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
341	2024-08-05	Using word evolution to predict drug repurposing 2024-Apr-30, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02496-1 PMID:38689287	研究论文	该研究使用词语演变的方法来预测药物再利用。	提出了一种基于词语演变的替代方法，以识别适合再利用的药物	不同模型的性能可能与训练数据的数量相关	探讨通过词语语境变化来识别适合再利用的药物的可能性	临床药物及其再利用	自然语言处理	NA	深度学习分类	NA	文本	使用从MEDLINE中按两个月时间间隔顺序排列的出版物构建的词嵌入
342	2024-08-05	Enhancing skin lesion classification with advanced deep learning ensemble models: a path towards accurate medical diagnostics 2024-04, Current problems in cancer IF:2.5Q3 DOI:10.1016/j.currproblcancer.2024.101077 PMID:38480028	研究论文	本研究开发了一种基于先进深度学习的皮肤病变分类方法，旨在提高准确性	研究采用了多种深度神经网络模型的集成技术，显著提高了皮肤病变分类的准确性	数据可用性有限，分类不平衡以及噪声问题仍然存在	研究旨在开发准确的皮肤病变分类方法以改善生存率	研究对象为来自HAM10000和ISIC数据集的多样化皮肤病变图像	数字病理学	皮肤癌	图像修复、数据增强、SGD优化	ResNeXt101、SeResNeXt101、ResNet152V2、DenseNet201、GoogLeNet、Xception	图像	HAM10000和ISIC数据集中多样化的皮肤病变图像
343	2024-08-07	DEMIST: A Deep-Learning-Based Detection-Task-Specific Denoising Approach for Myocardial Perfusion SPECT 2024-Apr, IEEE transactions on radiation and plasma medical sciences IF:4.6Q1 DOI:10.1109/trpms.2024.3379215 PMID:38766558	研究论文	本文提出了一种基于深度学习的特定检测任务去噪方法DEMIST，用于改善心肌灌注SPECT图像的观察者性能	DEMIST方法在去噪的同时保留了影响观察者检测任务性能的特征，显著提高了接收者操作特征曲线下的面积（AUC）	需要进一步的临床评估来验证DEMIST在低计数图像中的应用效果	开发一种能够提高低剂量心肌灌注SPECT图像检测性能的去噪方法	心肌灌注SPECT图像	计算机视觉	心血管疾病	深度学习	NA	图像	338名接受MPI研究的患者
344	2024-08-07	[A survey on the application of convolutional neural networks in the diagnosis of occupational pneumoconiosis] 2024-Apr-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202309079 PMID:38686425	综述	本文综述了卷积神经网络（CNN）在职业性尘肺病影像诊断中的应用	探讨了CNN在尘肺病筛查诊断、分期诊断及病灶分割中的方法和优化思路	未提及具体的研究局限	总结CNN在尘肺病图像应用中的方法、优缺点及优化思路，为计算机辅助尘肺病诊断的进一步研究提供参考	职业性尘肺病的影像诊断	计算机视觉	职业病	卷积神经网络（CNN）	CNN（包括VGG、U-Net、ResNet、DenseNet、CheXNet、Inception-V3和ShuffleNet）	图像	NA
345	2024-08-07	Revolutionizing protein-protein interaction prediction with deep learning 2024-04, Current opinion in structural biology IF:6.1Q1 DOI:10.1016/j.sbi.2024.102775 PMID:38330793	综述	本文综述了利用深度学习方法预测蛋白质相互作用的最新进展	结合大量基因组序列数据，深度学习方法在预测蛋白质结构和建模蛋白质复合体方面达到了与实验技术相当的水平	本文未提及具体限制	探讨蛋白质相互作用预测的计算方法及其在生物医学中的应用	蛋白质相互作用及其在生物过程中的作用	机器学习	NA	深度学习	NA	基因组序列数据	NA
346	2024-08-07	Deep learning in modeling protein complex structures: From contact prediction to end-to-end approaches 2024-04, Current opinion in structural biology IF:6.1Q1 DOI:10.1016/j.sbi.2024.102789 PMID:38402744	综述	本文综述了基于深度学习的蛋白质-蛋白质复合体结构建模方法的最新进展，包括通过蛋白质间接触预测和端到端方法的应用	深度学习在单体蛋白质结构预测中取得成功后，被广泛应用于蛋白质-蛋白质复合体结构的建模	文章讨论了应用深度学习预测蛋白质复合体结构面临的挑战和可能的未来方向	探讨深度学习在蛋白质-蛋白质复合体结构预测中的应用	蛋白质-蛋白质复合体结构	机器学习	NA	深度学习	NA	蛋白质结构数据	NA
347	2024-08-07	Lesion segmentation using 3D scan and deep learning for the evaluation of facial portwine stain birthmarks 2024-Apr, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2024.104030 PMID:38423233	研究论文	本文研究了使用3D扫描和深度学习技术对面部葡萄酒色斑胎记进行病变分割和面积量化的方法	开发了一种改进的DeepLabV3+网络，引入了卷积块注意力模块（CBAM）和DENSE，并在Ranger优化器下进行训练，以提高病变区域的精确提取	NA	评估3D扫描与深度学习结合在自动化葡萄酒色斑面积量化中的应用	面部葡萄酒色斑胎记的病变分割和面积量化	计算机视觉	NA	3D扫描	DeepLabV3+	3D图像	29.26-45.82 cm²的葡萄酒色斑样本
348	2024-08-07	From Pixels to Prognosis: A Narrative Review on Artificial Intelligence's Pioneering Role in Colorectal Carcinoma Histopathology 2024-Apr, Cureus DOI:10.7759/cureus.59171 PMID:38807833	综述	本文综述了人工智能在结直肠癌组织病理学中的开创性作用，包括其发展、技术和进展	人工智能算法，特别是机器学习和深度学习，革新了图像分析，有助于准确诊断和预后预测	挑战包括数据质量、可解释性和整合	探讨人工智能在结直肠癌组织病理学中的应用及其对未来肿瘤学研究和临床实践的影响	结直肠癌的组织病理学评估	数字病理学	结直肠癌	机器学习、深度学习	NA	图像	NA
349	2024-08-07	Deep Learning-Based Detection of Glottis Segmentation Failures 2024-Apr-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050443 PMID:38790311	研究论文	本文提出了一种基于深度学习的方法，用于检测喉头分割失败的情况	首次采用深度学习方法自动检测喉头分割失败，并引入了知识驱动的扰动过程和定制损失函数	NA	提高医学图像分割在临床应用中的准确性	喉头分割失败的情况	计算机视觉	NA	深度学习	ResNet18	视频	使用了三个公共数据集，并通过数据增强和扰动过程生成故障分割数据
350	2024-08-07	The Use of Generative Adversarial Network and Graph Convolution Network for Neuroimaging-Based Diagnostic Classification 2024-Apr-30, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci14050456 PMID:38790434	研究论文	本文探讨了使用生成对抗网络（GAN）和图卷积网络（GCN）进行基于神经影像的功能连接（FC）数据分类诊断	提出使用GCN来揭示脑网络数据的复杂结构，并利用GAN生成合成图像以解决数据稀缺和患者隐私问题	仍有改进空间，特别是在疾病预测和诊断方面	验证GAN和GCN模型在不同数据集上的泛化能力和分类准确性	功能连接（FC）数据和神经影像数据	机器学习	NA	生成对抗网络（GAN），图卷积网络（GCN）	生成对抗网络（GAN），图卷积网络（GCN）	图像	涉及多个公共数据集（ADHD, ABIDE-II, ADNI）和内部数据集（PTSD）
351	2024-08-07	Synergizing Deep Learning-Enabled Preprocessing and Human-AI Integration for Efficient Automatic Ground Truth Generation 2024-Apr-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050434 PMID:38790302	研究论文	本文提出了一种结合深度学习预处理和人类-AI整合的新策略，用于高效生成高分辨率全切片显微图像的自动感兴趣区域（ROI）地面实况标注	引入了一种基于深度学习的预处理算法，用于将未知样本归一化到训练集分布，从而有效缓解过拟合问题，并显著增加了自动地面实况标注的数量	NA	旨在解决医学图像解释领域中，由于生成地面实况的高成本和时间消耗以及图像质量不一致性导致的深度学习进展受阻问题	高分辨率全切片显微图像	数字病理学	NA	深度学习	NA	图像	未标注数据集的自动标签接受率为92%，标注数据集扩展了845%
352	2024-08-07	Research on Fatigue Driving Detection Technology Based on CA-ACGAN 2024-Apr-27, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci14050436 PMID:38790415	研究论文	本研究提出了一种基于条件生成对抗网络与分类头结合卷积和注意力机制（CA-ACGAN）的疲劳驾驶检测技术，通过分析脑电图（EEG）信号来精确识别疲劳驾驶状态	本研究引入了CA-ACGAN框架，结合注意力机制、瓶颈残差块和Transformer元素，显著改进了EEG信号的处理，并通过生成高质量合成数据解决了真实数据稀缺的问题	NA	提高道路安全，通过先进的疲劳监测方法减少驾驶疲劳带来的交通风险	疲劳驾驶状态的识别	机器学习	NA	EEG信号分析	CA-ACGAN	脑电图（EEG）信号	使用SEED-VIG公共数据集进行实验
353	2024-08-07	A Novel Mis-Seg-Focus Loss Function Based on a Two-Stage nnU-Net Framework for Accurate Brain Tissue Segmentation 2024-Apr-26, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050427 PMID:38790294	research paper	本文提出了一种基于两阶段nnU-Net框架的新型误分割聚焦损失函数，用于提高脑组织分割的准确性	本文创新性地提出了一种两阶段nnU-Net框架，通过全局损失函数识别误分割区域，并使用误分割损失函数自适应调整模型，以更好地处理模糊边界和重叠的解剖结构	NA	提高脑组织分割的准确性	脑组织分割	computer vision	NA	NA	nnU-Net	image	两个数据集
354	2024-08-07	Cancerous and Non-Cancerous MRI Classification Using Dual DCNN Approach 2024-Apr-23, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050410 PMID:38790279	研究论文	本研究提出了一种双深度卷积神经网络（DCNN）模型，用于准确分类癌症和非癌症的MRI样本	本研究引入了双DCNN模型，结合inceptionV3和denseNet121两个深度学习模型，通过全局最大池化层提取特征，并使用五个全连接层进行训练，以提高分类准确性	NA	开发一种高效的系统，用于通过医学影像特别是MRI分析大量医疗数据，以实现早期肿瘤检测	癌症和非癌症的MRI样本	计算机视觉	脑癌	深度学习（DL），深度卷积神经网络（DCNN）	双DCNN模型，包括inceptionV3和denseNet121	MRI图像	NA
355	2024-08-07	DepthCrackNet: A Deep Learning Model for Automatic Pavement Crack Detection 2024-Apr-26, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10050100 PMID:38786555	研究论文	本文提出了一种名为DepthCrackNet的深度学习模型，用于自动检测路面裂缝	模型采用了Double Convolution Encoder进行特征提取，并结合TriInput Multi-Head Spatial Attention和Spatial Depth Enhancer模块增强特征提取能力	NA	提高路面裂缝检测的自动化水平，确保道路安全	路面裂缝	计算机视觉	NA	深度学习	U-Net	图像	使用了两个公开裂缝数据集：Crack500和DeepCrack
356	2024-08-07	Crude Oil Prices Forecast Based on Mixed-Frequency Deep Learning Approach and Intelligent Optimization Algorithm 2024-Apr-24, Entropy (Basel, Switzerland) DOI:10.3390/e26050358 PMID:38785607	研究论文	本文提出了一种新的混合模型KV-MFSCBA-G，结合了混合频率卷积神经网络-双向长短期记忆网络-注意力机制（MFCBA）和广义自回归条件异方差（GARCH）模型，用于精确预测原油价格	该模型通过分解-集成范式，利用深度学习网络拟合非线性特征和传统计量经济模型捕捉波动性，并引入了智能优化算法和低频经济变量以提高预测性能	NA	精确预测原油价格	原油价格	机器学习	NA	卷积神经网络（CNN），双向长短期记忆网络（LSTM），注意力机制，广义自回归条件异方差（GARCH）	混合模型KV-MFSCBA-G	时间序列数据	使用了West Texas Intermediate（WTI）和Brent原油的数据
357	2024-08-07	Two-headed UNetEfficientNets for parallel execution of segmentation and classification of brain tumors: incorporating postprocessing techniques with connected component labelling 2024-Apr-29, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-024-05718-1 PMID:38684578	研究论文	本研究提出了一种使用双头UNetEfficientNets模型同时进行脑肿瘤分割和分类的新方法	利用双头UNetEfficientNets模型进行并行分割和分类，并结合连接组件标记等后处理技术提高性能	NA	开发准确和自动化的脑肿瘤检测和分割方法，以改善诊断和治疗结果	脑肿瘤，包括脑膜瘤、胶质瘤和垂体瘤	计算机视觉	脑肿瘤	磁共振成像(MRI)	UNetEfficientNets	图像	3064张脑部MR图像
358	2024-08-07	Deep Learning Prediction of Axillary Lymph Node Metastasis in Breast Cancer Patients Using Clinical Implication-Applied Preprocessed CT Images 2024-04-18, Current oncology (Toronto, Ont.) DOI:10.3390/curroncol31040169 PMID:38668072	研究论文	本研究旨在开发一种深度学习模型，利用经过临床意义预处理的CT图像来提高乳腺癌患者腋窝淋巴结转移的预测准确性	本研究通过集成方法结合两种最佳表现的CNN架构，提高了诊断精度，并利用梯度加权类激活映射图像区分淋巴结边缘和邻近软组织的细微变化	NA	开发一种深度学习模型，用于准确检测乳腺癌患者的恶性腋窝淋巴结	乳腺癌患者的腋窝淋巴结转移	机器学习	乳腺癌	CT	CNN	图像	1128张轴向CT图像，来自523名乳腺癌患者
359	2024-08-07	Prediction of Obliteration After the Gamma Knife Radiosurgery of Arteriovenous Malformations Using Hand-Crafted Radiomics and Deep-Learning Methods 2024-Apr, Cureus DOI:10.7759/cureus.58835 PMID:38784357	research paper	本研究使用手工放射组学和深度学习技术预测伽玛刀放射手术治疗脑动静脉畸形后的结果，并比较这两种方法的预测性能	本研究采用了手工放射组学模型和预训练的卷积神经网络模型，这两种模型在预测伽玛刀放射手术后的临床结果方面具有相当的预测性能	研究结果需要在外部更多患者中进行进一步验证	预测伽玛刀放射手术治疗脑动静脉畸形后的结果	脑动静脉畸形患者	machine learning	NA	放射组学, 深度学习	随机森林模型, ResNet-34卷积神经网络	MRI扫描图像	42名患者
360	2024-08-07	Application of deep learning on mammographies to discriminate between low and high-risk DCIS for patient participation in active surveillance trials 2024-Apr-05, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-024-00691-x PMID:38576031	研究论文	本文研究使用卷积神经网络（CNN）在乳腺X光片上区分低风险和高风险导管原位癌（DCIS）的表现和临床效用	利用深度学习模型U-Net CNN在乳腺X光片上区分低风险和高风险DCIS，为主动监测试验提供决策支持	研究为单中心回顾性研究，样本量有限	评估CNN在乳腺X光片上区分高风险（III级）DCIS和/或浸润性乳腺癌（IBC）与低风险（I/II级）DCIS的性能和临床效用	导管原位癌（DCIS）患者	机器学习	乳腺癌	卷积神经网络（CNN）	U-Net CNN	图像	464名DCIS患者，包括681张训练图像和173张测试图像