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
661	2024-08-07	Deep learning of left atrial structure and function provides link to atrial fibrillation risk 2024-May-21, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-48229-w PMID:38773065	研究论文	本文利用深度学习和表面重建模型分析了40,558名UK Biobank参与者的心脏磁共振成像数据，研究左心房结构和功能与心房颤动风险的关系	首次结合大规模心脏磁共振成像和遗传数据，通过深度学习模型识别与左心房结构和功能相关的遗传位点，并探讨其对心房颤动风险的因果影响	NA	评估遗传因素对左心房结构和功能的影响，并理解其与心房颤动风险的关系	左心房结构和功能与心房颤动风险的关系	机器学习	心血管疾病	心脏磁共振成像	深度学习	图像	40,558名UK Biobank参与者
662	2024-08-07	Parkinson's Disease Recognition Using Decorrelated Convolutional Neural Networks: Addressing Imbalance and Scanner Bias in rs-fMRI Data 2024-May-19, Biosensors DOI:10.3390/bios14050259 PMID:38785733	研究论文	本文介绍了一种创新的去相关深度学习技术，用于减轻类别偏差和扫描器偏差，并同时关注于在静息态功能磁共振成像（rs-fMRI）数据中寻找区分特征，以高准确度识别帕金森病（PD）。	提出了一个新的去相关卷积神经网络（DcCNN）框架，通过应用基于去相关的优化到卷积神经网络（CNNs），有效解决了不平衡数据集问题和扫描器偏差问题。	文章未明确提及具体的局限性。	旨在通过去相关深度学习技术提高帕金森病的识别准确性，并解决数据集中的类别偏差和扫描器偏差问题。	帕金森病（PD）的识别和分类。	机器学习	帕金森病	静息态功能磁共振成像（rs-fMRI）	去相关卷积神经网络（DcCNN）	图像	使用了公开的帕金森病进展标志物倡议（PPMI）数据集和前颞叶变性神经影像学倡议（NIFD）数据集的组合，具体样本数量未详细说明。
663	2024-08-07	Objective Methods to Assess Aorto-Iliac Calcifications: A Systematic Review 2024-May-19, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14101053 PMID:38786352	综述	本文遵循PRISMA指南，系统回顾了评估主动脉-髂动脉钙化的方法及其与心血管疾病和临床结果的相关性	自动化方法使用人工智能显示出更广泛的适用性和更少的时间消耗	缺乏标准化的可重复性评估	研究测量主动脉-髂动脉钙化的方法及其与心血管疾病和临床结果的相关性	主动脉-髂动脉钙化及其与心血管疾病的关系	NA	心血管疾病	人工智能，深度学习	NA	图像	11项研究符合纳入标准
664	2024-08-07	Taxonomy of Acute Stroke: Imaging, Processing, and Treatment 2024-May-19, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14101057 PMID:38786355	综述	本文对急性脑卒中的影像诊断、图像处理与分析以及治疗方法进行了分类，并提供了最新的分类图解	本文通过综合和直观的分类图解，捕捉了脑卒中管理的最新技术，并对其他最新分类进行了比较	NA	对急性脑卒中的影像诊断、图像处理与分析以及治疗方法进行分类和综述	急性脑卒中的影像诊断、图像处理与分析以及治疗方法	数字病理学	脑血管疾病	CT, MR	NA	影像	NA
665	2024-08-07	Accurate Prediction of 1H NMR Chemical Shifts of Small Molecules Using Machine Learning 2024-May-19, Metabolites IF:3.4Q2 DOI:10.3390/metabo14050290 PMID:38786767	研究论文	本文介绍了一种基于深度学习算法的机器学习方法，用于精确预测小分子化合物的1H NMR化学位移	该方法使用高质量的“溶剂感知”实验数据集进行训练，能够比其他已知方法更准确地预测H化学位移	NA	旨在填补实验NMR参考谱图数量不足的空白，通过计算方法预测已知化合物的NMR化学位移	小分子化合物的1H NMR化学位移	机器学习	NA	机器学习	深度学习算法	化学结构数据	超过600,000个分子
666	2024-08-07	Semi-Supervised Facial Acne Segmentation Using Bidirectional Copy-Paste 2024-May-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14101040 PMID:38786338	研究论文	本研究提出了一种新的深度学习模型，用于面部痤疮分割，采用双向复制粘贴的半监督学习方法	提出了一种双向复制粘贴的半监督学习方法，通过在训练阶段交换标记和未标记图像的前景和背景部分来合成图像	NA	旨在自动化检测面部痤疮，以早期发现和治疗	面部痤疮的分割	计算机视觉	皮肤病	深度学习	NA	图像	仅使用了3%的标记图像进行实验
667	2024-08-07	Imaging-Based Deep Learning for Predicting Desmoid Tumor Progression 2024-May-17, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10050122 PMID:38786576	研究论文	本研究利用基于影像的深度学习技术预测硬纤维瘤的进展情况	研究采用深度学习算法，通过MRI影像独立预测硬纤维瘤的临床进展，准确率高达93%	研究为回顾性单中心研究，样本量相对较小，可能影响结果的普遍性	开发一种新的方法来提高硬纤维瘤治疗反应和进展检测的准确性	硬纤维瘤患者及其MRI影像数据	计算机视觉	软组织肿瘤	深度学习	NA	影像	51名硬纤维瘤患者
668	2024-08-07	Evaluating the Margins of Breast Cancer Tumors by Using Digital Breast Tomosynthesis with Deep Learning: A Preliminary Assessment 2024-May-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14101032 PMID:38786329	研究论文	本研究利用数字乳腺断层合成技术结合深度学习算法，对乳腺癌肿瘤边缘进行评估	首次使用数字乳腺断层合成技术和深度学习算法在手术中评估肿瘤边缘	研究样本量较小，仅涉及46名患者	开发一种在手术中快速准确评估肿瘤边缘的方法	乳腺癌肿瘤边缘	机器学习	乳腺癌	数字乳腺断层合成技术	深度学习模型	图像	46名接受保乳治疗的患者术后组织样本
669	2024-08-07	Breast Delineation in Full-Field Digital Mammography Using the Segment Anything Model 2024-May-15, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14101015 PMID:38786313	研究论文	本研究介绍了SAM-breast模型，一种用于在乳腺X线摄影中分割乳腺区域的Segment Anything Model（SAM）的适应性模型	SAM-breast模型在乳腺区域的描绘和胸大肌的排除方面表现出色，且在不同数据集上显示出一致的高性能	NA	提高乳腺X线摄影中乳腺区域的分割准确性，以辅助诊断	乳腺X线摄影图像中的乳腺区域分割	计算机视觉	乳腺癌	NA	SAM	图像	使用了来自多个中心的2492张乳腺X线摄影图像进行模型训练，并在五个不同数据集（包括两个私有和三个公开数据集）上进行了独立测试
670	2024-08-07	Texture-Based Classification to Overcome Uncertainty between COVID-19 and Viral Pneumonia Using Machine Learning and Deep Learning Techniques 2024-May-15, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14101017 PMID:38786315	研究论文	本研究通过集成先进的纹理特征提取方法和深度学习框架，提出了一种新的分类模型，用于区分COVID-19和病毒性肺炎	本研究引入了包括GLCM、GLDM和小波变换在内的先进纹理特征提取方法，并在深度学习框架中整合，以提高分类性能	NA	旨在通过机器学习和深度学习技术，提高COVID-19和病毒性肺炎的准确分类	COVID-19和病毒性肺炎的胸部X光图像	机器学习	COVID-19	深度学习	深度学习神经网络 (DLNN)	图像	NA
671	2024-08-07	IMPA-Net: Interpretable Multi-Part Attention Network for Trustworthy Brain Tumor Classification from MRI 2024-May-11, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14100997 PMID:38786294	研究论文	本研究开发了一种可解释的多部分注意力网络（IMPA-Net），用于从MRI图像中进行脑肿瘤分类，以提高分类结果的可解释性和可信度	IMPA-Net不仅预测肿瘤等级，还提供了模型可解释性的全局解释和预测结果的局部解释，使医疗工作者能够理解模型的推理过程	NA	提高脑肿瘤分类结果的可解释性和可信度	脑肿瘤分类	计算机视觉	脑肿瘤	深度学习	IMPA-Net	MRI图像	BraTS2017数据集
672	2024-08-07	A Deep Learning Approach for Chromium Detection and Characterization from Soil Hyperspectral Data 2024-May-11, Toxics IF:3.9Q1 DOI:10.3390/toxics12050357 PMID:38787136	研究论文	本研究利用深度神经网络（DNN）方法，基于Land Use and Cover Area frame Survey（LUCAS）数据集，开发了一种具有良好泛化性和准确性的土壤铬（Cr）含量预测模型	本研究通过优化光谱预处理方法和DNN超参数，构建了最优的DNN模型，实现了对土壤Cr含量的有效检测，并识别了四个对Cr敏感的重要高光谱波段	NA	开发一种更高效的土壤Cr含量检测方法	土壤中的铬含量	机器学习	NA	深度神经网络（DNN）	DNN	高光谱数据	基于Land Use and Cover Area frame Survey（LUCAS）数据集
673	2024-08-07	Human versus Artificial Intelligence: Validation of a Deep Learning Model for Retinal Layer and Fluid Segmentation in Optical Coherence Tomography Images from Patients with Age-Related Macular Degeneration 2024-May-08, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14100975 PMID:38786273	研究论文	本研究旨在通过比较深度学习算法与手动调整的金标准方法在光学相干断层扫描（OCT）图像中对视网膜层和液体的分割，来验证深度学习算法在年龄相关性黄斑变性（AMD）患者中的应用。	深度学习系统能够准确识别出疾病阶段间的外层视网膜厚度差异，并在渗出性病例中准确识别液体。	在疾病较严重的眼中，深度学习算法与金标准方法之间存在显著的差异，需要进一步的准确性测试以确认其在实际应用中的有效性。	验证深度学习算法在光学相干断层扫描图像中对视网膜层和液体分割的准确性。	健康受试者和年龄相关性黄斑变性（AMD）患者的OCT图像。	计算机视觉	年龄相关性黄斑变性	光学相干断层扫描（OCT）	深度学习（DL）	图像	共60张OCT图像，包括健康受试者和不同阶段的AMD患者。
674	2024-08-07	CSDNet: A Novel Deep Learning Framework for Improved Cataract State Detection 2024-May-08, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14100983 PMID:38786279	研究论文	本文介绍了一种名为CSDNet的新型深度学习框架，用于改善白内障状态的检测	CSDNet通过使用较小的内核、更少的训练参数和层，有效地减少了可训练参数的数量，降低了计算成本和平均运行时间	NA	创建一个更轻量级和适应性强的框架，适用于内存或存储容量有限的环境或设备	白内障状态的检测	机器学习	眼科疾病	深度学习	CSDNet	图像	使用来自Ocular Disease Intelligent Recognition (ODIR)数据库的白内障和正常图像
675	2024-08-07	Dynamic Weighting Translation Transfer Learning for Imbalanced Medical Image Classification 2024-May-01, Entropy (Basel, Switzerland) DOI:10.3390/e26050400 PMID:38785649	研究论文	本文提出了一种名为动态权重转换迁移学习（DTTL）的方法，用于解决医学图像分类中的不平衡问题和领域转移问题	本文创新地将熵和信息理论应用于深度学习和医学图像处理领域，通过最大化类别分布的熵和最小化源域与目标域之间的交叉熵来减少领域差异	NA	解决医学图像诊断中存在的领域转移和类别不平衡问题	医学图像分类	计算机视觉	NA	深度学习	CNN	图像	NA
676	2024-08-07	Image fusion using Y-net-based extractor and global-local discriminator 2024-May-30, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e30798 PMID:38784534	研究论文	本文提出了一种基于Y-Net和全局-局部判别器的生成对抗网络（GAN）方案，用于红外和可见光图像融合	引入残差密集块（RDblock）和跨模态上下文注意力（CMSCA）来提取和聚合多尺度特征，以生成更真实的融合图像	NA	解决如何从不同源图像中提取信息丰富的特征并在融合图像中保留这些特征的问题	红外和可见光图像	计算机视觉	NA	生成对抗网络（GAN）	Y-Net	图像	NA
677	2024-08-07	Using a comprehensive atlas and predictive models to reveal the complexity and evolution of brain-active regulatory elements 2024-May-24, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adj4452 PMID:38781344	研究论文	本研究通过整合PsychENCODE联盟和其他已发表的表观遗传数据，构建了一个全面的脑候选顺式调控元件图谱，并利用深度学习模型分析这些元件的序列语法及其在特定细胞类型中的基因调控作用	研究揭示了脑中新的调控信息主要通过保守的哺乳动物元件内的较小序列突变产生，而非全新的人类或灵长类特异性序列	NA	探讨与精神疾病相关的非编码区域遗传变异的功能意义	脑候选顺式调控元件及其在不同细胞类型中的基因调控作用	表观遗传学	精神疾病	深度学习	深度学习模型	表观遗传数据	NA
678	2024-08-07	A deep learning model for brain segmentation across pediatric and adult populations 2024-05-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-61798-6 PMID:38778071	研究论文	本研究开发并验证了一种跨儿童和成人群体的脑部分割模型	提出的深度学习管道icobrain-dl在不同年龄组中展示了与特定年龄模型相当的分割准确性，并显示出比现有工具更高的可重复性	NA	开发和验证一种适用于从婴儿到老年不同年龄段的脑部分割模型	脑组织和结构的自动量化	计算机视觉	NA	深度学习	NA	图像	训练集包含390名患者（年龄范围：2-81岁），验证集包含280名患者（年龄范围：4-90岁）
679	2024-08-07	Automated tear film break-up time measurement for dry eye diagnosis using deep learning 2024-05-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-62636-5 PMID:38778145	研究论文	本研究利用人工智能技术开发了一种自动测量泪膜破裂时间的方法，以辅助干眼症的诊断	采用双任务孪生网络对视频帧进行分类，并结合高斯滤波进行后处理，提高了泪膜破裂时间测量的准确性和可靠性	NA	探索人工智能在眼科领域中用于精确测量泪膜破裂时间的可能性	泪膜破裂时间测量在干眼症诊断中的应用	计算机视觉	干眼症	人工智能	双任务孪生网络	视频	开发数据集包含47个裂隙灯视频，测试数据集包含20个裂隙灯视频
680	2024-08-07	A novel plant type, leaf disease and severity identification framework using CNN and transformer with multi-label method 2024-05-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-62452-x PMID:38778143	研究论文	本文提出了一种新颖的叶片病害识别网络（LDI-NET），该网络采用多标签方法，能够同时识别植物类型、叶片病害及其严重程度	LDI-NET通过单一的直接分支模型，避免了增加类别数量和额外的分支结构，能够同时识别植物类型、叶片病害和严重程度	NA	开发一种能够准确及时识别植物叶片病害及其严重程度的方法，以防止病害扩散	植物类型、叶片病害及其严重程度	计算机视觉	NA	卷积神经网络（CNN）和变换器（transformer）	LDI-NET	图像	使用了公开的AI challenger 2018数据集