深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
621	2024-10-29	Multi-Source Information-Based Bearing Fault Diagnosis Using Multi-Branch Selective Fusion Deep Residual Network 2024-Oct-12, Sensors (Basel, Switzerland) DOI:10.3390/s24206581 PMID:39460061	研究论文	提出了一种基于多源信息的多分支选择性融合深度残差网络用于轴承故障诊断	采用多分支结构设计，为每个输入信号源提供独特的特征处理通道，避免多个信号源的信息被卷积核盲目耦合，并根据每个输入信号的特性分配不同的卷积核大小，充分挖掘各自信息源上的宝贵故障成分	未提及具体限制	解决单信号源故障诊断方法在背景噪声污染和信息衰减下的不可靠性问题，以及多信号源信息冗余对深度学习算法表示能力和故障诊断精度负面影响的问题	滚动轴承故障诊断	机器学习	NA	深度学习	深度残差网络	信号	两个权威公共轴承数据集	NA	NA	NA	NA
622	2024-10-29	DeepIndel: An Interpretable Deep Learning Approach for Predicting CRISPR/Cas9-Mediated Editing Outcomes 2024-Oct-11, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms252010928 PMID:39456711	研究论文	本文介绍了一种名为DeepIndel的深度学习方法，用于预测CRISPR/Cas9介导的基因编辑结果	DeepIndel模型基于BERT-base模块，能够更好地预测修复结果，并在准确性和泛化性方面优于现有方法	NA	提高CRISPR/Cas9介导的基因编辑结果预测的准确性和模型可解释性	CRISPR/Cas9介导的基因编辑结果	机器学习	NA	深度学习	BERT-base模块	DNA序列	NA	NA	NA	NA	NA
623	2024-10-29	Crispr-SGRU: Prediction of CRISPR/Cas9 Off-Target Activities with Mismatches and Indels Using Stacked BiGRU 2024-Oct-11, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms252010945 PMID:39456727	研究论文	本文介绍了一种基于深度学习的框架Crispr-SGRU，用于预测CRISPR/Cas9的脱靶活性，包括错配和插入/删除（indels）	该模型结合了Inception和堆叠BiGRU，并采用dice损失函数解决数据不平衡问题，提高了预测精度和鲁棒性	NA	提高CRISPR/Cas9脱靶活性预测的准确性和解释性	CRISPR/Cas9的脱靶活性	机器学习	NA	CRISPR/Cas9	BiGRU	DNA序列	NA	NA	NA	NA	NA
624	2024-10-29	Image-Based Auto-Focus Microscope System with Visual Servo Control for Micro-Stereolithography 2024-Oct-11, Micromachines IF:3.0Q2 DOI:10.3390/mi15101250 PMID:39459124	研究论文	本文提出了一种基于图像的自动对焦显微镜系统，结合视觉伺服控制，用于微立体光刻技术	本文的创新点在于开发了一种基于深度学习的激光光斑图像处理算法，用于确定焦点位置，并通过视觉伺服控制实现自动对焦	NA	解决微立体光刻技术中精确对焦的挑战	微立体光刻技术中的自动对焦系统	计算机视觉	NA	微立体光刻技术	深度学习	图像	NA	NA	NA	NA	NA
625	2024-10-29	Ultrasonic Weld Quality Inspection Involving Strength Prediction and Defect Detection in Data-Constrained Training Environments 2024-Oct-11, Sensors (Basel, Switzerland) DOI:10.3390/s24206553 PMID:39460042	研究论文	本文研究了在数据受限环境下，利用超声波焊接质量检测进行强度预测和缺陷检测的方法	提出了一种基于RGB图像的焊接缺陷检测方法，并通过卷积自编码器（CAE）提取图像数据特征与输入参数设置数据融合，减少了焊接强度预测误差	研究中使用的数据集非常有限，可能会影响模型的泛化能力	开发一种非破坏性测试方法，用于基于RGB图像的焊接质量评估	超声波焊接质量检测中的强度预测和缺陷检测	计算机视觉	NA	卷积自编码器（CAE）	卷积神经网络（CNN）	图像	极小数据集	NA	NA	NA	NA
626	2024-10-29	Piximi - An Images to Discovery web tool for bioimages and beyond 2024-Oct-10, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.03.597232 PMID:38895349	研究论文	介绍了一个名为Piximi的现代无编程图像分析工具，利用深度学习进行生物图像分析	Piximi是一个无需编程的图像分析工具，通过深度学习技术，使生物研究人员能够快速进行图像分析	NA	开发一个无需编程的图像分析工具，使生物研究人员能够利用深度学习技术进行图像分析	生物图像分析	计算机视觉	NA	深度学习	深度学习分类器、预训练深度学习分割模块	图像	NA	NA	NA	NA	NA
627	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	NA	NA	NA	NA
628	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	NA	NA	NA	NA
629	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	NA	NA	NA	NA
630	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	NA	NA	NA	NA
631	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	NA	NA	NA	NA
632	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	NA	NA	NA	NA
633	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	NA	NA	NA	NA
634	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	NA	NA	NA	NA
635	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	NA	NA	NA	NA
636	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	NA	NA	NA	NA
637	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	NA	NA	NA	NA
638	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	NA	NA	NA	NA
639	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	NA	NA	NA	NA
640	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	NA	NA	NA	NA