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
581	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
582	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
583	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
584	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
585	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
586	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
587	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
588	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）
589	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
590	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
591	2024-09-30	Harnessing the Missing Spectral Correlation for Metasurface Inverse Design 2024-Sep, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202308807 PMID:38946621	研究论文	本文揭示了电磁超表面光谱中实部和虚部之间的内在相关性，并通过双向信息流在神经网络空间中模拟这种关系，用于超表面的逆向设计	本文利用Kramers-Kronig关系揭示了光谱中实部和虚部之间的内在相关性，并通过双向循环神经网络模拟这种关系，有效提取关键特征	NA	研究如何利用物理信息增强深度学习在电磁超表面逆向设计中的应用	电磁超表面的逆向设计	机器学习	NA	深度学习	双向循环神经网络	光谱数据	NA
592	2024-09-30	AI-Powered Synthesis of Structured Multimodal Breast Ultrasound Reports Integrating Radiologist Annotations and Deep Learning Analysis 2024-Sep-01, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090890 PMID:39329632	研究论文	本研究提出了一种半自动方法，通过整合放射科医生的注释和深度学习分析结果，生成结构化的多模态乳腺超声报告	该方法结合了放射科医生的注释和深度学习算法分析结果，显著减少了报告生成时间，并提高了分类准确性	未提及具体的局限性	旨在通过自动化方法减轻放射科医生的工作负担，提高乳腺超声报告的生成效率	乳腺超声报告的生成过程	计算机视觉	乳腺癌	深度学习	DenseNet-121	图像	未提及具体样本数量
593	2024-09-30	Automated Classification System Based on YOLO Architecture for Body Condition Score in Dairy Cows 2024-Sep-01, Veterinary sciences IF:2.0Q2 DOI:10.3390/vetsci11090399 PMID:39330779	研究论文	本文提出了一种基于YOLOv8x深度学习架构的自动分类系统，用于评估奶牛的体况评分（BCS）	使用YOLOv8x深度学习架构自动分类奶牛的体况评分，提高了评估的准确性和效率	仅在Holstein和Simmental奶牛品种上进行了测试，样本量有限	开发一种自动化的方法来评估奶牛的体况评分，以提高动物福利和生产效率	Holstein和Simmental奶牛的体况评分	计算机视觉	NA	YOLOv8x深度学习架构	YOLOv8x	图像	126张奶牛图像，其中102张正确分类
594	2024-09-30	The synergistic effect of artificial intelligence technology in the evolution of visual communication of new media art 2024-Sep-30, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e38008 PMID:39328541	研究论文	研究探讨了人工智能技术在新媒体艺术视觉传播演化中的协同效应，并提出了一种基于卷积神经网络的AI布局设计方法	提出了基于卷积神经网络的AI布局设计模型，并通过实验验证了其在新媒体艺术视觉传播设计中的有效性	研究样本仅为20名设计学生，样本量较小，可能影响结果的普适性	探讨人工智能技术在新媒体艺术视觉传播中的应用，并提出一种新的布局设计方法	新媒体艺术的视觉传播设计	计算机视觉	NA	卷积神经网络	卷积神经网络	图像	20名设计学生
595	2024-09-30	A systematic analyses of different bioinformatics pipelines for genomic data and its impact on deep learning models for chromatin loop prediction 2024-Sep-27, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elae009 PMID:38555493	研究论文	本文系统分析了用于基因组数据的不同生物信息学管道及其对染色质环预测深度学习模型的影响	本文创新性地整合了六个不同管道的两个蛋白质因子特异性环相互作用数据集，提供了对基因组特征分析方法的全面视角	本文主要集中在染色质环和结构的分析，未涵盖所有基因组数据分析的方面	研究基因组数据分析中生物信息学管道对深度学习模型性能的影响	染色质环和结构分析的生物信息学管道及其对深度学习模型的影响	生物信息学	NA	深度学习	深度学习模型	基因组数据	36个多样化的数据集
596	2024-09-30	A comprehensive review of machine learning techniques for multi-omics data integration: challenges and applications in precision oncology 2024-Sep-27, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elae013 PMID:38600757	综述	本文综述了机器学习技术在多组学数据整合中的应用，特别是在精准肿瘤学中的挑战和应用	本文探讨了深度学习和网络方法在整合多组学数据中的潜力，并提供了一个整合多组学数据在精准肿瘤学中的路线图	NA	总结和分类机器学习技术在多组学数据整合中的进展，特别是在精准肿瘤学中的应用	多组学数据（基因组学、转录组学、蛋白质组学和代谢组学）以及临床数据	机器学习	NA	机器学习	深度学习	多组学数据	NA
597	2024-09-30	A deep learning method for simultaneous denoising and missing wedge reconstruction in cryogenic electron tomography 2024-Sep-23, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-51438-y PMID:39313517	研究论文	提出了一种用于低温电子断层扫描中同时去噪和缺失楔形重建的深度学习方法	提出了一种名为DeepDeWedge的深度学习方法，无需真实数据，通过自监督损失拟合神经网络，简化了当前最先进方法的复杂性，并在去噪和缺失楔形重建方面表现出色	未提及	解决低温电子断层扫描中由于噪声和缺失楔形信息导致的重建困难	低温电子断层扫描中的2D投影数据	计算机视觉	NA	深度学习	神经网络	图像	未提及
598	2024-09-30	PreAlgPro: Prediction of allergenic proteins with pre-trained protein language model and efficient neutral network 2024-Sep-23, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2024.135762 PMID:39322150	研究论文	本文介绍了一种基于预训练蛋白质语言模型和深度学习技术的过敏原蛋白质识别方法PreAlgPro	采用ProtT5模型提取蛋白质嵌入特征，替代了手动特征提取步骤，并设计了Attention-CNN神经网络架构来识别潜在特征	NA	提高过敏原蛋白质识别的准确性和效率	过敏原蛋白质的识别	机器学习	NA	深度学习	Attention-CNN	蛋白质序列	四个独立测试集和收集的过敏原蛋白质样本
599	2024-09-27	Multi-Cover Persistence (MCP)-based machine learning for polymer property prediction 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae465 PMID:39323091	研究论文	本文介绍了一种基于多覆盖持久性（MCP）的分子表示方法，并将其与梯度提升树（GBT）模型结合，用于聚合物性质预测	首次引入多覆盖持久性（MCP）作为分子表示方法，利用Delaunay切片和菱形平铺来表征复杂的几何和拓扑信息	NA	开发一种新的分子表示方法，以提高聚合物性质预测的准确性和效率	聚合物及其性质	机器学习	NA	多覆盖持久性（MCP）	梯度提升树（GBT）	聚合物数据	聚合物基准数据集
600	2024-09-30	Aggregation Rules of Short Peptides 2024-Sep-23, JACS Au IF:8.5Q1 DOI:10.1021/jacsau.4c00501 PMID:39328768	研究论文	本文研究了短肽（如四肽和五肽）的聚集规则，并基于transformer深度学习模型预测的聚集倾向值，推导了四肽和五肽在整个序列空间中的综合聚集规则	本文扩展了现有的三肽序列聚集规则，涵盖了数百万个四肽和五肽序列，为实验人员提供了明确的路线图，用于微调短肽的聚集行为	NA	阐明短肽的聚集规则，以便精确操控聚集行为	四肽和五肽的聚集规则	机器学习	NA	transformer深度学习模型	transformer	序列数据	超过20,000个四肽