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
481	2024-09-30	Prediction of short-term adverse clinical outcomes of acute pulmonary embolism using conventional machine learning and deep Learning based on CTPA images 2024-Sep-28, Journal of thrombosis and thrombolysis IF:2.3Q2 DOI:10.1007/s11239-024-03044-4 PMID:39342072	研究论文	研究基于CTPA图像的传统机器学习和深度学习算法对急性肺栓塞短期不良临床结局的预测价值	首次比较了传统机器学习模型和深度学习模型在基于CTPA图像的急性肺栓塞短期不良结局预测中的表现，发现深度学习模型（如Vgg 19）具有更高的预测精度	研究为回顾性研究，样本量相对较小，且仅限于急性肺栓塞患者	探讨基于CTPA图像的传统机器学习和深度学习算法对急性肺栓塞患者短期不良临床结局的预测价值	急性肺栓塞患者及其CTPA图像	机器学习	肺栓塞	3D-Slicer软件进行血栓分割和纹理特征提取，LASSO算法进行特征降维和选择	传统机器学习模型（逻辑回归、随机森林、决策树、支持向量机）和深度学习模型（ResNet 50和Vgg 19）	图像	132名急性肺栓塞患者，其中84名属于良好预后组，48名属于不良预后组
482	2024-09-30	Identification of Alzheimer's disease and vascular dementia based on a Deep Forest and near-infrared spectroscopy analysis method 2024-Sep-23, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.125209 PMID:39340951	研究论文	本研究利用近红外光谱技术和深度森林模型，开发了一种阿尔茨海默病和血管性痴呆的鉴别诊断模型	首次将近红外光谱技术与深度学习结合，用于阿尔茨海默病和血管性痴呆的鉴别诊断	样本量相对较小，可能影响模型的泛化能力	开发一种准确且快速的阿尔茨海默病和血管性痴呆鉴别诊断方法	阿尔茨海默病患者、血管性痴呆患者和健康个体	机器学习	阿尔茨海默病	近红外光谱技术	深度森林	光谱数据	33名阿尔茨海默病患者、37名血管性痴呆患者和130名健康个体
483	2024-09-30	Optimizing Deep Learning Models with Improved BWO for TEC Prediction 2024-Sep-22, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics9090575 PMID:39329597	研究论文	本文提出了一种改进的BWO算法FAMBWO，用于优化深度学习模型的超参数，并应用于TEC预测	提出了FAMBWO算法，结合了萤火虫优化和多策略优化，显著提高了收敛速度和优化效果	未提及具体限制	优化深度学习模型的超参数，提高TEC预测的准确性	TEC预测和深度学习模型的超参数优化	机器学习	NA	深度学习	BiLSTM	数值数据	30个基准函数
484	2024-09-30	AI-Powered Telemedicine for Automatic Scoring of Neuromuscular Examinations 2024-Sep-20, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090942 PMID:39329684	研究论文	本文提出了一种基于人工智能的远程医疗工具，用于自动评分神经肌肉检查	利用计算机视觉、深度学习和自然语言处理技术，自动化神经肌肉检查评分，减少人为主观性	未提及具体限制	提高神经肌肉检查评分的效率和质量	重症肌无力患者的神经肌肉检查	计算机视觉	重症肌无力	计算机视觉、深度学习、自然语言处理	NA	视频	未提及具体样本数量
485	2024-09-30	Improvement in Image Quality of Low-Dose CT of Canines with Generative Adversarial Network of Anti-Aliasing Generator and Multi-Scale Discriminator 2024-Sep-20, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090944 PMID:39329686	研究论文	本文提出了一种基于生成对抗网络（GAN）的低剂量CT图像质量改进框架，专门用于动物CT成像	引入了抗锯齿生成器和多尺度判别器，结合BlurPool、PixelShuffle、分层特征合成网络和空间通道挤压激励块等技术，显著提高了低剂量CT图像的噪声减少、对比度增强和解剖结构保留	NA	旨在通过深度学习技术改进低剂量CT图像质量，以减少辐射暴露并提高诊断准确性	动物CT图像	计算机视觉	NA	生成对抗网络（GAN）	CycleGAN	图像	NA
486	2024-09-30	Deep Learning-Based Fine-Tuning Approach of Coarse Registration for Ear-Nose-Throat (ENT) Surgical Navigation Systems 2024-Sep-20, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090941 PMID:39329683	研究论文	本研究提出了一种基于深度学习的细化步骤，用于增强耳鼻喉（ENT）手术导航系统中表面注册的准确性	本研究引入了一种新的深度学习方法，通过在传统粗注册和ICP细注册之间集成机器学习模型，显著提高了目标注册误差（TRE）	NA	提高耳鼻喉手术导航系统中图像与患者解剖结构注册的准确性	耳鼻喉手术导航系统中的表面注册	计算机视觉	NA	深度学习	深度学习模型	图像	硅胶面具头模和CT影像
487	2024-09-30	A Multi-Task Model for Pulmonary Nodule Segmentation and Classification 2024-Sep-20, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10090234 PMID:39330454	研究论文	本文提出了一种多任务网络模型，用于肺结节的分割和良恶性分类	通过共享主干架构和预测蒸馏结构，整合了肺结节分割和分类任务，利用任务间的潜在关联提升模型性能	NA	提升肺结节分割和分类的准确性	肺结节的分割和良恶性分类	计算机视觉	肺癌	深度学习	多任务网络 (MT-Net)	图像	使用公开数据集 LIDC-IDRI 进行实验
488	2024-09-30	Segment Anything in Optical Coherence Tomography: SAM 2 for Volumetric Segmentation of Retinal Biomarkers 2024-Sep-19, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090940 PMID:39329682	研究论文	本文探讨了在光学相干断层扫描（OCT）中使用SAM 2和MedSAM 2模型进行视网膜生物标志物的体积分割	引入了SAM 2和MedSAM 2模型，并与传统的U-Net模型进行了性能比较	未提及具体的局限性	提高视网膜疾病诊断的质量	视网膜生物标志物的体积分割	计算机视觉	NA	光学相干断层扫描（OCT）	SAM 2, MedSAM 2, U-Net	图像	两个开源数据集：OIMHS和AROI
489	2024-09-30	Deep Learning-Based Biomimetic Identification Method for Mask Wearing Standardization 2024-Sep-18, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics9090563 PMID:39329585	研究论文	提出了一种基于改进YOLOv5s的口罩佩戴标准化检测模型，用于检测口罩佩戴是否符合规范	首次提出专门检测鼻子目标的口罩佩戴标准化检测模型，并通过改进BottleneckCSP模块和插入SE模块提高了模型的特征提取能力	未提及	提高后疫情时代口罩佩戴深度学习检测模型的准确性和速度	口罩佩戴是否符合规范，特别是鼻子是否暴露在外	计算机视觉	NA	YOLOv5s	CNN	图像	未提及具体数量，但涉及不同人群和复杂背景的图像
490	2024-09-30	Enhancing Deep Learning Model Explainability in Brain Tumor Datasets Using Post-Heuristic Approaches 2024-Sep-18, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10090232 PMID:39330452	研究论文	本文通过后启发式方法增强深度学习模型在脑肿瘤数据集中的可解释性	提出了一种基于场景特定规则的后处理机制，显著提升了LIME库和LIME图像解释器的解释能力	NA	解决深度学习模型在医疗诊断中缺乏解释性的问题	脑肿瘤检测数据集	机器学习	脑肿瘤	LIME	深度学习模型	图像	使用了多个公开可用的脑肿瘤检测数据集
491	2024-09-30	Skeletal Muscle Segmentation at the Level of the Third Lumbar Vertebra (L3) in Low-Dose Computed Tomography: A Lightweight Algorithm 2024-Sep-13, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography10090111 PMID:39330757	研究论文	本文提出了一种轻量级算法，用于在低剂量计算机断层扫描（CT）图像中自动分割第三腰椎（L3）水平的骨骼肌	提出了一种轻量级算法，用于在低剂量CT图像中自动分割L3水平的骨骼肌	NA	开发一种在低剂量CT图像中自动分割L3水平骨骼肌的轻量级算法	第三腰椎（L3）水平的骨骼肌	计算机视觉	NA	计算机断层扫描（CT）	轻量级算法	图像	57名直肠癌患者
492	2024-09-30	Time Sequence Deep Learning Model for Ubiquitous Tabular Data with Unique 3D Tensors Manipulation 2024-Sep-12, Entropy (Basel, Switzerland) DOI:10.3390/e26090783 PMID:39330116	研究论文	本文提出了一种利用堆叠双向LSTM深度学习算法处理表格数据的方法，通过定制的3D张量建模来提高模型性能	本文创新性地将时间序列深度学习模型应用于表格数据处理，通过3D张量建模提高了模型在表格数据上的表现	本文仅在六个公开数据集上进行了验证，未来需要在更多不同类型的数据集上进行测试	提出一种新的方法，利用深度学习算法提高表格数据模型的性能	表格数据及其在深度学习模型中的应用	机器学习	NA	深度学习	堆叠双向LSTM	表格数据	六个公开数据集，每个数据集的大小和学习目标不同
493	2024-09-30	NMGrad: Advancing Histopathological Bladder Cancer Grading with Weakly Supervised Deep Learning 2024-Sep-11, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090909 PMID:39329651	研究论文	本文提出了一种用于膀胱癌分级的新方法，通过弱监督深度学习技术提高病理切片的分级准确性	引入了嵌套多实例学习方法和注意力机制，以提高模型对不同恶性程度区域的区分能力	NA	提高膀胱癌分级的准确性和一致性	膀胱癌病理切片	数字病理学	膀胱癌	卷积神经网络	CNN	图像	NA
494	2024-09-30	A Deep Learning-Enhanced Compartmental Model and Its Application in Modeling Omicron in China 2024-Sep-10, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090906 PMID:39329648	研究论文	本文提出了一种结合深度学习的分室模型，并应用于预测中国Omicron疫情的发展	利用深度学习技术估计分室模型中的随机参数，减少了对特定数据的依赖，并内置了时空移动过程，有效捕捉了传染病的时空和移动维度	NA	探索深度学习技术在传染病动力学预测中的应用	Omicron疫情在中国的发展	机器学习	NA	深度学习	DNN, LSTM	NA	28天（2022年6月4日至7月1日）
495	2024-09-30	Achieving Real-Time Prediction of Paroxysmal Atrial Fibrillation Onset by Convolutional Neural Network and Sliding Window on R-R Interval Sequences 2024-Sep-10, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090903 PMID:39329645	研究论文	本文提出了一种基于卷积神经网络和滑动窗口技术的端到端深度学习模型，用于实时预测阵发性房颤的发作	本文的创新点在于将滑动窗口技术与卷积神经网络结合，实现了对心电图R-R间期序列的实时处理和预测	本文的局限性在于仅使用了公开的心电图数据库进行训练和验证，未涉及实际临床数据	本研究旨在开发一种能够实时预测阵发性房颤发作的深度学习模型	本研究的对象是阵发性房颤患者的心电图R-R间期序列	机器学习	心血管疾病	卷积神经网络	CNN	序列数据	共收集了56,381个PAF类型和56,900个N类型的R-R间期片段
496	2024-09-30	A Joint Classification Method for COVID-19 Lesions Based on Deep Learning and Radiomics 2024-Sep-05, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography10090109 PMID:39330755	研究论文	本文提出了一种基于深度学习和放射组学的联合分类方法，用于COVID-19病变的分类	提出了MFPN神经网络模型用于提取病变深度特征，并结合放射组学特征进行分类	未提及具体的研究局限性	验证深度学习和放射组学方法在COVID-19病变分类中的性能，揭示COVID-19肺部疾病的图像特征	COVID-19肺部病变	计算机视觉	呼吸系统疾病	深度学习	MFPN	图像	未提及具体样本数量
497	2024-09-30	An Enhanced IDBO-CNN-BiLSTM Model for Sentiment Analysis of Natural Disaster Tweets 2024-Sep-04, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics9090533 PMID:39329555	研究论文	提出了一种增强的IDBO-CNN-BiLSTM模型，用于自然灾害推文的情绪分析	结合了群智能优化算法和深度学习方法，改进了Dung Beetle Optimization (DBO)算法，并将其应用于优化CNN-BiLSTM模型的超参数	未提及	提高推文中情绪极性识别的准确性，以帮助政府或救援组织更好地理解公众需求并做出适当响应	自然灾害推文的情绪倾向分类	自然语言处理	NA	深度学习	CNN-BiLSTM	文本	与飓风哈维事件相关的推文
498	2024-09-30	External Testing of a Deep Learning Model to Estimate Biologic Age Using Chest Radiographs 2024-Sep, Radiology. Artificial intelligence DOI:10.1148/ryai.230433 PMID:39046324	研究论文	评估基于深度学习的胸部X光年龄模型在亚洲人群中的预测价值	首次在外部测试中验证了基于深度学习的胸部X光年龄模型在亚洲人群中的预测价值	单中心回顾性研究，样本主要来自亚洲人群	评估深度学习模型在预测亚洲人群生物年龄方面的预后价值	亚洲50-80岁无症状个体的胸部X光片	计算机视觉	NA	NA	卷积神经网络 (CNN)	图像	36,924名个体
499	2024-09-30	Deep Learning to Detect Intracranial Hemorrhage in a National Teleradiology Program and the Impact on Interpretation Time 2024-Sep, Radiology. Artificial intelligence DOI:10.1148/ryai.240067 PMID:39017032	研究论文	评估人工智能临床决策支持系统在急性颅内出血检测中的诊断性能，并量化其对放射科医生阅读时间和系统效率的影响	首次在大规模远程放射实践中评估人工智能系统对急性颅内出血检测的诊断性能及其对阅读时间和系统效率的影响	在低发病率环境中，系统效率的降低可能超过使用该工具的潜在好处	评估人工智能系统在急性颅内出血检测中的诊断性能及其对放射科医生阅读时间和系统效率的影响	人工智能系统在急性颅内出血检测中的诊断性能及对阅读时间和系统效率的影响	计算机视觉	颅内出血	深度学习	NA	图像	61,704例连续的非对比头部CT检查
500	2024-09-30	Open Access Data and Deep Learning for Cardiac Device Identification on Standard DICOM and Smartphone-based Chest Radiographs 2024-Sep, Radiology. Artificial intelligence DOI:10.1148/ryai.230502 PMID:39017033	研究论文	开发并评估一个公开可用的深度学习模型，用于在标准DICOM和智能手机胸部X光片上分割和分类心脏植入式电子设备	首次在标准DICOM和智能手机胸部X光片上使用深度学习模型进行心脏植入式电子设备的分割和分类	研究仅限于回顾性数据，且样本量相对较小	开发和评估一个深度学习模型，用于在胸部X光片上识别心脏植入式电子设备	心脏植入式电子设备在胸部X光片上的分割和分类	计算机视觉	心血管疾病	深度学习	U-Net模型（基于ResNet-50）	图像	2321张胸部X光片，涉及897名患者，使用5种智能手机采集了11072张图像