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
1281	2024-08-07	Weakly-supervised preclinical tumor localization associated with survival prediction from lung cancer screening Chest X-ray images 2024-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2024.102395 PMID:38729092	研究论文	本文探讨了通过弱监督训练的生存预测模型，在胸部X光片（CXR）图像中定位临床前肿瘤区域的可能性，并使用健康患者的CXR图像及其死亡时间标签数据集进行验证	本文提出了一种新的方法，通过使用多类生存预测深度学习分类器和Grad-CAM等后置解释方法，实现了临床前肿瘤区域的定位，并为生存预测结果提供了视觉解释	NA	验证在胸部X光片中通过弱监督学习定位临床前肿瘤区域并预测生存率的可行性	胸部X光片中的临床前肿瘤区域定位及生存预测	计算机视觉	肺癌	弱监督学习	深度学习分类器	图像	使用国家肺癌筛查试验（NLST）数据集进行实验
1282	2024-08-07	Federated learning with knowledge distillation for multi-organ segmentation with partially labeled datasets 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103156 PMID:38603844	研究论文	本文提出了一种结合知识蒸馏的联邦学习方法，用于在部分标记的多器官CT数据集上进行分割	使用知识蒸馏来规范本地训练，结合全局模型和预训练的特定器官分割模型，以解决联邦学习中的'灾难性遗忘'问题	NA	提高多器官CT分割的准确性和效率	多器官CT图像分割	计算机视觉	NA	联邦学习	U-Net	图像	8个公开的腹部CT数据集，共889个CT用于训练，233个用于内部测试，30个用于外部测试
1283	2024-08-07	Anat-SFSeg: Anatomically-guided superficial fiber segmentation with point-cloud deep learning 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103165 PMID:38608510	研究论文	提出了一种基于解剖引导的浅层纤维分割框架Anat-SFSeg，通过使用独特的纤维解剖描述符FiberAnatMap和基于点云数据的深度学习网络，提高了浅层白质分割的准确性	引入了新的度量标准纤维解剖区域比例（FARP）和解剖区域纤维计数（ARFC），用于评估纤维在定义脑区的比例和个体间的差异	NA	提高浅层白质分割的准确性，并探索其在神经退行性疾病中的应用	浅层白质纤维的精确分割	数字病理学	神经退行性疾病	扩散磁共振成像（dMRI）	神经网络	点云数据	使用了人类连接组项目（HCP）数据集，并在不同认知障碍水平的受试者中进行了测试
1284	2024-08-07	Population-based deep image prior for dynamic PET denoising: A data-driven approach to improve parametric quantification 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103180 PMID:38657423	研究论文	本研究提出了一种基于人群的深度图像先验（PDIP）技术，用于提高动态正电子发射断层扫描（PET）图像的质量和参数量化准确性	PDIP技术结合了人群基础的先验信息和深度图像先验（DIP）的优化过程，通过3D U-Net架构实现噪声减少，同时保留了小病变信息	研究中使用的监督模型和CDIP模型在减少噪声的同时可能导致小病变的平滑和移除	提高动态PET图像的质量和参数量化准确性	动态PET图像的噪声减少	计算机视觉	NA	深度学习	3D U-Net	图像	23名患者的动态PET图像和100项临床研究的静态PET数据集
1285	2024-08-07	A subject-specific unsupervised deep learning method for quantitative susceptibility mapping using implicit neural representation 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103173 PMID:38657424	研究论文	本研究提出了一种基于隐式神经表示的无监督且针对特定对象的深度学习方法，用于定量磁化率成像重建，称为INR-QSM	本研究首次提出了基于隐式神经表示的INR-QSM方法，并引入了一种新的相位补偿策略，以考虑组织相位的非局部效应，使物理模型更准确	目前研究主要集中在定量磁化率成像的重建方法上，尚未涉及其在临床应用中的广泛验证	开发一种无需大量配对训练数据且能有效处理定量磁化率成像中逆问题的深度学习方法	定量磁化率成像的重建方法	机器学习	NA	MRI	全连接神经网络	图像	未具体说明
1286	2024-08-07	One-shot neuroanatomy segmentation through online data augmentation and confidence aware pseudo label 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103182 PMID:38688039	研究论文	本文提出了一种端到端的统一网络，用于一次性神经解剖学分割，结合了变形建模和分割任务，通过在线数据增强和置信度感知伪标签提高性能	引入在线数据增强和置信度感知伪标签，以提高从少量标注图像中学习的效果	NA	实现从单一标注图像和少量未标注图像中学习神经解剖学分割	大脑图像的分割	计算机视觉	NA	深度学习	CNN	图像	使用一个标注图像和少量未标注图像进行训练
1287	2024-08-07	Standardization of ultrasound images across various centers: M2O-DiffGAN bridging the gaps among unpaired multi-domain ultrasound images 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103187 PMID:38705056	研究论文	本文介绍了一种名为M2O-DiffGAN的高效域变换模型，用于将多个未标记的源域统一映射到目标域，以解决超声图像分析中的域偏移问题	引入了循环一致的“多对一”对抗学习架构和条件对抗扩散过程，生成高保真度的图像，并结合超声特定的内容损失以合成高质量的超声图像	NA	解决超声图像分析中的域偏移问题，提高深度学习方法的泛化能力	多源域变换技术在超声图像分析中的应用	计算机视觉	NA	深度学习	GAN	图像	六个临床数据集，涵盖甲状腺、颈动脉和乳腺
1288	2024-08-07	Achieve fairness without demographics for dermatological disease diagnosis 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103188 PMID:38718715	研究论文	本文提出了一种在测试阶段实现敏感属性公平预测的方法，无需在训练阶段使用敏感信息	通过捕捉与敏感和目标属性相关的特征并规范相应类别间的特征纠缠，提高了模型的公平性和准确性	NA	旨在解决皮肤病诊断中AI模型的公平性问题	皮肤病图像诊断中的公平性	计算机视觉	NA	NA	深度学习模型	图像	两个皮肤病数据集
1289	2024-08-07	A systematic comparison of deep learning methods for Gleason grading and scoring 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103191 PMID:38728903	研究论文	本文对九个数据集上的深度学习方法进行了系统比较，以评估其在Gleason分级和评分任务中的表现	本文首次系统比较了多种深度学习方法在Gleason分级和评分任务中的应用，包括全监督学习、弱监督学习、半监督学习等多种训练方法	文章未明确提及具体的局限性	旨在确定最适合Gleason分级和评分任务的深度学习方法	Gleason分级和评分任务	数字病理学	前列腺癌	深度神经网络	CNN, Additive-MIL, Attention-Based MIL, Dual-Stream MIL, TransMIL, CLAM	图像	九个数据集，来源包括病理研究所和公开可访问的存储库
1290	2024-08-07	Deep magnetic resonance fingerprinting based on Local and Global Vision Transformer 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103198 PMID:38759259	研究论文	本文提出了一种基于局部和全局视觉变换器（LG-ViT）的深度磁共振指纹识别方法，以提高参数重建的速度和准确性	本文创新性地采用了局部和全局视觉变换器（LG-ViT）来捕捉磁共振指纹中的上下文信息和长距离依赖关系，从而提高重建效率和准确性	现有的基于卷积神经网络的方法主要关注局部信息，未能充分利用磁共振指纹中的长距离冗余和上下文信息	旨在克服磁共振指纹识别中计算效率和匹配准确性的挑战	磁共振指纹识别中的参数重建	计算机视觉	NA	磁共振指纹识别（MRF）	视觉变换器（ViT）	图像	模拟数据和体内数据
1291	2024-08-07	Anonymizing medical case-based explanations through disentanglement 2024-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103209 PMID:38781754	研究论文	本文提出了一种新的方法，通过解耦图像的身份和医学特征来匿名化医学图像，并应用该方法生成保护隐私的合成身份	提出了一种解耦机制，能够分离并替换图像中的特征向量，同时保留其余特征，以及一种生成合成隐私保护身份的模型	NA	解决医学图像在案例解释中因隐私问题无法共享的问题	医学图像的身份和医学特征	计算机视觉	NA	解耦机制	NA	图像	应用在医学和生物识别数据集上
1292	2024-08-07	The effect of head motion on brain age prediction using deep convolutional neural networks 2024-Jul-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120646 PMID:38750907	研究论文	研究使用深度卷积神经网络预测大脑年龄时，头部运动对MRI图像质量的影响	首次探讨了头部运动对大脑预测年龄的影响，并强调了图像质量控制的重要性	仅限于使用两种3D卷积神经网络模型进行研究，可能需要更多模型验证	探讨大脑预测年龄作为个体大脑健康生物标志物的适用性	大脑MRI图像质量对大脑预测年龄的影响	机器学习	NA	MRI	CNN	图像	包含无运动和有运动影响的T1加权MRI扫描的同一参与者数据集
1293	2024-08-07	Artificial Intelligence for Breast Cancer Risk Assessment 2024-Jul, Radiologic clinics of North America IF:2.1Q2 DOI:10.1016/j.rcl.2024.02.004 PMID:38777538	研究论文	本文探讨了基于人工智能和深度学习的乳腺X线摄影AI乳腺癌风险模型在乳腺癌风险预测中的应用	早期研究表明，基于乳腺X线摄影的AI风险模型可能比传统的基于风险因素的模型表现更好，且性能更加公平	NA	提高乳腺癌风险预测模型的准确性和公平性	乳腺癌风险预测模型	机器学习	乳腺癌	深度学习	AI模型	图像	NA
1294	2024-08-07	mRNA-CLA: An interpretable deep learning approach for predicting mRNA subcellular localization 2024-Jul, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.04.018 PMID:38705502	research paper	提出了一种名为mRNA-CLA的可解释深度学习框架，用于预测mRNA的亚细胞定位	利用多标签亚细胞定位预测框架，结合多尺度卷积层和多头自注意力机制，提高了预测性能并增强了模型的可解释性	NA	改进和增强mRNA亚细胞定位预测方法	mRNA序列及其亚细胞定位	machine learning	NA	深度学习	CNN	序列	NA
1295	2024-08-07	N-GlycoPred: A hybrid deep learning model for accurate identification of N-glycosylation sites 2024-Jul, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.05.002 PMID:38734394	研究论文	本文构建了一个基于双层卷积、配对注意力机制和BiLSTM的混合深度学习模型N-GlycoPred，用于准确识别N-糖基化位点	采用双层卷积、配对注意力机制和BiLSTM构建混合深度学习模型，提高了N-糖基化位点识别的准确性	NA	解决以往模型对不同物种预测结果差异显著的问题	N-糖基化位点的准确识别	机器学习	NA	深度学习	混合深度学习模型	蛋白质序列	基于六个独立测试数据集
1296	2024-08-07	Natural language processing systems for extracting information from electronic health records about activities of daily living. A systematic review 2024-Jul, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooae044 PMID:38798774	综述	本文通过系统综述方法，评估了自然语言处理（NLP）系统从电子健康记录（EHR）中提取日常生活活动（ADL）信息的状态、可用性和性能	NLP系统在从非结构化EHR笔记中提取ADL信息方面显示出潜力	由于研究多样性和数据集挑战（如数据访问限制、文档不充分、缺乏粒度和小数据集），比较NLP系统的性能较为困难	旨在深入了解NLP系统从EHR中提取ADL信息的现状和性能	NLP系统从EHR中提取ADL信息的能力	自然语言处理	NA	自然语言处理	深度学习与基于规则的方法或机器学习结合	文本	22项研究
1297	2024-08-07	Enhancing infectious diseases early warning: A deep learning approach for influenza surveillance in China 2024-Jul, Preventive medicine reports IF:2.4Q2 DOI:10.1016/j.pmedr.2024.102761 PMID:38798906	研究论文	本研究旨在开发一种普遍适用的、基于反馈的自激发注意力残差网络（SEAR）模型，用于动态适应疾病趋势和监测系统变化，从而提高早期预警系统的有效性	提出了一种新型的自激发注意力残差网络（SEAR）模型，该模型通过深度学习算法动态适应疾病趋势和监测系统变化，增强早期预警系统的有效性	模型的预警性能随着早期预警值和预警天数的增加而下降，尽管在所有场景中ROC值保持在0.7以上	开发一种普遍适用的、基于反馈的自激发注意力残差网络（SEAR）模型，用于增强传染病早期预警系统	流感样疾病（ILI）的监测数据，包括中国北方、南方、北京和云南等地区	机器学习	传染病	深度学习算法	自激发注意力残差网络（SEAR）	监测数据	包括中国北方、南方、北京和云南等地区的流感样疾病（ILI）监测数据
1298	2024-08-07	Using UAV images and deep learning in investigating potential breeding sites of Aedes albopictus 2024-Jul, Acta tropica IF:2.1Q2 DOI:10.1016/j.actatropica.2024.107234 PMID:38688444	研究论文	本文利用无人机图像和深度学习技术，研究了白纹伊蚊潜在繁殖地点的识别方法	构建了专门针对白纹伊蚊的潜在繁殖地点数据集，并开发了YOLO v7模型进行识别	主要关注大型、规则形状的容器，对实际应用的实证研究较少	探索基于无人机和人工智能的方法，以识别和定位白纹伊蚊的潜在繁殖地点	白纹伊蚊及其潜在繁殖地点	计算机视觉	NA	深度学习	YOLO v7	图像	包括桶、碗、箱子、水生植物、罐子、盖子、盆、盒子、水槽等物品的数据集
1299	2024-08-07	Application and progress of artificial intelligence in radiation therapy dose prediction 2024-Jul, Clinical and translational radiation oncology IF:2.7Q2 DOI:10.1016/j.ctro.2024.100792 PMID:38779524	综述	本文综述了人工智能在放射治疗剂量预测中的应用和进展，特别是深度学习的进展	人工智能在放射治疗中的应用提高了剂量预测的准确性和效率	由于参与者和机构之间的知识和经验差异，预测的剂量常常不一致	探讨人工智能在放射治疗剂量预测中的应用和进展	放射治疗中的剂量预测	机器学习	NA	深度学习	DL	NA	NA
1300	2024-08-07	Predicting osteoporosis from kidney-ureter-bladder radiographs utilizing deep convolutional neural networks 2024-Jul, Bone IF:3.5Q2 DOI:10.1016/j.bone.2024.117107 PMID:38677502	研究论文	本研究利用深度卷积神经网络从肾脏-输尿管-膀胱（KUB）X光片中预测骨密度，以筛查骨质疏松症	首次开发基于KUB X光片的深度学习模型，用于预测腰椎和股骨的骨密度	NA	探索使用KUB X光片预测骨密度并分类高风险患者群体的可能性	骨密度（BMD）值和骨质疏松症高风险患者	机器学习	骨质疏松症	深度学习	CNN	图像	8913对KUB X光片和DXA检查