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
461	2024-08-05	Sub-photon accuracy noise reduction of a single shot coherent diffraction pattern with an atomic model trained autoencoder 2024-May-06, Optics express IF:3.2Q2 DOI:10.1364/OE.523999 PMID:38858990	研究论文	本研究利用深度学习验证噪声减少技术，使用自编码器作为学习模型。	采用U-net架构实现亚光子精度的噪声减少，且扩展模型以适应不同形状的粒子衍射模式。	对比其他神经网络架构的性能时，U-net虽然表现出色，但未说明不同形状粒子与模拟数据间的适应性全面。	验证深度学习在衍射模式噪声减少中的有效性。	主要研究纳米粒子的衍射模式。	计算机视觉	NA	深度学习，噪声减少	U-net	模拟数据，衍射图案	NA
462	2024-08-05	Fully dense generative adversarial network for removing artifacts caused by microwave dielectric effect in thermoacoustic imaging 2024-May-06, Optics express IF:3.2Q2 DOI:10.1364/OE.522550 PMID:38858929	研究论文	提出了一种基于深度学习的完全密集生成对抗网络用于去除热声成像中由微波介电效应引起的伪影	引入了完全密集块到生成对抗网络中，以提高伪影去除的有效性	未提及实际临床应用的数据验证	提高热声成像的图像准确性和质量	热声成像中由微波介电效应造成的伪影	计算机视觉	NA	深度学习	完全密集生成对抗网络 (FD-GAN)	模拟和实验数据	NA
463	2024-08-05	Terahertz deep learning fusion computed tomography 2024-May-06, Optics express IF:3.2Q2 DOI:10.1364/OE.518997 PMID:38858949	研究论文	提出了一种基于时域THz信号的多维成像框架和多尺度时空谱融合Unet，旨在提高THz图像质量	引入了MS3-Unet，通过多尺度分支提取特征，并使用自适应滤波器实现THz图像的高质量还原	NA	提高THz成像的图像质量以便于物体探索和检测	几何变化的物体	数字病理	NA	THz成像	Unet	图像	NA
464	2024-08-05	SAHIS-Net: a spectral attention and feature enhancement network for microscopic hyperspectral cholangiocarcinoma image segmentation 2024-May-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.519090 PMID:38855697	研究论文	本文介绍了一种用于胆道癌图像分割的深度学习方法SAHIS-Net。	提出了基于光谱注意力模块的SAHIS-Net及改进的特征增强机制，以更好地区分胆道癌区域。	尚未提及具体的局限性。	通过深度学习提高胆道癌显微高光谱成像的分割精度。	主要研究对象为胆道癌的显微高光谱图像。	计算机视觉	胆道癌	高光谱成像	U-Net	图像	NA
465	2024-08-05	Unveiling the Influence of AI Predictive Analytics on Patient Outcomes: A Comprehensive Narrative Review 2024-May, Cureus DOI:10.7759/cureus.59954 PMID:38854327	review	这篇综合文献综述探讨了人工智能预测分析对医疗保健及患者结果的变革性影响	文章创新地将人工智能预测分析应用于改善疾病进展、治疗反应和恢复率的领域	文章提到伦理考虑，包括数据隐私、偏见和责任，但未详细探讨这些问题	研究的目的是探索人工智能预测分析在提高患者结果方面的潜力	研究对象包括电子健康记录、成像和基因数据等大数据集	机器学习	NA	机器学习 (ML) 和深度学习 (DL)	NA	电子健康记录、成像和基因数据	NA
466	2024-08-05	Working memory load recognition with deep learning time series classification 2024-May-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.516063 PMID:38855665	研究论文	本研究提出了一种用于工作记忆负荷识别的深度学习时间序列分类模型	提出了一种新的TAResnet-BiLSTM模型，在跨主体工作记忆负荷解码中达到最高准确率	样本数量仅为27人，可能限制结果的普遍性和适用性	研究旨在精确评估工作记忆负荷以改善人机交互应用	研究对象为27名参与者的血氧信号	计算机视觉	NA	fNIRS	TAResnet-BiLSTM	时间序列	27名参与者
467	2024-08-05	STCS-Net: a medical image segmentation network that fully utilizes multi-scale information 2024-May-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.517737 PMID:38855673	研究论文	本文提出了一种名为STCS-Net的医学图像分割网络，充分利用多尺度信息	创新点在于设计了一个能够多尺度滤波和信息校正的解码器，以及引入了强调重要特征的信息增强模块	NA	研究医学图像分割领域的新方法	医学图像，包括ISIC2016、ISIC2018和肺部数据集	数字病理学	肺癌	深度学习	NA	图像	在ISIC2016、ISIC2018和肺部数据集上进行的评估
468	2024-08-05	Role of artificial intelligence in multiple sclerosis management 2024-May, European review for medical and pharmacological sciences DOI:10.26355/eurrev_202405_36289 PMID:38856129	研究论文	本文探讨了人工智能在多发性硬化症管理中的应用前景	强调了人工智能在提高多发性硬化症早期检测、个性化治疗和预后预测中的潜力	研究可能面临数据量不足和模型准确性问题	研究人工智能在多发性硬化症诊断和治疗中的作用	患者数据（人口统计、基因信息、临床和影像表现）	医疗健康	多发性硬化症	人工智能	机器学习，深度学习，神经网络	数据，影像	NA
469	2024-08-05	[Computer-vision-based artificial intelligence for detection and recognition of instruments and organs during radical laparoscopic gastrectomy for gastric cancer: a multicenter study] 2024-May-25, Zhonghua wei chang wai ke za zhi = Chinese journal of gastrointestinal surgery DOI:10.3760/cma.j.cn441530-20240125-00041 PMID:38778686	研究论文	本研究探讨了基于计算机视觉的人工智能技术在胃癌根治性腹腔镜胃切除术中检测和识别器械与器官的可行性和准确性	首次应用YOLOv8深度学习框架，在多中心收集的腹腔镜手术视频中实现器械和器官的实时检测与识别	主要依赖视频数据，可能存在手术视频的多样性和复杂性影响准确性的可能	研究计算机视觉在胃癌根治性腹腔镜手术中检测与识别器械和器官的有效性	从四家大医院收集的8段完整腹腔镜胃切除术视频	计算机视觉	胃癌	YOLOv8深度学习框架	YOLOv8m模型	图像	3369帧图像，训练集包含3032帧，验证集包含337帧
470	2024-08-05	Systematic training of table tennis players' physical performance based on artificial intelligence technology and data fusion of sensing devices 2024-May-23, SLAS technology IF:2.5Q3 DOI:10.1016/j.slast.2024.100151 PMID:38796032	研究论文	本文研究了基于人工智能技术和传感器设备数据融合的乒乓球运动员体能训练的系统方法	结合人工智能的体能训练模型，提高了比赛信息提取的效率和观众体验	没有具体提及样本量和广泛适用性	探讨乒乓球运动员的体能训练对提高比赛表现的重要性	聚焦于中国乒乓球运动员的训练和技术动作识别	机器学习	NA	深度学习	卷积神经网络	视频	NA
471	2024-08-05	Coded aperture compressive temporal imaging via unsupervised lightweight local-global networks with geometric characteristics 2024-May-20, Applied optics IF:1.7Q3 DOI:10.1364/AO.510414 PMID:38856504	研究论文	本文提出了一种轻量级重建网络，通过压缩测量恢复高维信号。	本研究创新性地设计了一个轻量级网络，利用无监督学习和几何特征来改进信号重建。	受限于实际光学成像系统中的应用，可能对数据质量和网络训练有依赖。	研究压缩测量下的高维信号重建问题。	研究对象为通过压缩测量恢复的视频信号。	计算机视觉	NA	压缩感知	轻量级网络	视频	实验结果未提供样本大小
472	2024-08-05	Imaging through thick scattering media based on envelope-informed learning with a simulated training dataset 2024-May-20, Applied optics IF:1.7Q3 DOI:10.1364/AO.521140 PMID:38856497	研究论文	本文提出了一种基于卷积和高斯分布包络的深度学习方法，用于在厚散射介质中成像	通过使用高斯分布的包络来模拟点扩散函数，从而减少了训练数据集构建的时间和条件	重建物体的质量与散射介质的厚度呈负相关	研究如何在散射成像中有效应用深度学习	使用模拟训练数据集的神经网络重建被未知散射介质遮挡的物体	计算成像	NA	深度学习	神经网络	图像	通过手写数字与点扩散函数的卷积获取的训练数据集的样本
473	2024-08-05	Improving the reliability of deep learning computational ghost imaging with prediction uncertainty based on neighborhood feature maps 2024-May-10, Applied optics IF:1.7Q3 DOI:10.1364/AO.511817 PMID:38856335	研究论文	本文展示了基于邻域特征图的迭代估计在深度学习计算幽灵成像中的应用	提出了一种通过邻域特征图评估输出不确定性的迭代估计方法，以提高深度学习输出的可靠性	未提及具体的算法或数据集限制	提高深度学习在精密测量中的输出可靠性	深度学习算法在缺陷检测中的应用	计算机视觉	NA	深度学习	NA	NA	实验结果未具体说明样本数量
474	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
475	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
476	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
477	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
478	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
479	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
480	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