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
521	2024-10-29	YOLOv5s-Based Image Identification of Stripe Rust and Leaf Rust on Wheat at Different Growth Stages 2024-Oct-10, Plants (Basel, Switzerland) DOI:10.3390/plants13202835 PMID:39458782	研究论文	本研究基于YOLOv5s模型，构建了不同生长阶段小麦条锈病和叶锈病的图像识别模型	首次在不同生长阶段使用YOLOv5s模型进行小麦条锈病和叶锈病的图像识别	模型在不同生长阶段的识别性能存在差异，某些阶段的模型不适用于其他阶段的识别	实现不同生长阶段小麦条锈病和叶锈病的准确识别	小麦条锈病和叶锈病	计算机视觉	植物病害	图像处理技术	YOLOv5s	图像	涉及小麦的不同生长阶段，包括苗期、拔节期、孕穗期、抽穗期、开花期、乳熟期等
522	2024-10-29	EHNet: Efficient Hybrid Network with Dual Attention for Image Deblurring 2024-Oct-10, Sensors (Basel, Switzerland) DOI:10.3390/s24206545 PMID:39460026	研究论文	提出了一种高效的混合网络EHNet，结合CNN和Transformer进行图像去模糊处理	引入双注意力模块和简单特征嵌入模块，减少计算复杂度和内存使用，同时保持高性能	未提及	开发一种高效的深度学习方法去除图像模糊	图像去模糊	计算机视觉	NA	卷积神经网络 (CNN), Transformer	混合网络 (EHNet)	图像	涉及多个基准数据集
523	2024-10-29	Exploiting Temporal Features in Calculating Automated Morphological Properties of Spiky Nanoparticles Using Deep Learning 2024-Oct-10, Sensors (Basel, Switzerland) DOI:10.3390/s24206541 PMID:39460021	研究论文	本文通过结合硬性和软性归纳偏置的序列机器学习技术，扩展了纳米颗粒形态分析中的时间特征	本文创新性地将循环层集成到卷积神经网络中，以捕捉纳米颗粒的自然顺序生长特征，并使用尖峰聚焦的损失函数进行训练	NA	研究目的是通过利用时间特征改进纳米颗粒的自动形态学特性计算	研究对象是电子显微镜图像中的尖刺金纳米颗粒（Au-SNPs）	计算机视觉	NA	深度学习	卷积神经网络（CNN）和循环神经网络（RNN）	图像	NA
524	2024-10-29	Deep Learning Method Applied to Autonomous Image Diagnosis for Prick Test 2024-Oct-02, Life (Basel, Switzerland) DOI:10.3390/life14101256 PMID:39459556	研究论文	本研究提出了一种深度学习方法，用于自动诊断皮肤点刺测试图像中的风团尺寸，旨在减少对人工解读的依赖	本研究首次将深度学习应用于皮肤点刺测试图像的自动诊断，提出了一种卷积神经网络模型用于风团分割，并展示了其优于传统方法的准确性	本研究仅评估了三种方法在风团分割中的表现，未涉及其他可能的深度学习模型或方法	研究目的是开发一种自动化的方法来解读皮肤点刺测试图像，以提高诊断的准确性和效率	研究对象是皮肤点刺测试图像中的风团尺寸	计算机视觉	NA	卷积神经网络	CNN	图像	5844张皮肤点刺测试图像，其中150张具有规则几何形状的风团，150张具有不规则形状的风团
525	2024-10-29	Insights into AlphaFold's breakthrough in neurodegenerative diseases 2024-Oct, Irish journal of medical science IF:1.7Q2 DOI:10.1007/s11845-024-03721-6 PMID:38833116	研究论文	本文探讨了AlphaFold在神经退行性疾病中的突破性应用	AlphaFold能够以实验预测的准确性水平预测3D蛋白质结构，并精确估计蛋白质相互作用	AlphaFold无法预测膜蛋白结构，这对于药物设计是一个重要限制	研究AlphaFold在神经退行性疾病诊断和治疗中的应用潜力	神经退行性疾病，包括阿尔茨海默病和帕金森病等	机器学习	神经退行性疾病	深度学习	AlphaFold	蛋白质结构数据	NA
526	2024-10-29	Clinical Utility of Deep Learning Assistance for Detecting Various Abnormal Findings in Color Retinal Fundus Images: A Reader Study 2024-Oct-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.13.10.34 PMID:39441571	研究论文	评估深度学习辅助设备在彩色眼底图像中检测多种异常发现对不同专业水平读者的临床实用性	深度学习辅助设备显著提高了读者的敏感性，减少了敏感性的差异，并缩短了阅读时间	算法辅助下，读者的特异性有所下降，尤其是在居民中更为明显	评估深度学习辅助设备在眼底图像中检测多种异常发现的临床实用性	不同专业水平的读者（14名眼科医生，包括6名居民和8名专家）	计算机视觉	NA	深度学习	NA	图像	399张眼底图像，涉及12种主要眼科发现
527	2024-10-29	The Integration of Radiomics and Artificial Intelligence in Modern Medicine 2024-Oct-01, Life (Basel, Switzerland) DOI:10.3390/life14101248 PMID:39459547	综述	本文综述了放射组学与人工智能在现代医学中的整合及其对患者护理的深远影响	探讨了人工智能技术在放射组学中的应用，如机器学习和深度学习，以及这些技术如何创建复杂的计算机辅助诊断系统、预测模型和决策支持工具	NA	探讨放射组学与人工智能在现代医学中的整合及其对诊断、治疗个性化和患者预后的潜在影响	放射组学特征提取与分析、机器学习、深度学习和计算机辅助诊断系统	计算机视觉	NA	机器学习、深度学习	NA	图像	NA
528	2024-10-29	CNN-Based Neurodegenerative Disease Classification Using QR-Represented Gait Data 2024-Oct, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.70100 PMID:39465642	研究论文	本研究旨在利用卷积神经网络（CNN）对通过QR码表示的步态数据进行神经退行性疾病分类	引入了一种新颖的方法，通过分析步态模式来提高神经退行性疾病的诊断精度	需要进一步验证和研究以确定其在更广泛应用中的有效性	开发一种有效且可靠的神经退行性疾病诊断系统	神经退行性疾病，包括肌萎缩侧索硬化症（ALS）、帕金森病（PD）和亨廷顿病（HD）	计算机视觉	神经退行性疾病	卷积神经网络（CNN）	CNN	步态数据	帕金森病患者15例，亨廷顿病患者20例，肌萎缩侧索硬化症患者13例，以及16例健康对照
529	2024-10-29	Prediction of carotid artery plaque area based on parallel multi-gate attention capture model 2024-Oct-01, The Review of scientific instruments DOI:10.1063/5.0214828 PMID:39465991	研究论文	本研究结合临床应用和深度学习技术，设计了一种预测颈动脉斑块面积的模型	提出了创新的并行多门注意力捕捉（MGAC）模型，用于预测颈动脉斑块面积	NA	设计一种预测颈动脉斑块面积的模型，以识别高风险个体并减少心血管疾病的发生	颈动脉斑块面积	机器学习	心血管疾病	深度学习	并行多门注意力捕捉（MGAC）模型	风险因素、实验室测试和体检数据	NA
530	2024-10-28	The differences in essential facial areas for impressions between humans and deep learning models: An eye-tracking and explainable AI approach 2024-Oct-25, British journal of psychology (London, England : 1953) DOI:10.1111/bjop.12744 PMID:39460393	研究论文	本研究通过实验和计算方法探讨了吸引力、支配性和性别二态性等面部印象的差异	本研究结合眼动追踪和可解释AI技术，揭示了人类和深度学习模型在面部印象评估中使用的不同特征	本研究主要集中在面部印象的评估，未涉及其他类型的印象或更广泛的社会认知研究	探讨人类和深度学习模型在面部印象评估中的差异	面部图像的吸引力、支配性和性别二态性	计算机视觉	NA	眼动追踪、深度学习	Grad-CAM	图像	涉及面部图像和参与者性别差异的实验数据
531	2024-10-28	Deep learning resilience inference for complex networked systems 2024-Oct-24, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-53303-4 PMID:39448566	研究论文	提出了一种名为ResInf的深度学习框架，用于复杂网络系统中的弹性推断	整合了transformer和图神经网络，无需预定义方程和简化假设，直接从观测数据中推断弹性	未提及	提高复杂网络系统中弹性推断的准确性和适用性	复杂网络系统的弹性	机器学习	NA	深度学习	transformer和图神经网络	观测数据	未提及
532	2024-10-28	Accurate quantification of dislocation loops in complex functional alloys enabled by deep learning image analysis 2024-Oct-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-74894-4 PMID:39448616	研究论文	本研究通过深度学习图像分析，实现了对离子辐照CrFeMnNi合金中位错环的精确量化	提出了一种高效的数据集准备指南，通过深度学习分析复杂微结构，解决了传统方法无法处理的大量重叠缺陷问题	NA	旨在通过透射电子显微镜（TEM）实验，对离子辐照CrFeMnNi合金中的位错环进行定量表征	离子辐照CrFeMnNi合金中的位错环	计算机视觉	NA	透射电子显微镜（TEM）	深度学习	图像	数千个重叠缺陷的TEM图像
533	2024-10-28	Deep learning-based improved transformer model on android malware detection and classification in internet of vehicles 2024-Oct-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-74017-z PMID:39448652	研究论文	本文提出了一种基于深度学习的改进Transformer模型，用于在互联网汽车中检测和分类Android恶意软件	本文的创新点在于结合了改进的Transformer模型和RNN模型，并使用二进制灰狼优化和蛇优化算法来选择最优特征子集和参数，以提高Android恶意软件的识别准确率	NA	本文的研究目的是提高互联网汽车中Android恶意软件的检测和分类准确性	本文的研究对象是互联网汽车中的Android恶意软件	机器学习	NA	深度学习	Transformer模型	数据	本文使用了基准数据集进行实验
534	2024-10-28	XElemNet: towards explainable AI for deep neural networks in materials science 2024-Oct-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76535-2 PMID:39448747	研究论文	本文提出XElemNet，通过应用一系列可解释的人工智能（XAI）技术来探索ElemNet的可解释性	引入XElemNet，通过后验分析和模型透明性来提高ElemNet的可解释性	NA	探索深度学习模型在材料科学中的可解释性	ElemNet模型的可解释性	机器学习	NA	可解释的人工智能（XAI）技术	深度神经网络（DNN）	元素组成数据	人工二进制数据集
535	2024-10-28	Use of Deep Learning to Identify Peripheral Arterial Disease Cases From Narrative Clinical Notes 2024-Oct-24, The Journal of surgical research IF:1.8Q2 DOI:10.1016/j.jss.2024.09.062 PMID:39454287	研究论文	本文探讨了使用深度学习从电子健康记录中的非结构化临床笔记中识别外周动脉疾病病例的方法	本文提出了一种基于深度学习的自然语言处理模型，用于识别外周动脉疾病病例，相较于传统的关键词搜索方法，该模型在所有性能指标上均表现更优	NA	开发一种更有效的方法来识别外周动脉疾病患者	外周动脉疾病病例	自然语言处理	外周动脉疾病	深度学习	BioMed-RoBERTa	文本	484,363次就诊记录，涉及71,355名患者，共2,268,062条笔记
536	2024-10-28	Application of deep learning reconstruction in abdominal magnetic resonance cholangiopancreatography for image quality improvement and acquisition time reduction 2024-Oct-24, Journal of the Formosan Medical Association = Taiwan yi zhi DOI:10.1016/j.jfma.2024.10.017 PMID:39455401	研究论文	比较深度学习（DL）和传统重建方法在腹部磁共振胆胰管成像中的应用，评估DL重建对图像质量和采集速度的改善效果	深度学习重建方法在腹部MRI中提高了信号噪声比（SNR）和对比噪声比（CNR），并显著提高了图像质量评分和稳定性	研究为回顾性分析，样本量有限，可能存在选择偏倚	评估深度学习重建方法在腹部MRI中的应用效果，旨在提高图像质量和缩短采集时间	124名接受腹部MRI检查的患者，分析其T2加权单次快速自旋回波MRI图像	计算机视觉	NA	深度学习	NA	图像	144名患者（平均年龄62.2±14.1岁，其中83名为男性）
537	2024-10-28	Integrated ensemble CNN and explainable AI for COVID-19 diagnosis from CT scan and X-ray images 2024-10-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-75915-y PMID:39443548	研究论文	本文提出了一种集成多个卷积神经网络（CNN）模型与可解释AI技术的方法，用于从CT扫描和X光图像中诊断COVID-19	本文的创新点在于将多个CNN模型与可解释AI技术相结合，提高了模型的准确性和可解释性	本文未提及具体的局限性	研究目的是提高COVID-19从放射影像中的检测准确性和可解释性	研究对象是COVID-19的CT扫描和X光图像	计算机视觉	COVID-19	卷积神经网络（CNN）	集成模型（包括DenseNet169, ResNet50, 和VGG16）	图像	29,986张X光图像和2,482张CT扫描图像
538	2024-10-28	A Specialized Pipeline for Efficient and Reliable 3D Semantic Model Reconstruction of Buildings from Indoor Point Clouds 2024-Oct-19, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10100261 PMID:39452424	研究论文	本文提出了一种从室内点云数据中自动生成多层建筑3D语义模型的新型管道	该管道通过分层提取建筑组件，并使用深度学习分类器识别墙体开口，实现了高效可靠的3D语义模型重建	NA	开发一种高效可靠的3D语义模型重建方法	多层建筑的室内点云数据	计算机视觉	NA	激光扫描系统	深度学习分类器	点云	NA
539	2024-10-28	Multimodal radiomics and deep learning models for predicting early femoral head deformity in LCPD 2024-Oct-19, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111793 PMID:39454426	研究论文	开发了一种结合临床、放射组学和深度学习特征的预测模型，用于识别Legg-Calvé-Perthes病早期股骨头变形的危险因素	结合了临床、放射组学和深度学习特征，开发了一种新的预测模型，用于早期股骨头变形的预测	研究仅限于两个中心的数据，且样本量相对较小	开发一种预测模型，用于识别Legg-Calvé-Perthes病早期股骨头变形的危险因素	Legg-Calvé-Perthes病早期股骨头变形	机器学习	骨骼疾病	放射组学、深度学习	XGBoost	影像	152名早期单侧Legg-Calvé-Perthes病患者
540	2024-10-28	GPT-Driven Radiology Report Generation with Fine-Tuned Llama 3 2024-Oct-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11101043 PMID:39451418	研究论文	本研究开发并评估了一种基于Llama 3-8B的微调大型语言模型，用于自动生成MRI和CT放射报告的准确和简洁结论	采用参数量化和低秩适应技术优化计算效率，并在消费者级GPU上进行训练	数据集偏差、样本多样性有限、缺乏临床判断以及需要大量计算资源	开发和评估一种自动化生成放射报告结论的模型，以提高报告效率并辅助放射科医生	MRI和CT放射报告的结论生成	机器学习	NA	参数量化、低秩适应	Llama 3-8B	文本	15,000份放射报告