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
401	2024-08-05	Unsupervised speckle denoising in digital holographic interferometry based on 4-f optical simulation integrated cycle-consistent generative adversarial network 2024-May-01, Applied optics IF:1.7Q3 DOI:10.1364/AO.521701 PMID:38856541	研究论文	本文提出了一种自监督深度学习的散斑去噪方法，旨在减轻数字全息干涉法中的散斑噪声影响	创新点在于提出了一种将4-f光学散斑噪声模拟模块与循环一致生成对抗网络集成的方法	本文未提及具体的局限性	研究旨在改善数字全息干涉法中的散斑噪声去除能力	研究对象为数字全息干涉法中遇到的散斑噪声	计算机视觉	NA	生成对抗网络	循环一致生成对抗网络	模拟数据和实验数据	NA
402	2024-08-05	Res-U2Net: untrained deep learning for phase retrieval and image reconstruction 2024-May-01, Journal of the Optical Society of America. A, Optics, image science, and vision DOI:10.1364/JOSAA.511074 PMID:38856563	研究论文	本文提出了一种新颖的无训练 Res-U2Net 模型用于相位恢复和图像重建	提出了一种创新的无训练模型，通过逆向物理模型实现图像形成过程	传统的图像重建方法依赖于大量难以获取的训练数据	研究一种无需训练数据的图像重建方法	分析物体表面的变化并生成其 3D 结构的网格表示	计算机视觉	NA	NA	Res-U2Net	图像	使用来自 GDXRAY 数据集的图像进行比较
403	2024-08-05	Automatic detection of brain tumors with the aid of ensemble deep learning architectures and class activation map indicators by employing magnetic resonance images 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2022.11.010 PMID:36593139	研究论文	本研究旨在通过集成深度学习架构和类激活图指标自动检测脑肿瘤	使用集成深度学习架构（ResNet50, VGG19, InceptionV3和MobileNet）和类激活图（CAMs）作为辅助工具进行脑肿瘤诊断	暂未提及研究的局限性	实现脑肿瘤的自动检测，提高早期诊断的准确性	使用MRI图像检测不同类型的脑肿瘤	计算机视觉	脑癌	MRI	ResNet50, VGG19, InceptionV3, MobileNet	图像	未提及
404	2024-08-05	Predicting disease-related MRI patterns of multiple sclerosis through GAN-based image editing 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.12.001 PMID:38143166	研究论文	本研究应用 StyleGAN 模型探索与多发性硬化症相关的模式并预测MRI中的疾病进展	使用StyleGAN模型在潜在空间中模拟多发性硬化症的进展，展示了深度学习在医学影像中的潜力	没有提到具体的局限性	研究多发性硬化症的MRI图像模式及其进展预测	多发性硬化症患者和健康对照者的T1加权GRE MRI图像和基于扩散的ADC图	计算机视觉	多发性硬化症	深度学习	StyleGAN	图像	使用多发性硬化症患者和健康对照者的MRI样本
405	2024-08-05	Artificial intelligence-based analysis of whole-body bone scintigraphy: The quest for the optimal deep learning algorithm and comparison with human observer performance 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.01.008 PMID:36932023	研究论文	本研究开发了深度学习模型，以自动化分析全身骨显像扫描并与人类观察者的表现进行比较	提出了使用深度学习模型自动化分类正常和异常扫描以及区分恶性与非肿瘤性骨病	AI模型在第二项分析中的性能与人类观察者相当，需更多数据来验证	研究旨在提高对全身骨显像扫描的解读效率和准确性	研究对象包括7188名患者中的3772名和2248名参与者	计算机视觉	恶性骨病	深度学习	CNN	医学图像	3772名患者用于第一项分析，2248名患者用于第二项分析
406	2024-08-05	Towards MR contrast independent synthetic CT generation 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.07.001 PMID:37537099	研究论文	本文提出了一种合成CT生成方法，以提高其对不同 MRI 对比度的通用性	引入了一种预训练的深度学习模型，用于生成人工质子密度、T1和T2图，从而提升合成CT的生成质量	该方法主要在T2w MR图像数据集上验证，其普适性和适应性在其他类型图像上的表现可能有限	改善合成CT模型的通用性，使其在不同对比度的MR图像上表现更加稳定	研究对象为T2w MR图像以及其他对比度的MR图像	数字病理学	NA	深度学习	NA	MR图像	使用了仅有的T2w MR图像数据集进行研究
407	2024-08-05	Automatic AI-based contouring of prostate MRI for online adaptive radiotherapy 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.05.001 PMID:37263911	研究论文	本研究针对MR引导放疗中的在线适应性方案，提出了一种基于AI的自动轮廓生成方法。	提出了一种快速、准确的深度学习模型用于自动化MRI分割，以适应临床MR引导放疗工作流程。	样本数量较小，仅46名患者，可能限制了结果的普遍适用性。	旨在训练并验证一种用于在线MR引导放疗的自动轮廓生成模型。	研究对象包括47名接受MRI检查的前列腺肿瘤患者。	数字病理学	前列腺癌	MRI	深度学习模型	图像	47名患者的232例T2w MRI数据集
408	2024-08-05	Deep learning-based affine medical image registration for multimodal minimal-invasive image-guided interventions - A comparative study on generalizability 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.05.003 PMID:37355435	研究论文	本研究实现了20种神经网络用于医疗图像的仿射配准，并评估了其性能和对新数据集的通用性	提出了多种神经网络在医疗图像配准中的应用，特别关注其对新数据集的通用性	该研究只使用了两个特定的数据集，可能不代表所有医疗图像类型	研究医疗图像配准技术的通用性和性能	主要研究对象为三维CT和MR图像的仿射配准	计算机视觉	NA	深度学习	CNN	图像	两个数据集：一个合成数据集和一个真实患者数据集
409	2024-08-05	The use of deep learning in interventional radiotherapy (brachytherapy): A review with a focus on open source and open data 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2022.10.005 PMID:36376203	review	本文回顾了深度学习在介入放射治疗（近距离放射治疗）中的应用，重点分析了开源和开放数据。	探讨了深度学习在介入放射治疗各个过程中的作用，并分析了开源代码和数据的可用性。	开源代码、数据和模型的发布意愿不足，限制了结果可重复性，同时评估仅限于单一机构的数据集。	研究深度学习在介入放射治疗中的应用和发展。	介入放射治疗过程及相关领域的深度学习应用。	医学影像	NA	深度学习	NA	开放数据	NA
410	2024-08-05	Automated prognosis of renal function decline in ADPKD patients using deep learning 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.08.001 PMID:37612178	研究论文	本研究开发了基于深度学习的方法来自动预测ADPKD患者的肾功能下降。	提出了结合自动生成的肾脏MRI图像特征与传统生物标志物的新方法，采用卷积神经网络（CNN）和多层感知器（MLP）进行预测。	研究主要基于样本量为135的患者，可能限制了结果的广泛适用性。	探索如何通过深度学习提高ADPKD患者肾功能下降的预后准确性。	涉及多人群，即135名ADPKD患者，通过分析其肾脏影像和生物标志物来进行研究。	计算机视觉	肾脏疾病	深度学习	卷积神经网络（CNN）和多层感知器（MLP）	影像	135名ADPKD患者
411	2024-08-05	PSMA-PET improves deep learning-based automated CT kidney segmentation 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.08.006 PMID:37666698	研究论文	本文探讨了结合PSMA-PET数据在自动化CT肾脏分割中的应用	提出将PSMA-PET数据整合到现有的CT基础自动分割方法中，提升肾脏分割的准确性	未提及具体的样本大小及应用场景的限制	研究PSMA-PET数据对CT肾脏分割的价值	肾脏的自动化分割	数字病理学	NA	深度学习	NA	CT图像, PSMA-PET数据	NA
412	2024-08-05	Feature-guided deep learning reduces signal loss and increases lesion CNR in diffusion-weighted imaging of the liver 2024-May, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2023.07.005 PMID:37543450	研究论文	本研究旨在开发一种特征引导的深度学习方法，以提高肝脏扩散加权成像的图像质量	提出了一种通过优化特征而非“黄金标准”目标图像来训练U-Net的深度学习方法	不同放射科医师的整体质量评分存在差异	提高肝脏扩散加权成像的图像质量，尤其是降低脉动引起的信号损失	使用来自40名肝脏病变患者的数据进行研究	数字病理学	肝病	扩散加权成像	U-Net	影像	40名肝脏病变患者
413	2024-08-05	Residual networks without pooling layers improve the accuracy of genomic predictions 2024-May-21, TAG. Theoretical and applied genetics. Theoretische und angewandte Genetik DOI:10.1007/s00122-024-04649-2 PMID:38771334	研究论文	该文章介绍了一种新的残差神经网络用于基因组选择，超过了之前的预测精度	首次提出了达到35层的基因组选择残差神经网络，提高了预测精度	未提及具体限制	提高基因组选择中的性状预测准确性	残差神经网络在基因组选择中的应用	机器学习	NA	深度学习	残差神经网络	基因组数据	从四个公共数据集中提取的15个案例
414	2024-08-05	Deep learning based digital pathology for predicting treatment response to first-line PD-1 blockade in advanced gastric cancer 2024-May-08, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-024-05262-z PMID:38720336	研究论文	该文章利用深度学习分析病理图像，以预测晚期胃癌患者对PD-1联合化疗的反应	提出了一种基于深度学习的新的组织病理学生物标志物ICIsRS，能够有效预测晚期胃癌患者的治疗反应	该研究为回顾性分析，可能受到样本选择偏倚的影响	研究旨在利用深度学习预测晚期不可切除胃癌患者对第一线PD-1联合化疗的反应	对264名晚期胃癌患者的病理图像进行分析	数字病理学	胃癌	深度学习	集成模型	图像	分析了来自313个WSI的148,181个切片，涉及264名晚期胃癌患者
415	2024-08-05	Explainable AI-based Deep-SHAP for mapping the multivariate relationships between regional neuroimaging biomarkers and cognition 2024-May, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111403 PMID:38452732	研究论文	本研究提出了一种基于可解释人工智能的Deep-SHAP方法，用于映射区域神经影像生物标志物与认知之间的多变量关系	本研究创新性地结合了深度学习神经网络和Shapley加法解释（SHAP）方法，提出Deep-SHAP以探讨神经影像特征与认知的复杂关系	研究未明确提及限制因素	旨在揭示轻度认知障碍和阿尔茨海默病患者的脑影像特征与认知能力之间的关系	研究对象为轻度认知障碍和阿尔茨海默病患者的神经影像数据	数字病理学	轻度认知障碍和阿尔茨海默病	磁共振成像 (MRI) 和正电子发射断层扫描 (PET)	深度学习神经网络	影像数据	使用真实实验数据和模拟数据对Deep-SHAP进行验证，但未提供具体样本量
416	2024-08-05	Evaluation of High-Dimensional Data Classification for Skin Malignancy Detection Using DL-Based Techniques 2024-May, Cancer investigation IF:1.8Q3 DOI:10.1080/07357907.2024.2345184 PMID:38767503	研究论文	本文主要通过深度学习技术评估皮肤恶性肿瘤的高维数据分类	提出使用Isomap与视觉变换器结合的方法来分析和分类高维皮肤病变图像	未提及具体的限制	提高皮肤恶性肿瘤分类的准确性	高维皮肤病变数据集	数字病理学	皮肤癌	深度学习	视觉变换器	高维图像	NA
417	2024-08-05	Massively parallel characterization of regulatory elements in the developing human cortex 2024-May-24, Science (New York, N.Y.) DOI:10.1126/science.adh0559 PMID:38781390	研究论文	该文章研究了发育中的人类皮层中调控元件的特征	通过大规模平行报告测定的方法系统性识别并分类调控元件及其变体	研究可能局限于特定的细胞类型和发育阶段	揭示基因调控元件在神经元发育和相关疾病中的重要性	来自妊娠中期皮层和大脑类器官的初级人类细胞	数字病理学	NA	大规模平行报告测定	深度学习	基因组序列	102,767个开放染色质区域
418	2024-08-05	Generalization of a Deep Learning Model for Continuous Glucose Monitoring-Based Hypoglycemia Prediction: Algorithm Development and Validation Study 2024-May-24, JMIR medical informatics IF:3.1Q2 DOI:10.2196/56909 PMID:38801705	研究论文	本研究验证了基于长期短期记忆网络(LSTM)的低血糖预测模型在不同糖尿病亚型人群中的有效性	该研究展示了LSTM模型在多样人群中对低血糖预测的稳健性和广泛适应性	该研究可能未考虑所有影响低血糖预测的环境或生理因素，样本主要集中于糖尿病患者	验证LSTM低血糖预测模型在不同亚型糖尿病患者中的准确性	193名中国糖尿病患者和427名美欧血统患者	机器学习	糖尿病	LSTM, 支持向量机(SVM), 随机森林(RF)	LSTM	连续血糖监测数据	192名中国糖尿病患者和427名美欧血统患者
419	2024-08-05	Harnessing TME depicted by histological images to improve cancer prognosis through a deep learning system 2024-May-21, Cell reports. Medicine DOI:10.1016/j.xcrm.2024.101536 PMID:38697103	研究论文	本研究通过深度学习系统增强组织学图像中肿瘤微环境(TME)信息，以改善癌症预后。	提出了一种集成图像与图形深度学习的模型(IGI-DL)，在预测ST表达方面显著优于现有方法，并开发了基于TME的癌症预后预测模型。	临床可用性受限于空间转录组学(ST)技术，未提供ST数据的患者可能无法直接利用成果。	研究旨在通过分析肿瘤微环境改善癌症预后。	研究对象是缺少ST数据的癌症患者及其组织学图像。	数字病理学	乳腺癌与结直肠癌	深度学习系统	集成图像与图形深度学习模型(IGI-DL)	组织学图像	The Cancer Genome Atlas乳腺癌和结直肠癌队列，以及外部的分子与细胞肿瘤学结直肠癌队列的样本
420	2024-08-05	The application of deep learning in abdominal trauma diagnosis by CT imaging 2024-05-06, World journal of emergency surgery : WJES IF:6.0Q1 DOI:10.1186/s13017-024-00546-7 PMID:38711150	研究论文	本文开发了一种基于深度学习算法的CT影像腹部创伤诊断方法	提出了一种新的深度学习算法用于初步筛查腹部内脏损伤	未提及具体的局限性	研究目标是提高腹部创伤的CT影像解读准确性	使用来自Kaggle竞争的数据集，包括3147名患者	计算机视觉	创伤	深度学习	2D语义分割和2.5D分类模型	影像	3147名患者，855名腹部创伤患者