPGAN结合，提高了深度学习模型的执行时间和损失因子	现有的优化器如梯度下降、随机梯度下降等存在处理速度慢、内存需求大、计算成本高和死神经元问题	研究如何通过新的优化技术提高医学图像分析中深度学习模型的性能	医学图像的分类和分割	计算机视觉	NA	梯度中心化（GC）	CNN	图像	NA
309	2024-08-07	An Exaggeration? Reality?: Can ChatGPT Be Used in Neonatal Nursing? 2024 Apr-Jun 01, The Journal of perinatal & neonatal nursing IF:1.5Q2 DOI:10.1097/JPN.0000000000000826 PMID:38758263	研究论文	探讨ChatGPT在新生儿护理中的应用及其潜在影响	文章介绍了ChatGPT在新生儿护理领域的应用，特别是在疼痛评估、喂养过程和患者状态确定等方面的显著改进	需要对基础数据的准确性进行严格验证，并对缺乏科学依据的结果持怀疑态度	评估和探讨人工智能技术在新生儿护理中的应用潜力	ChatGPT在新生儿护理中的应用及其对护理质量的影响	自然语言处理	NA	自然语言处理	NA	文本	NA
310	2024-08-07	Three dimensional convolutional neural network-based automated detection of midline shift in traumatic brain injury cases from head computed tomography scans 2024 Apr-Jun, Journal of neurosciences in rural practice IF:0.8Q4 DOI:10.25259/JNRP_490_2023 PMID:38746523	研究论文	本研究开发了一种基于三维卷积神经网络的自动检测工具，用于从头部CT扫描中检测创伤性脑损伤病例中的中线移位	本研究首次使用三维卷积神经网络自动检测中线移位，为紧急医疗人员提供了一种前沿的解决方案	该模型的准确性和敏感性有待提高，目前的准确率为55%，敏感性为40%	确定自动检测工具在CT图像中检测创伤性脑损伤患者中线移位的准确性和预测价值	创伤性脑损伤病例的中线移位	机器学习	创伤性脑损伤	三维卷积神经网络	CNN	图像	176个头部CT扫描
311	2024-08-07	The Integration of Deep Learning in Radiotherapy: Exploring Challenges, Opportunities, and Future Directions through an Umbrella Review 2024-Apr-30, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090939 PMID:38732351	综述	本研究通过叙述性综述探讨了深度学习（DL）在放射治疗领域的变革性影响，特别是在COVID-19大流行加速发展的情况下。	研究强调了DL算法在优化治疗计划、图像分析和患者结果预测方面的革命性潜力。	研究指出需要进一步探索特定研究领域以解锁DL技术的全部能力。	探讨深度学习在放射治疗中的挑战、机遇和未来方向。	研究对象包括深度学习算法在放射治疗中的应用及其对患者护理和治疗策略的影响。	机器学习	NA	深度学习	NA	图像	NA
312	2024-08-07	Deep Learning-Based Classification and Semantic Segmentation of Lung Tuberculosis Lesions in Chest X-ray Images 2024-Apr-30, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090952 PMID:38732366	研究论文	本文提出了一种基于深度学习网络的方法，用于检测和语义分割胸部X光图像中的两种特定类型的肺结核病变	使用多种U-Net模型的增强版本和集成方法，以提高病变分类和分割的准确性	NA	开发一种辅助临床医生检查胸部X光图像中肺结核病变的诊断工具	胸部X光图像中的肺结核病变	计算机视觉	肺结核	深度学习	U-Net, Attention U-Net, U-Net++, Attention U-Net++, PSP Attention U-Net++	图像	110训练图像，14验证图像，98测试图像
313	2024-08-07	Analysis and Comparison of New-Born Calf Standing and Lying Time Based on Deep Learning 2024-Apr-29, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani14091324 PMID:38731328	research paper	本研究提出了一种基于深度学习的计算机视觉方法，用于非侵入性地监测新生牛犊的站立和躺卧行为	使用YOLOv8n模型进行行为检测，实现了高精度和快速推理	NA	旨在通过自动测量牛犊的站立和躺卧时间来了解其健康状况	新生牛犊的站立和躺卧行为	computer vision	NA	深度学习	YOLOv8n	视频	六头牛犊，连续六天
314	2024-08-07	A Multi-Stage Approach for Cardiovascular Risk Assessment from Retinal Images Using an Amalgamation of Deep Learning and Computer Vision Techniques 2024-Apr-29, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090928 PMID:38732342	研究论文	本文提出了一种利用深度学习和计算机视觉技术从视网膜图像中评估心血管风险的多阶段方法	该研究结合了手工特征和人工智能模型提取的视网膜血管模式，以提高心血管疾病风险预测的准确性和可靠性	未来的工作将集中在提高解决方案的稳健性，探索额外的风险因素，并在更多样化的临床环境中验证其性能	开发一种用于早期检测心血管疾病的预测模型，通过评估视网膜血管参数	视网膜图像和血管参数	计算机视觉	心血管疾病	深度学习	二元分类模型	图像	包含临床试验中的眼底图像和全面元数据的数据集
315	2024-08-07	Accurate categorization and rapid pathological diagnosis correction with Micro-Raman technique in human lung adenocarcinoma infiltration level 2024-Apr-29, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-24-168 PMID:38736487	研究论文	本研究探讨了使用微拉曼技术对人类肺腺癌浸润程度进行精确分类和快速病理诊断校正的方法	本研究采用了微拉曼技术结合卷积神经网络模型，提供了一种快速、精确且临床相关的分析方法，显著提高了诊断的准确性和一致性	NA	旨在开发和验证一种针对不同浸润程度的肺腺癌病理诊断的工作流程	人类肺腺癌样本	数字病理	肺腺癌	微拉曼技术	CNN	组织图像	具体样本数量未在摘要中提及
316	2024-08-07	Development and validation of a deep learning-based model to predict response and survival of T790M mutant non-small cell lung cancer patients in early clinical phase trials using electronic medical record and pharmacokinetic data 2024-Apr-29, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-23-737 PMID:38736496	研究论文	开发并验证了一种基于深度学习的模型，用于预测T790M突变型非小细胞肺癌患者在早期临床试验中的反应和生存率，使用电子病历和药代动力学数据	结合了混合专家模型（MoE）和Cox算法，能够预测疗效并细分EGFR突变型非小细胞肺癌患者的生存情况	NA	开发一种新的工具，补充EGFR基因型检测，以预测第三代EGFR-TKI治疗的疗效并细分EGFR突变患者的预后	T790M突变型非小细胞肺癌患者	机器学习	肺癌	深度学习	混合专家模型（MoE）和Cox算法	电子病历和药代动力学数据	326名T790M突变型非小细胞肺癌患者
317	2024-08-07	Innovative Machine Learning Strategies for Early Detection and Prevention of Pregnancy Loss: The Vitamin D Connection and Gestational Health 2024-Apr-28, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090920 PMID:38732334	研究论文	本研究利用机器学习技术提高早期妊娠丢失（EPL）的预测准确性，并区分正常妊娠与高风险妊娠	采用深度学习和多层感知器等先进机器学习模型，以及线性判别分析和二次判别分析算法，实现了高达98%的预测准确率	NA	提高早期妊娠丢失的预测准确性，改善妊娠健康结果	早期妊娠丢失及妊娠健康	机器学习	妊娠疾病	机器学习	深度学习, 多层感知器, 线性判别分析, 二次判别分析	数值数据	未明确提及具体样本数量
318	2024-08-07	Promoting Artificial Intelligence for Global Breast Cancer Risk Prediction and Screening in Adult Women: A Scoping Review 2024-Apr-25, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm13092525 PMID:38731054	综述	本文通过范围综述探讨了人工智能技术在乳腺癌风险预测和筛查中的应用及其面临的障碍	本文介绍了多种人工智能技术和模型在乳腺癌风险检测和预防中的应用	研究中存在缺乏外部效度和有限的可推广性，以及由于样本量小或数据缺失导致的偏倚问题	旨在识别在应用创新人工智能技术进行乳腺癌风险预测和促进筛查行为中遇到的障碍	成人女性乳腺癌风险预测和筛查	机器学习	乳腺癌	机器学习和深度学习模型	ML-DL模型	NA	研究中存在样本量小或数据缺失的问题
319	2024-08-07	New Horizons of Artificial Intelligence in Medicine and Surgery 2024-Apr-25, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm13092532 PMID:38731061	研究论文	本文探讨了人工智能在医学和外科领域的应用及其对医疗诊断、患者监测、个性化治疗和手术流程优化的影响	文章介绍了人工智能在医学和外科领域的新应用，如机器学习、深度学习、神经网络和计算机视觉等技术	文章提到人工智能的实施可能面临障碍，可能会减缓其应用速度	旨在预测并发症、减少诊断时间、诊断复杂病理、术中指导外科医生和减少医疗错误	人工智能在医学和外科领域的应用	机器学习	NA	机器学习, 深度学习, 神经网络, 计算机视觉	神经网络	数据库	NA
320	2024-08-07	The Detection of Pulp Stones with Automatic Deep Learning in Panoramic Radiographies: An AI Pilot Study 2024-Apr-24, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090890 PMID:38732305	研究论文	本研究旨在评估使用深度学习方法在全景影像中自动检测牙髓石的有效性	利用YOLOv5架构进行人工智能建模，在全景放射图像中通过数值识别检测牙髓石取得了显著成功	预期通过使用包含更多图像的数据集来提高训练模型的成功率	评估深度学习方法在全景影像中自动检测牙髓石的效果	牙髓石的自动检测	计算机视觉	NA	深度学习	YOLOv5	图像	2409张全景放射图像，包含7564个标签