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
161	2024-12-28	A Review of Nuclei Detection and Segmentation on Microscopy Images Using Deep Learning With Applications to Unbiased Stereology Counting 2024-06, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3213407 PMID:36327184	综述	本文回顾了使用深度学习在显微镜图像上进行细胞核检测和分割的最新方法，并探讨了其在无偏体视学计数中的应用	结合无偏体视学，探讨深度学习在细胞核检测和分割中的最新应用	未提及具体的数据集或实验结果的局限性	探讨深度学习在细胞核检测和分割中的应用，特别是在癌症和阿尔茨海默病研究中的重要性	显微镜图像中的细胞核	数字病理学	癌症, 阿尔茨海默病	深度学习	NA	图像	NA
162	2024-12-28	GMILT: A Novel Transformer Network That Can Noninvasively Predict EGFR Mutation Status 2024-06, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3190671 PMID:35862326	研究论文	本文提出了一种名为GMILT的新型Transformer网络，用于非侵入性地预测EGFR突变状态	首次将病理侵袭性信息作为嵌入引入多任务模型，结合多实例学习和判别性弱监督特征学习，提升了预测性能	模型在外部数据集上的表现略低于内部数据集，可能存在泛化能力不足的问题	非侵入性且准确地预测EGFR突变状态，并识别与突变状态最相关的可疑区域以指导活检	肺腺癌患者的CT图像	计算机视觉	肺癌	深度学习	Transformer网络（GMILT）	CT图像	512名肺腺癌患者，测试数据集包括内部测试集、外部测试集和TCIA公共数据集
163	2024-12-28	Hypergraph Structural Information Aggregation Generative Adversarial Networks for Diagnosis and Pathogenetic Factors Identification of Alzheimer's Disease With Imaging Genetic Data 2024-06, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3212700 PMID:36264725	研究论文	本文提出了一种超图结构信息聚合生成对抗网络（HSIA-GANs），用于阿尔茨海默病的诊断和致病因素识别	提出了一种新的深度学习方法HSIA-GANs，结合了超图结构信息聚合模型，用于自动样本分类和精确特征提取	未明确提及具体局限性	利用成像遗传数据进行阿尔茨海默病的诊断和致病因素识别	阿尔茨海默病	数字病理学	阿尔茨海默病	成像遗传数据分析	生成对抗网络（GAN）	成像遗传数据	基于AD神经影像倡议获取的数据
164	2024-12-28	GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-Resolved EEG Motor Imagery Signals 2024-06, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3202569 PMID:36099220	研究论文	本文提出了一种基于图卷积神经网络（GCNs）的深度学习框架，用于解码时间分辨的脑电图（EEG）运动想象信号	该框架首次将电极的功能拓扑关系纳入EEG信号解码，提升了运动想象任务中的解码性能	NA	开发高效且有效的脑机接口（BCI）系统，精确解码脑电图（EEG）信号	脑电图（EEG）信号	机器学习	NA	图卷积神经网络（GCNs）	GCNs	脑电图（EEG）信号	PhysioNet数据集和高伽马数据集
165	2024-12-28	Exploring Brain Effective Connectivity Networks Through Spatiotemporal Graph Convolutional Models 2024-06, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3221617 PMID:36399590	研究论文	本文提出了一种基于时空图卷积模型（STGCM）的新方法STGCMEC，用于从功能磁共振成像（fMRI）数据中学习大脑有效连接网络（ECN）	该方法首次结合了时间卷积网络和图卷积网络，以提取fMRI数据的深层时间特征并利用脑区之间的空间拓扑关系，使脑区特征更具区分性	当前方法未充分利用fMRI数据的深层时间特征和脑区之间的空间拓扑关系	研究如何从fMRI数据中更好地学习大脑有效连接网络	大脑有效连接网络	机器学习	阿尔茨海默病	功能磁共振成像（fMRI）	时空图卷积模型（STGCM）	fMRI数据	模拟数据集和真实阿尔茨海默病神经影像倡议（ADNI）数据集
166	2024-12-28	MiniSeg: An Extremely Minimum Network Based on Lightweight Multiscale Learning for Efficient COVID-19 Segmentation 2024-06, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3230821 PMID:37015641	研究论文	本文提出了一种名为MiniSeg的轻量级模型，用于从CT图像中高效分割COVID-19感染区域	MiniSeg模型通过设计注意力层次空间金字塔（AHSP）模块和双路径编码器，实现了轻量级、高效的多尺度学习，解决了传统深度学习方法在有限数据下容易过拟合和计算成本高的问题	未明确提及具体局限性	提高COVID-19筛查和临床诊断的准确性，并快速部署和开发COVID-19筛查系统	COVID-19感染区域的CT图像	计算机视觉	COVID-19	深度学习	MiniSeg（基于AHSP模块和双路径编码器的轻量级模型）	CT图像	未明确提及具体样本数量
167	2024-12-28	An Explainable and Generalizable Recurrent Neural Network Approach for Differentiating Human Brain States on EEG Dataset 2024-06, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3214225 PMID:36331650	研究论文	本文提出了一种可解释且可推广的循环神经网络方法，用于区分人类脑电图（EEG）数据集中的脑状态	提出了一种基于多重随机片段搜索的多层循环神经网络（MRFS-MRNN），以提高区分性能并探索有意义的模式	未提及具体局限性	研究如何通过可解释且可推广的深度学习方法区分脑状态	人类脑电图（EEG）数据集	机器学习	NA	NA	多层循环神经网络（MRFS-MRNN）	时间序列数据	未提及具体样本数量
168	2024-12-25	Patient-specific placental vessel segmentation with limited data 2024-Jun-04, Journal of robotic surgery IF:2.2Q2 DOI:10.1007/s11701-024-01981-z PMID:38833204	研究论文	本文提出了一种基于生成对抗网络的患者特定胎盘血管分割方法，通过生成对抗模型生成人工样本，补充有限的真实数据，以提高分割性能	使用生成对抗网络生成人工样本，补充有限的真实数据，实现患者特定的胎盘血管分割	仅在双胎输血综合征的胎盘血管分割中进行了验证，尚未广泛应用于其他医学领域	解决医学领域中训练数据分布与临床数据不一致的问题，提高模型在临床中的应用效果	胎盘血管的分割	计算机视觉	NA	生成对抗网络（GAN）	生成对抗网络（GAN）	视频	20张标注图像
169	2024-12-24	Compositionally Equivariant Representation Learning 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3358955 PMID:38277249	研究论文	本文研究了在医学图像分割中利用组合性学习更具解释性和泛化能力的表示	提出了组合等变表示学习方法，通过可学习的von-Mises-Fisher核来建模组合表示，并在不同监督设置下探索如何增强组合等变性	NA	研究如何在医学图像分割中利用组合性学习更具解释性和泛化能力的表示	医学图像分割中的组合等变表示	计算机视觉	NA	von-Mises-Fisher核	组合等变表示模型	图像	NA
170	2024-12-24	Deep Learning With Physics-Embedded Neural Network for Full Waveform Ultrasonic Brain Imaging 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3363144 PMID:38329866	研究论文	本文提出了一种基于物理嵌入神经网络的深度学习方法，用于超声波脑成像的全波形反演	提出了物理嵌入神经网络（PEN-FWI），结合深度学习与全波形反演，能够实现对脑组织的可靠定量成像	NA	开发一种新的方法，用于超声波脑成像，克服传统超声在脑成像中的局限性	脑组织和颅骨的超声波成像	计算机视觉	NA	超声波成像	卷积神经网络（CNN）	图像	模拟和实验室测试数据
171	2024-12-24	Multi-Instance Multi-Task Learning for Joint Clinical Outcome and Genomic Profile Predictions From the Histopathological Images 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3362852 PMID:38319755	研究论文	本文提出了一种多实例多任务学习框架，用于从病理图像中联合预测临床结果和基因组特征	本文创新性地提出了一个多实例学习模块和一个基于软掩码的融合模块，以利用不同任务之间的相关性来提高预测性能	本文的局限性在于仅在TCGA数据集上进行了验证，未来需要在更多数据集上进行验证	研究目的是开发一种能够从病理图像中联合预测临床结果和基因组特征的多任务学习框架	研究对象是来自TCGA的三种癌症队列的病理图像	数字病理学	NA	深度学习	多实例多任务学习框架	图像	来自TCGA的三种癌症队列
172	2024-12-24	Robust Stochastic Neural Ensemble Learning With Noisy Labels for Thoracic Disease Classification 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3357986 PMID:38265913	研究论文	本文提出了一种新的随机神经网络集成学习框架（SNEL），用于在存在噪声标签的情况下进行胸部疾病分类	本文的创新点在于通过构建模型集成和设计抗噪损失函数来从噪声标签中学习	NA	开发一种能够在噪声标签存在的情况下进行胸部疾病分类的鲁棒深度学习模型	胸部疾病的分类	计算机视觉	NA	深度学习	神经网络集成	图像	三个公开的医院级胸部X光数据集
173	2024-12-24	Toward Ground-Truth Optical Coherence Tomography via Three-Dimensional Unsupervised Deep Learning Processing and Data 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3363416 PMID:38324426	研究论文	本文提出了一种名为tGT-OCT的无散斑光学相干断层扫描（OCT）成像策略，利用无监督的三维深度学习处理和OCT三维成像特征来实现无散斑的OCT成像	本文的创新点在于提出了一种无监督的三维卷积深度学习网络，能够有效区分并分离三维成像体积空间中的散斑和真实结构，从而实现高质量的无散斑三维成像	NA	本文的研究目的是开发一种新的无散斑OCT成像方法，以提高OCT成像的质量和应用范围	本文的研究对象是光学相干断层扫描（OCT）成像中的散斑噪声	计算机视觉	NA	光学相干断层扫描（OCT）	三维卷积神经网络（3D-CNN）	三维体积数据	不同样本
174	2024-12-24	PND-Net: Physics-Inspired Non-Local Dual-Domain Network for Metal Artifact Reduction 2024-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3354925 PMID:38236665	研究论文	本文提出了一种基于物理特性的非局部双域网络PND-Net，用于CT图像中的金属伪影减少	提出了一个新颖的物理启发式非局部双域网络PND-Net，并设计了非局部正弦图分解网络NSD-Net和图像恢复网络IR-Net，以及用于未配对学习的可训练融合网络F-Net	未提及具体限制	减少CT图像中的金属伪影，提高图像质量和临床诊断的准确性	CT图像中的金属伪影	计算机视觉	NA	深度学习	PND-Net	图像	模拟数据和临床数据
175	2024-12-22	Overview of AlphaFold2 and breakthroughs in overcoming its limitations 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108620 PMID:38761500	综述	本文综述了AlphaFold2在蛋白质结构预测领域的突破及其局限性，并探讨了其应用和未来发展方向	AlphaFold2通过深度学习方法实现了高精度的蛋白质三维结构预测，显著推动了蛋白质折叠领域的进展	尽管AlphaFold2在蛋白质结构预测方面取得了突破，但仍有许多方面需要进一步研究，如动态变化、点突变等	探讨AlphaFold2在蛋白质结构预测中的应用及其在药物靶点发现中的潜力	AlphaFold2及其在蛋白质结构预测、动态变化、点突变等方面的应用	机器学习	NA	深度学习	AlphaFold2	蛋白质序列	NA
176	2024-12-22	Machine learning-based longitudinal prediction for GJB2-related sensorineural hearing loss 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108597 PMID:38763069	研究论文	本研究旨在利用机器学习构建一个预测GJB2相关感音神经性听力损失进展的模型，以实现个性化的医疗规划	首次利用机器学习技术构建了GJB2相关感音神经性听力损失的纵向预测模型，并展示了其在个性化医疗规划中的应用潜力	研究样本仅限于具有双等位GJB2变异的感音神经性听力损失患者，可能限制了模型的普适性	构建一个能够预测GJB2相关感音神经性听力损失进展的机器学习模型，以支持个性化的医疗干预	具有双等位GJB2变异的感音神经性听力损失患者	机器学习	感音神经性听力损失	机器学习	LSTM	音频图	449名患者，2184份音频图
177	2024-12-22	Multi-scale feature fusion and class weight loss for skin lesion classification 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108594 PMID:38761501	研究论文	本文提出了一种多尺度特征融合结构和类权重损失方法，用于皮肤病变分类	创新点包括多尺度特征融合结构、类权重、标签平滑和重采样方法，以及对HAM10000_RE数据集的头发特征去除实验	未提及具体局限性	提高皮肤病变图像分类的准确性	皮肤病变图像	计算机视觉	皮肤癌	深度学习	NA	图像	使用了HAM10000和ISIC2019数据集
178	2024-12-22	Linguistic-based Mild Cognitive Impairment detection using Informative Loss 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108606 PMID:38763068	研究论文	本文提出了一种基于自然语言处理技术的深度学习方法，用于区分老年人的轻度认知障碍和正常认知状态	提出了一个新的损失函数InfoLoss，通过观察每个句子序列的熵减少来提高分类准确性	NA	开发一种能够区分轻度认知障碍和正常认知状态的深度学习方法	老年人的轻度认知障碍和正常认知状态	自然语言处理	NA	自然语言处理技术	Transformer、多层感知器	文本	I-CONECT研究项目中的视频采访转录数据
179	2024-12-22	Exploring UMAP in hybrid models of entropy-based and representativeness sampling for active learning in biomedical segmentation 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108605 PMID:38772054	研究论文	本文研究了在医学分割中基于主动学习的熵和代表性采样技术的混合模型，特别是探讨了UMAP在捕捉代表性方面的作用	本文提出了一种新的混合采样技术Entropy-UMAP，并在医学分割任务中取得了显著的Dice分数提升	本文仅在心脏和前列腺数据集上进行了验证，尚未在其他医学数据集上进行广泛测试	探索UMAP在基于主动学习的医学分割中的应用，并评估其与熵采样结合的效果	心脏和前列腺的医学分割任务	计算机视觉	NA	UMAP	NA	图像	心脏和前列腺数据集
180	2024-12-21	Deep learning models for ischemic stroke lesion segmentation in medical images: A survey 2024-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108509 PMID:38677171	综述	本文全面回顾了用于医学图像中缺血性卒中病变分割的深度学习模型	总结了将深度学习架构（如基于CNN和基于transformer的模型）适应于卒中病变分割任务的创新点，并分析了其动机、修改和结果	未提及具体的研究局限性	旨在支持自动化卒中病变分割领域的持续进展	缺血性卒中病变的分割	计算机视觉	脑血管疾病	深度学习	CNN, transformer	图像	涉及三个主要的公共基准数据集：ATLAS, ISLES 和 AISD