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
621	2024-08-05	Image-based facial emotion recognition using convolutional neural network on emognition dataset 2024-06-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65276-x PMID:38910179	研究论文	本研究使用卷积神经网络从Emognition数据集中检测面部表情的情感。	研究扩展了深度学习在面部情感识别中的应用，并使用了包含十种目标情感的新数据集。	研究中可能存在的数据集偏差和面部表情的多样性限制了结果的普遍性。	研究目标是提高基于面部图像的情感识别的准确性。	研究对象为Emognition数据集中包含的十种情感的面部图像。	计算机视觉	NA	卷积神经网络	CNN	图像	NA
622	2024-08-05	Enhancing automated vehicle identification by integrating YOLO v8 and OCR techniques for high-precision license plate detection and recognition 2024-Jun-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65272-1 PMID:38909147	研究论文	本论文提出了一种基于YOLO v8和OCR技术的高精度车牌检测与识别方法	通过集成YOLO v8深度学习方法和OCR技术，开发了一种创新的车牌检测与识别方法	所使用的数据集仅包含270张互联网图像，可能限制了模型的泛化能力	提升自动车辆识别系统的准确性和效率	通过计算机视觉和机器学习技术进行车牌的检测和字符识别	计算机视觉	NA	YOLO v8，OCR	NA	图像	270张图像
623	2024-08-05	A Military Audio Dataset for Situational Awareness and Surveillance 2024-Jun-22, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03511-w PMID:38909048	研究论文	本文构建并介绍了一个新的军事音频数据集MAD，用于音频分类系统的训练和评估	提出了一个包含独特特征的军事音频数据集，填补了现有公共数据集的空白	数据集可能对特定军事活动的应用有限，且没有提供大规模的现实场景样本	旨在为音频分类系统提供一个适合的训练和评估数据集	涉及来自各种军事视频的音频样本，包含7类声源	机器学习	NA	深度学习	NA	音频	涉及8,075个音频样本
624	2024-08-05	Efficient Training of Probabilistic Neural Networks for Survival Analysis 2024-Jun-21, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3417369 PMID:38905091	研究论文	本文探讨如何在大数据集中高效训练深度概率生存模型	提出了三种概率方法（VI、MCD 和 SNGP）在生存分析中的有效性，并与传统的VI方法进行比较	非VI技术在生存分析的应用仍较少，方法的可推广性可能有限	研究如何在不增加模型复杂度的情况下，提高深度概率生存模型的训练效率	大规模数据集中的深度概率生存模型	机器学习	NA	变分推断（VI）、蒙特卡洛 dropout（MCD）、谱归一化神经高斯过程（SNGP）	NA	数据集	MIMIC-IV 数据集
625	2024-08-05	A Principle Design of Registration-Fusion Consistency: Toward Interpretable Deep Unregistered Hyperspectral Image Fusion 2024-Jun-20, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3412528 PMID:38900617	研究论文	该文章提出了一种统一的注册与融合模型，用于解决未注册高光谱图像融合中的挑战	提出了一种新的注册-融合一致性物理感知模型（RFCM），以及一种基于此模型的高光谱图像融合框架（MoE-PNP）	研究中未提及模型在极端条件下的表现或其他类型图像的兼容性	旨在提高未注册高光谱图像和多光谱图像融合的可解释性和泛化能力	未注册的高光谱图像和多光谱图像	计算机视觉	NA	深度学习	MoE-PNP	图像	在广泛的实验中评估性能，但具体样本数量未提及
626	2024-08-05	An extensive analysis of artificial intelligence and segmentation methods transforming cancer recognition in medical imaging 2024-Jun-18, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ad555b PMID:38848695	综述	本文深入分析了癌症识别中的人工智能和分割方法在医学成像中的转变	探讨了图像分割技术在癌症区域检测中的重要性，并评估了计算机辅助手段的最新研究进展	现有的图像分割方法在某些图像类型的应用上存在局限性	强调图像分割技术在医学成像中的重要性	主要研究不同癌症检测技术及其有效性	医学成像	癌症	计算机辅助诊断系统	卷积神经网络（CNN）	医学图像	涉及大型数据集中的医学图像
627	2024-08-05	Deep Representation Learning for Open Vocabulary Electroencephalography-to-Text Decoding 2024-Jun-18, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3416066 PMID:38889026	研究论文	该文章提出了一种用于开放词汇脑电图解码的端到端深度学习架构	引入了一种基于BART语言模型和GPT-4句子细化模块的开放词汇EEG解码的新方法，提出了基于BERTScore的句子级评估指标	未探讨EEG信号嵌入语言模型.context及主观性对解码性能的影响	旨在改善开放词汇EEG信号解码的性能	研究对象为参与自然阅读任务的30名受试者的EEG记录	计算机视觉	NA	脑电图(EEG)	深度学习架构	EEG记录	30
628	2024-08-05	Neuro-BERT: Rethinking Masked Autoencoding for Self-Supervised Neurological Pretraining 2024-Jun-18, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3415959 PMID:38889028	研究论文	这篇文章提出了一个基于掩盖自编码的神经信号自监督预训练框架，称为Neuro-BERT。	创新点在于提出了傅里叶反演预测任务，通过遮掩输入信号的部分信息并预测缺失信息来进行自监督学习。	对特定数据集和任务的评估可能不完全代表其广泛适用性。	旨在利用神经信号推动深度学习在医疗诊断和脑机接口等领域的发展。	关注神经信号的自监督预训练模型。	机器学习	NA	傅里叶变换	变压器编码器	神经信号	在多个基准数据集上进行评估
629	2024-08-05	VOGTNet: Variational Optimization-Guided Two-Stage Network for Multispectral and Panchromatic Image Fusion 2024-Jun-17, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3409563 PMID:38885100	研究论文	提出了一种变分优化引导的两阶段网络（VOGTNet）用于多光谱和全色图像融合	创新之处在于设计了一个双分支融合网络（DBFN）并使用变分优化方法提高了图像融合的性能，能够有效抵抗噪声和模糊	未提及具体的局限性	研究的目的是提高多光谱图像融合的空间和光谱分辨率	研究对象为含有噪声和模糊的多光谱和全色图像	计算机视觉	NA	深度学习	双分支融合网络（DBFN）	图像	使用含有噪声和模糊的数据集进行训练
630	2024-08-05	RmdnCache: Dual-Space Prefetching Neural Network for Large-Scale Volume Visualization 2024-Jun-05, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2024.3410091 PMID:38837917	研究论文	本文提出了一种名为RmdnCache的深度学习预取方法，以优化大规模体积可视化中的数据流	创新性地结合了RNN和MDN网络进行预测，以减少输入延迟	NA	旨在减少大规模体积可视化中的输入延迟	3D科学数据集	计算机视觉	NA	深度学习	RNN和MDN	体积数据	真实大规模体积数据集
631	2024-08-05	Three-dimensional atrous inception module for crowd behavior classification 2024-Jun-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-65003-6 PMID:38909074	研究论文	提出了一种三维空洞Inception模块的网络用于人群行为分类	创造性地引入了三维空洞卷积和分离损失函数，提高了对复杂人群行为的分类精度	缺乏关于模型在不同环境下的有效性和鲁棒性验证	解决人群行为识别中的复杂性问题	人群行为在视频监控系统中的识别与分类	计算机视觉	NA	三维卷积	3D神经网络	视频	NA
632	2024-08-05	Protocol to perform integrative analysis of high-dimensional single-cell multimodal data using an interpretable deep learning technique 2024-Jun-21, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2024.103066 PMID:38748882	研究论文	本文提出了一种使用可解释深度学习技术对高维单细胞多模态数据进行集成分析的协议	创新点在于提出了一种名为moETM的可解释深度学习技术来处理单细胞多组学数据	限制在于所演示的数据只来自骨髓单核细胞，可能缺乏其他细胞类型的数据	研究单细胞多组学数据的集成分析方法	研究对象为骨髓单核细胞的单细胞多组学数据	数字病理学	NA	单细胞多组学测序	moETM	多模态数据	使用了来自GSE194122的数据集，具体样本数量未提及
633	2024-08-05	A deep learning framework for denoising and ordering scRNA-seq data using adversarial autoencoder with dynamic batching 2024-Jun-21, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2024.103067 PMID:38748883	研究论文	本文介绍了一种用于去噪单细胞RNA测序数据的深度学习框架	提出了一种动态批处理对抗自编码器(DB-AAE)以提高scRNA-seq数据的去噪效果	本研究的局限性未在摘要中明确指出	旨在解决单细胞RNA测序数据分析中的技术挑战	针对单细胞RNA测序数据集进行去噪处理	机器学习	NA	深度学习	对抗自编码器	基因表达数据	NA
634	2024-08-05	Deep learning with noisy labels in medical prediction problems: a scoping review 2024-Jun-20, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocae108 PMID:38814164	综述	本文旨在全面回顾深度学习在医疗预测中对标签噪声管理的研究	提出了将标签噪声管理作为医疗研究标准元素的重要性，并分类了标签噪声检测方法和处理技术	仅涉及2016年至2023年间的60篇文献，可能无法涵盖所有相关研究	研究医疗预测问题中标签噪声管理的重要性和现状	关注医疗研究中标签噪声的来源、影响、检测及处理技术	机器学习	NA	深度学习	NA	文献研究	60篇文献
635	2024-08-05	Determining Protein Secondary Structures in Heterogeneous Medium-Resolution Cryo-EM Images Using CryoSSESeg 2024-Jun-18, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.4c02608 PMID:38911779	研究论文	本研究提出了一个基于卷积神经网络的框架cryoSSESeg，用于在中等分辨率的冷冻电子显微镜图像中确定蛋白质二级结构的组织	介绍了一种新的深度学习方法cryoSSESeg，相比传统图像处理工具和其他深度学习模型表现出更优或相当的性能	结果受到中等分辨率密度图质量变化的影响，需要小心评估数据质量	通过分析中等分辨率的冷冻电子显微镜图像来提取蛋白质二级结构的信息	约1300条蛋白链来自500个实验性的冷冻电子显微镜密度图	计算机视觉	NA	冷冻电子显微镜（cryo-EM）	卷积神经网络（CNN）	图像	约1300条蛋白链，来自约500个不同质量的实验性冷冻电子显微镜密度图
636	2024-08-05	Deep-GenMut: Automated genetic mutation classification in oncology: A deep learning comparative study 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e32279 PMID:38912449	研究论文	本文探讨了自动化的肿瘤学基因突变分类方法	通过比较不同深度学习模型，提出了优化的BioBERT模型用于基因突变分类，展示了实验结果的显著提升	研究中存在文本长度庞大、数据偏差以及数据实例重复等挑战	提高临床解释的精确度，改进基因突变的自动分析	利用深度学习模型对基因突变进行分类	自然语言处理	癌症	下一代测序技术	BioBERT, BERT, LSTM, BiLSTM	文本	使用了由纪念斯隆-凯特琳癌症中心（MSKCC）创建的包含多种突变的数据集
637	2024-08-05	Advancing reliability and efficiency of urban communication: Unmanned aerial vehicles, intelligent reflection surfaces, and deep learning techniques 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e32472 PMID:38912507	研究论文	本文提出了一种用于无人机辅助通信系统的新型三维动态信道模型，并引入智能反射面来提升城市通信的可靠性和效率	提出了一种结合深度学习和人工智能技术的信道跟踪方法，使用深度神经网络进行初步估计，并采用双向长短期记忆（Bi-LSTM）模型进行持续监测	文中未提及具体在复杂城市环境中部署的限制因素	旨在改进城市环境中的无线通信网络，通过无人机和智能反射面建立更可靠的连接	研究对象为无人机辅助通信系统和智能反射面的整合	计算机视觉	NA	深度学习	Bi-LSTM	信号数据	仿真结果未具体说明样本规模
638	2024-08-05	Enhancing Earth data analysis in 5G satellite networks: A novel lightweight approach integrating improved deep learning 2024-Jun-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e32071 PMID:38912450	研究论文	该文章提出了一种集成云服务器与卫星网络结构的轻量级深度学习方法以增强地球数据分析	创新点在于提出了LMAEDL方法，通过适应性调整学习技术来优化卫星网络中的数据处理	文章未提供对比的具体数据或结果，可能无法全面评估所有潜在局限性	研究旨在提升5G卫星网络中数据分析的效率	研究对象包括在远程节点中分布广泛的传感器产生的大量数据	机器学习	NA	深度学习	NA	数据	NA
639	2024-08-05	Contrastive pre-training for sequence based genomics models 2024-Jun-12, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.10.598319 PMID:38915667	研究论文	本文介绍了一种用于序列基础基因组模型的无监督对比预训练方法cGen	cGen是一种模型无关的对比预训练方法，能够在训练前初始化权重，从而减少所需数据集的大小	对比预训练方法的有效性可能受到原始基因组数据的质量影响	探索深度学习在基因组学中的应用，尤其是在数据稀缺情况下的模型性能提升	研究序列基础的深度学习模型在基因组学中的应用	机器学习	NA	NA	NA	序列数据	NA
640	2024-08-05	Deep learning-based multi-modal data integration enhancing breast cancer disease-free survival prediction 2024-Jun, Precision clinical medicine IF:5.1Q1 DOI:10.1093/pcmedi/pbae012 PMID:38912415	研究论文	本研究开发了一个新的多模态深度学习模型，使用术前数据预测乳腺癌的无病生存期。	创新点在于将临床病理数据与分子数据整合到DeepClinMed-PGM模型中，以提高预测乳腺癌无病生存期的准确性。	研究的回顾性设计可能影响模型的广泛适用性和外部验证。	研究旨在开发一个乳腺癌无病生存期的预测模型。	参与者包括训练队列741人，内部验证队列184人，外部测试队列95人。	机器学习	乳腺癌	深度学习	DeepClinMed-PGM	影像、分子和临床数据	训练队列741人，内部验证队列184人，外部测试队列95人