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
861	2024-08-05	A multi-classifier system integrated by clinico-histology-genomic analysis for predicting recurrence of papillary renal cell carcinoma 2024-Jul-23, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-50369-y PMID:39043664	研究论文	本研究开发了一种通过临床、组织学和基因组分析整合的多分类器系统，以准确预测乳头状肾细胞癌的复发	该多分类器系统结合了lncRNA基础分类器、深度学习全幻灯片图像分类器和临床病理分类器，显著提高了复发无生存期的预测准确性	NA	提高乳头状肾细胞癌术后复发的预测准确性	局部（I-III期）的乳头状肾细胞癌患者	数字病理学	肾癌	深度学习	多分类器系统	图像	NA
862	2024-08-05	CapsEnhancer: An Effective Computational Framework for Identifying Enhancers Based on Chaos Game Representation and Capsule Network 2024-Jul-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00546 PMID:38946113	研究论文	本文提出了一种名为CapsEnhancer的深度学习框架，用于识别增强子及其强度	这是首次将计算机视觉方法应用于增强子识别任务	NA	旨在通过计算方法提高增强子识别的效率	针对非编码DNA中的增强子进行研究	数字病理学	NA	深度学习	胶囊网络	图像	NA
863	2024-08-05	Pre-gating and contextual attention gate - A new fusion method for multi-modal data tasks 2024-Jul-17, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106553 PMID:39053303	研究论文	本文提出了一种新颖的预门控和上下文注意力门（PCAG）模块，用于多模态学习	引入了两个在深度学习模型中不同信息处理层次操作的门控机制，从而改善多模态数据的融合	未提及特定的局限性	探讨提高多模态学习性能的新方法	多模态数据和跨模态交互	机器学习	NA	NA	NA	分类任务相关数据	八个多模态分类任务
864	2024-08-05	Towards energy efficiency: A comprehensive review of deep learning-based photovoltaic power forecasting strategies 2024-Jul-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e33419 PMID:39050417	综述	本文系统评审了基于深度学习的光伏功率预测策略，分析了现有文献中的关键要素和差异。	提出了一种全面的文献审查，首次将不同模型和预测指标进行系统比较，并强调了数据集的一致性问题。	未能提供跨域的基准数据集和标准化性能评价单位，限制了研究的全面性。	研究光伏功率预测中的深度学习方法及其现状。	选择了发表于2022和2023年的36个相关案例研究进行分析和比较。	机器学习	NA	深度学习	人工神经网络单元、递归单元、卷积单元和转换单元	时间序列	36个研究案例
865	2024-08-05	Automatic detection, segmentation, and classification of primary bone tumors and bone infections using an ensemble multi-task deep learning framework on multi-parametric MRIs: a multi-center study 2024-Jul, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-10506-5 PMID:38127073	研究论文	本文开发了一种集成多任务深度学习框架，用于自动检测、分割和分类原发性骨肿瘤和骨感染	提出的框架结合多参数MRI和临床特征，显著提高了单模态模型的分类能力	研究为回顾性，样本数据来自多个中心，可能存在数据和结果的一致性问题	研究的目的是提高原发性骨肿瘤和骨感染的自动检测和分类能力	749名来自两个医院的原发性骨肿瘤和骨感染患者	数字病理学	NA	多参数MRI	集成多任务深度学习	影像	749名患者
866	2024-08-05	Ultrasound and diffuse optical tomography-transformer model for assessing pathological complete response to neoadjuvant chemotherapy in breast cancer 2024-Jul, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.29.7.076007 PMID:39050779	研究论文	本文评估了整合超声和弥散光学断层成像图像在 predicting 乳腺癌患者对新辅助化疗的病理完全反应的效率	该研究提出了一种名为USDOT-Transformer的模型，结合了超声和弥散光学断层成像技术与肿瘤受体生物标志物，用于准确预测乳腺癌患者的新辅助化疗效果	研究的样本量相对较小，仅为60名患者，可能限制了模型的普遍适用性	本文旨在开发和评估USDOT-Transformer模型在预测乳腺癌患者对新辅助化疗的病理完全反应方面的性能	研究对象为正在接受新辅助化疗的乳腺癌患者	数字病理学	乳腺癌	超声、弥散光学断层成像	Transformer	影像	60名乳腺癌患者
867	2024-08-05	CT-based deep learning model for predicting hospital discharge outcome in spontaneous intracerebral hemorrhage 2024-Jul, European radiology IF:4.7Q1 DOI:10.1007/s00330-023-10505-6 PMID:38127074	研究论文	该文章旨在使用基于CT图像的深度学习模型预测自发性脑内出血患者的功能结局。	文章创新地将临床表现、CT图像和放射特征结合起来，建立了深度学习模型，以提高自发性脑内出血患者功能预后的准确性。	由于该研究为回顾性双中心研究，结果可能受到数据收集和样本选择的局限性影响。	研究的目的是利用深度学习模型预测自发性脑内出血患者的功能结果。	研究对象为604名自发性脑内出血患者。	数字病理学	脑血管疾病	深度学习	3D卷积模型与极端梯度提升(XGBoost)模型	CT图像	总共有604名自发性脑内出血患者参与本研究，其中450名为训练集，50名为测试集，104名为外部验证集
868	2024-08-07	Deep learning reconstruction computed tomography with low-dose imaging 2024-07, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-024-05950-4 PMID:38758373	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
869	2024-08-05	Prediction of visual field progression with serial optic disc photographs using deep learning 2024-Jul-23, The British journal of ophthalmology DOI:10.1136/bjo-2023-324277 PMID:37833037	研究论文	本研究测试了基于纵向视神经盘照片预测视野进展的深度学习模型的假设	提出了一种使用双神经网络和ResNet50骨干的深度学习模型来预测青光眼的进展	该研究需要进一步验证模型的临床适用性	研究目的在于利用深度学习模型预测基于光盘照片的视野进展	研究对象为3919只眼睛，其中包括2259名患者	数字病理学	青光眼	深度学习	双神经网络（ResNet50）	图像	3919只眼睛（2259名患者）
870	2024-08-05	Differentiation of granulomatous nodules with lobulation and spiculation signs from solid lung adenocarcinomas using a CT deep learning model 2024-Jul-22, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-024-12611-0 PMID:39039511	研究论文	本研究利用CT深度学习模型区分具有分叶和尖刺征兆的肉芽肿结节与实性肺腺癌	提出了一种CT深度学习模型，能有效提高诊断分叶和尖刺征兆的肉芽肿结节的准确性	该研究可能受到样本选择偏差和回顾性分析的影响	旨在提高在手术前诊断分叶和尖刺征兆肉芽肿结节的准确性	420名患有病理确认的肉芽肿结节和肺腺癌的患者	计算机视觉	肺癌	CT深度学习	自监督转移学习	图像	420名患者
871	2024-08-05	A dataset for deep learning based detection of printed circuit board surface defect 2024-Jul-22, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03656-8 PMID:39039085	研究论文	本文创建了一个用于深度学习检测印刷电路板表面缺陷的数据集	创新性在于分类了9种印刷电路板表面缺陷并开发了一个大规模的数据集DsPCBSD+	NA	旨在提高印刷电路板表面缺陷的检测精度与效率	印刷电路板表面缺陷	深度学习	NA	深度学习	NA	图像	10259张图像，20276个缺陷
872	2024-08-05	Chemical language modeling with structured state space sequence models 2024-Jul-22, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-50469-9 PMID:39039051	研究论文	本文介绍了一种新型深度学习架构S4模型在新药设计中的应用	S4模型在化学语言建模中展现出卓越的学习复杂分子特性的能力	未提及具体局限性	探讨S4模型如何提升化学语言建模以进行新药设计	该研究集中于药物发现任务中的化学语言模型	机器学习	NA	深度学习	S4模型	分子字符串	涉及多个药物发现任务的多种分子
873	2024-08-05	Radiograph-based rheumatoid arthritis diagnosis via convolutional neural network 2024-Jul-22, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01362-w PMID:39039460	研究论文	本文旨在开发一种基于深度学习的自动化系统，用于从X光片中识别和分级类风湿性关节炎(RA)	提出了一种基于CNN的完全自动化RA诊断模型，探索了五种流行的CNN架构	实验只基于手部X光片，未探讨其他部位的RA诊断可能性	研究旨在为RA的快速、准确诊断开发一种新的方法	基于240张手部X光片的数据集进行训练和104张X光片的评估	计算机视觉	类风湿性关节炎	卷积神经网络(CNN)	GoogLeNet和VGG16	图像	240张手部X光片用于训练，104张用于评估
874	2024-08-05	Artificial intelligence model for automated surgical instrument detection and counting: an experimental proof-of-concept study 2024-Jul-21, Patient safety in surgery IF:2.6Q1 DOI:10.1186/s13037-024-00406-y PMID:39034409	研究论文	本研究评估了一种基于深度学习的计算机视觉模型，用于自动化手术工具检测和计数	提出了一种新颖的数据集与深度学习模型，展示了自动检测和计数手术工具的可行性	需要在临床环境中进一步验证模型的有效性	旨在提高手术安全性，并减少手术人员的手动工作负担	使用包含13,213个手术工具的图像数据集进行模型训练和性能评估	计算机视觉	NA	深度学习	NA	图像	1,004张图像，11个类别的手术工具
875	2024-08-05	Detection of atrial fibrillation using a nonlinear Lorenz Scattergram and deep learning in primary care 2024-Jul-20, BMC primary care IF:2.0Q2 DOI:10.1186/s12875-024-02407-3 PMID:39033295	研究论文	本研究旨在基于非线性 Lorenz 散点图和深度学习构建心房颤动 (AF) 检测模型	该文章使用非线性 Lorenz 散点图与深度学习结合以提高心房颤动的检测准确性	未提及研究的局限性	快速准确地检测心房颤动以促进早期干预	MIT-BIH 正常窦律数据库、MIT-BIH 心律失常数据库和长期心房颤动数据库中的数据	计算机视觉	心房颤动	深度学习	NA	心电图	从多个数据库构建的数据集，不同的内外验证集
876	2024-08-05	STC-UNet: renal tumor segmentation based on enhanced feature extraction at different network levels 2024-Jul-19, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01359-5 PMID:39030510	研究论文	本文提出了一种新的STC-UNet模型，用于改善肾肿瘤的分割精度	引入选择性卷积核、视觉变换器和坐标注意力模块，以增强网络不同层级的特征提取能力	在现有研究中未具体提及样本多样性和外部验证的限制	提高肾肿瘤的医学图像分割精度	肾肿瘤的医学图像数据	医学图像分割	肾癌	深度学习	U-Net	图像	基于KiTS19数据集的验证
877	2024-08-05	Assessing breast disease with deep learning model using bimodal bi-view ultrasound images and clinical information 2024-Jul-19, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.110279 PMID:39045104	研究论文	本研究开发了一种多模式深度学习模型（BreNet），用于区分乳腺癌与良性病变	BreNet模型在乳腺癌的检测中显示出优于放射科医生的诊断能力，并能够提升放射科医生的诊断效果	本研究基于单一中心和两个中心的图像进行测试，实际应用中可能需要更广泛的验证	提高乳腺癌的诊断能力	利用双模式超声图像及临床信息进行乳腺疾病的评估	数字病理学	乳腺癌	深度学习	BreNet	图像	10,108张训练图像和3,762张测试图像
878	2024-08-05	Hybridized deep learning goniometry for improved precision in Ehlers-Danlos Syndrome (EDS) evaluation 2024-Jul-18, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02601-4 PMID:39026270	研究论文	本研究开发了一种基于图像的体位测量系统，HybridPoseNet，对Ehlers-Danlos综合征（EDS）的评估提供更准确的关节角度测量	该模型结合了CNN与HyperLSTM的优势，提供了更好的泛化和时间一致性，显著改善了常规体位测量库的准确性	本研究的样本量相对较小，仅包括50名访问EDS诊所的个体，可能限制了结果的普遍适用性	旨在开发一种新颖的测量工具，以提高在EDS评估中的关节角度测量准确性	研究对象为50名就诊于EDS诊所的个体，主要关注能够过度伸展的关节	计算机视觉	Ehlers-Danlos综合征	深度学习	HybridPoseNet	视频	50个个体
879	2024-08-05	Research on image recognition of tomato leaf diseases based on improved AlexNet model 2024-Jul-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e33555 PMID:39044970	研究论文	该文章介绍了一种基于改进AlexNet模型的番茄叶病害图像识别方法	通过HOG和LBP加权融合特征提取改进了传统图像识别技术，提升了图像分类与识别效果	研究未提及样本多样性和可能的环境影响	旨在提高番茄叶病害的识别效率和准确性	针对8种番茄叶病害及健康叶片	计算机视觉	植物病害	深度学习，使用AlexNet模型及转移学习	改进的AlexNet模型	图像	包含8种番茄叶病害的图像数据集
880	2024-08-05	Time Series AI Model for Acute Kidney Injury Detection Based on a Multicenter Distributed Research Network: Development and Verification Study 2024-Jul-05, JMIR medical informatics IF:3.1Q2 DOI:10.2196/47693 PMID:39039992	研究论文	本研究旨在通过可解释的长短期记忆（LSTM）模型，利用分布式研究网络（DRN）中的时间序列数据，检测急性肾损伤（AKI）的早期发生。	本研究首次应用基于时间序列的可解释多变量LSTM（IMV-LSTM）模型，对使用肾毒性药物患者的电子健康记录（EHR）数据进行分析。	未提及本研究的具体局限性。	早期识别急性肾损伤的发生，以便在肾毒性药物开处方前检测不良反应的风险因素。	研究对象为使用肾毒性药物的患者，涉及6家医院的电子健康记录时间序列数据。	数字病理学	急性肾损伤	可解释多变量LSTM	LSTM	电子健康记录时间序列数据	分析了8643名有急性肾损伤的患者和31012名没有急性肾损伤的患者