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
1241	2024-09-01	Multi-grained contrastive representation learning for label-efficient lesion segmentation and onset time classification of acute ischemic stroke 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103250 PMID:39096842	研究论文	本文提出了一种多粒度对比表示学习框架，用于提高急性缺血性卒中患者的病灶分割和发病时间分类的标签效率	利用未配对的无标签数据进行多粒度对比学习，以增强模型对病灶位置和语义关系的感知能力，并设计了多任务框架和多模态区域相关特征融合模块	需要进一步验证该框架在不同数据集和临床环境中的泛化能力	提高急性缺血性卒中患者的病灶分割和发病时间分类的准确性，支持组织型纤溶酶原激活剂（tPA）溶栓决策	急性缺血性卒中患者的磁共振成像数据	数字病理学	卒中	磁共振成像（MRI）	多粒度对比学习（MGCL）	图像	大规模多中心MRI数据集
1242	2024-09-01	MoCab: A framework for the deployment of machine learning models across health information systems 2024-Oct, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108336 PMID:39079482	研究论文	本文提出了一种名为Model Cabinet Architecture (MoCab)的框架，用于在不同的健康信息系统中部署机器学习模型，通过利用快速医疗互操作性资源(FHIR)作为数据存储和检索的标准，解决互操作性和电子健康记录(EHR)格式多样性的问题。	MoCab框架通过集成FHIR标准和使用SMART on FHIR开发应用程序，提高了机器学习模型在健康信息系统中的互操作性和实用性。	尽管MoCab框架展示了其潜力，但仍面临FHIR采纳等挑战。	旨在提高机器学习模型在健康信息系统中的互操作性和实用性。	研究对象包括机器学习模型在健康信息系统中的部署和互操作性问题。	机器学习	NA	FHIR, SMART on FHIR	评分模型(qCSI), 机器学习模型(NSTI), 深度学习模型(SPC)	电子健康记录(EHR)	使用模拟主要EHR系统的合成数据进行演示
1243	2024-09-01	Generating multi-pathological and multi-modal images and labels for brain MRI 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103278 PMID:39059240	研究论文	本文提出了一种两阶段的生成模型，能够生成2D和3D的语义标签图及其对应的多模态图像，用于增强脑部MRI数据集。	该模型结合了潜在扩散模型和VAE-GAN，能够生成高质量的合成数据集，支持多种分割任务，并能提高对分布外数据的下游性能。	目前该方法主要集中在2D和3D图像生成，对于更高维度的数据处理可能存在局限性。	旨在通过生成多病理和多模态的脑部MRI图像及其标签，增强现有数据集，以训练深度学习模型。	脑部MRI图像及其语义标签。	计算机视觉	NA	潜在扩散模型，VAE-GAN	生成模型	图像	未具体说明
1244	2024-09-01	Multi-degradation-adaptation network for fundus image enhancement with degradation representation learning 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103273 PMID:39029157	研究论文	本文提出了一种多退化自适应网络，用于视网膜图像增强，能够同时处理多种退化类型	引入了多退化自适应模块，动态生成针对不同类型退化的滤波器，并探索了退化表示学习	未提及	提高视网膜图像质量，以支持医学诊断和应用	视网膜图像及其退化问题	计算机视觉	NA	深度学习	CNN	图像	未提及
1245	2024-09-01	Multiscale-temporal Feature Extraction and boundary confusion alleviation for VAG-based fine-grained multi-grade osteoarthritis deterioration monitoring 2024-Oct, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108286 PMID:39029419	研究论文	提出了一种基于振动关节图（VAG）的细粒度多级骨关节炎恶化监测框架，通过多尺度时间特征提取和边界混淆缓解技术提高监测精度	引入了多尺度时间特征提取（MTFE）和混淆自由主从（CF-MS）分类结构，通过中心损失缓解特征空间中相邻恶化等级边界的混淆，并采用主从分类器结构进行细粒度分类	NA	开发一种在日常范式中进行细粒度多级骨关节炎恶化监测的新框架	骨关节炎（OA）的恶化监测	机器学习	骨关节炎	振动关节图（VAG）	深度学习框架	信号	使用了VAG-OA数据集进行实验
1246	2024-09-01	Improving lesion volume measurements on digital mammograms 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103269 PMID:39024973	研究论文	本文开发了一种模型，用于在处理后的乳腺X线摄影图像上估计病变体积，以提高乳腺X线摄影中病变体积测量的准确性。	本文提出了一种基于物理的算法，用于在原始乳腺X线摄影图像上测量病变体积，并通过深度学习图像到图像翻译模型将其扩展到处理后的乳腺X线摄影图像上。	NA	提高乳腺X线摄影中病变体积测量的准确性	乳腺X线摄影图像中的病变体积	数字病理学	乳腺癌	深度学习	图像到图像翻译模型	图像	1778张乳腺X线摄影图像
1247	2024-09-01	ALFREDO: Active Learning with FeatuRe disEntangelement and DOmain adaptation for medical image classification 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103261 PMID:39018722	研究论文	本文提出了一种名为ALFREDO的新型管道，结合特征解纠缠和领域适应进行主动学习，以提高医学图像分类在领域偏移下的性能。	本文创新性地提出了特征解纠缠方法，将图像特征分解为领域特定和任务特定组件，并定义了多个新的成本函数来识别领域偏移下的信息样本。	NA	提高深度学习模型在领域偏移下的泛化能力，减少数据需求。	医学图像分类	计算机视觉	NA	主动学习，领域适应	CNN	图像	使用了三个数据集：一个组织病理学数据集和两个胸部X射线数据集。
1248	2024-09-01	From vision to text: A comprehensive review of natural image captioning in medical diagnosis and radiology report generation 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103264 PMID:39013207	综述	本文综述了自然图像描述（NIC）在医学图像描述（MIC）和放射学诊断描述（DC）领域的应用	总结了NIC和DC领域的最新研究成果，包括现有模型、数据集、评估指标和先前的综述	指出了现有方法在实际临床应用中的局限性	旨在提供NIC和DC领域的全面概述，并探讨未来的研究方向	自然图像描述在医学诊断和放射学报告生成中的应用	计算机视觉	NA	深度学习	NA	图像	NA
1249	2024-09-01	Deep Bayesian active learning-to-rank with relative annotation for estimation of ulcerative colitis severity 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103262 PMID:38986351	研究论文	本文提出了一种深度贝叶斯主动学习排序方法，用于通过相对标注估计溃疡性结肠炎的严重程度	该方法通过优先标注模型不确定性高的未标注样本对，提高了学习效率，并能有效处理类别不平衡问题	相对标注需要大量的样本对，可能导致标注成本增加	开发一种自动选择合适样本对的方法，以提高基于相对标注的疾病严重程度估计的效率和性能	溃疡性结肠炎的严重程度估计	计算机视觉	消化系统疾病	深度学习	贝叶斯神经网络	图像	使用了私人数据集和公共数据集中的内镜图像进行实验
1250	2024-09-01	The ACROBAT 2022 challenge: Automatic registration of breast cancer tissue 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103257 PMID:38981282	research paper	本文介绍了ACROBAT 2022挑战赛，旨在通过自动注册乳腺癌组织的全切片图像（WSI）来评估和比较当前WSI注册方法的性能	利用了迄今为止最大的WSI注册数据集，包括4,212张来自1,152名乳腺癌患者的WSI，并比较了八种不同的WSI注册算法	NA	评估和比较当前全切片图像（WSI）注册方法的性能	乳腺癌组织的全切片图像（WSI）	digital pathology	breast cancer	deep learning	NA	image	4,212张全切片图像（WSI）来自1,152名乳腺癌患者
1251	2024-09-01	A geometric approach to robust medical image segmentation 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103260 PMID:38970862	研究论文	本文提出了一种几何方法来提高深度学习分割模型在医学图像分割中的鲁棒性	利用受限的解剖学差异来细化潜在空间，形成一组形状组件，并通过向量量化构建形状字典，实现形状等变性	NA	提高深度学习分割模型在临床实践中的鲁棒性	前列腺和心脏MRI图像分割	计算机视觉	NA	MRI	CNN	图像	多种MRI序列
1252	2024-09-01	Dual-stream multi-dependency graph neural network enables precise cancer survival analysis 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103252 PMID:38963973	研究论文	本文提出了一种名为双流多依赖图神经网络（DM-GNN）的新型深度学习框架，用于精确的癌症患者生存分析	DM-GNN通过特征更新和全局分析分支，基于形态亲和性和全局共激活依赖性，将每个WSI建模为两个图，从而实现对复杂相关性的多视角建模	NA	旨在提供精确的癌症预后评估，并辅助个性化治疗决策，以改善患者结果	癌症患者的生存分析	计算机视觉	癌症	图神经网络	DM-GNN	图像	五个TCGA数据集
1253	2024-09-01	Uncertainty-aware multiple-instance learning for reliable classification: Application to optical coherence tomography 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103259 PMID:38959721	research paper	本文提出了一种名为不确定性基础实例排除（UBIX）的新方法，用于提高深度学习分类模型在不同供应商数据上的可靠性	UBIX是一种推理时模块，可在多实例学习（MIL）设置中使用，通过实时不确定性估计检测受局部伪影影响的实例，减少或完全忽略其对包级别输出的贡献	UBIX在处理包含未见伪影的实例时，性能略有下降	提高深度学习分类模型在不同供应商数据上的可靠性	年龄相关性黄斑变性的分期	computer vision	geriatric disease	NA	3D neural network	image	模型在一个扫描器的数据上训练，并在来自不同供应商的外部数据集上测试
1254	2024-09-01	Reducing annotating load: Active learning with synthetic images in surgical instrument segmentation 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103246 PMID:38943835	研究论文	本文提出了一种基于主动学习和合成图像的外科手术器械分割框架，以减少标注工作量	结合主动学习和合成图像生成技术，有效减少了神经网络训练所需的标注数据量	仅在鼻窦手术和腹腔手术数据集上验证了方法的有效性，可能需要进一步验证在其他类型手术中的适用性	开发一种减少外科手术器械分割中标注工作量的方法	外科手术器械的分割	计算机视觉	NA	深度学习	神经网络	图像	使用了两个鼻窦手术数据集和一个腹腔手术数据集
1255	2024-09-01	CCSI: Continual Class-Specific Impression for data-free class incremental learning 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103239 PMID:38936223	研究论文	本文提出了一种无数据类增量学习框架，通过在学习类上合成数据来解决传统深度学习方法在处理新疾病类型时的灾难性遗忘问题	引入了一种新的数据合成方法——持续类特定印象（CCSI），并提出了一种有效利用这些数据更新网络的方法	需要进一步验证该方法在更多数据集和实际临床环境中的泛化能力	旨在解决类增量学习中的灾难性遗忘问题，并提出一种无需存储先前样本的数据合成方法	主要研究对象是医学图像分类中的类增量学习问题	计算机视觉	NA	数据合成	CNN	图像	使用了四个公共MedMNIST数据集和内部超声心动图电影系列数据集
1256	2024-09-01	Anatomically plausible segmentations: Explicitly preserving topology through prior deformations 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103222 PMID:38936222	研究论文	本文介绍了一种名为TEDS-Net的分割网络，该网络能够在保持与最先进（SOTA）基准竞争的分割性能的同时，确保解剖结构的拓扑正确性	TEDS-Net通过使用学习到的拓扑保持场来变形先验，实现了解剖学上合理的分割，并引入了额外的修改以更严格地强制执行拓扑保持	NA	开发一种新的方法，确保医学图像分割的拓扑正确性	医学图像中的解剖结构	计算机视觉	NA	深度学习	CNN	图像	使用了开源的医学心脏数据集，进行了单结构和多结构分割
1257	2024-09-01	Multi-detector fusion and Bayesian smoothing for tracking viral and chromatin structures 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103227 PMID:38897031	研究论文	本文提出了一种基于多探测器和多尺度数据融合以及贝叶斯平滑的概率跟踪方法，用于自动追踪荧光显微镜图像中的病毒和细胞内结构	该方法采用了新颖的基于强度的协方差交集方法，整合了多个探测器的结果，并利用贝叶斯平滑融合过去和未来的时间点的预测信息	NA	旨在提高荧光显微镜图像中病毒和细胞内结构自动追踪的准确性	荧光显微镜图像中的病毒和细胞内结构	计算机视觉	肝炎C病毒感染	多探测器融合、贝叶斯平滑	NA	图像	使用了来自Particle Tracking Challenge的图像数据以及不同时空分辨率的活细胞荧光显微镜图像数据
1258	2024-09-01	Adversarial EM for variational deep learning: Application to semi-supervised image quality enhancement in low-dose PET and low-dose CT 2024-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103291 PMID:39121545	研究论文	本文提出了一种新的对抗性期望最大化（AdvEM）变分深度神经网络框架，用于低剂量PET和CT图像质量增强	AdvEM采用编码器-解码器架构和多尺度潜在空间，通过后验分布采样和Metropolis-Hastings方案增强模型鲁棒性，并提出半监督AdvEM（ssAdvEM）框架，使用少量正常剂量图像进行学习	NA	提高低剂量PET和CT图像质量	低剂量PET和CT图像	计算机视觉	NA	期望最大化（EM）	深度神经网络（DNN）	图像	涉及多个基线、分布外数据和消融研究的实际PET和CT数据
1259	2024-09-01	Multimodal deep learning models utilizing chest X-ray and electronic health record data for predictive screening of acute heart failure in emergency department 2024-Oct, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108357 PMID:39126913	研究论文	本研究利用多模态深度学习模型，结合胸部X光片和电子健康记录数据，在急诊部门进行急性心力衰竭的预测筛查	本研究提供了与急性心力衰竭相关的新图像特征，并指出了未来研究的方向	NA	解决诊断急性心力衰竭的不确定性问题，减少不当治疗和救援药物的潜在副作用	在急诊部门中，结合胸部X光片和电子健康记录数据，筛查N末端B型钠尿肽前体水平异常的患者	机器学习	心血管疾病	多模态深度学习	深度学习模型	图像和文本	1432名患者和1833对胸部X光片和电子健康记录
1260	2024-09-01	UC-Hybrid: Uncertainty-based contrastive learning on hybrid network for medical image segmentation 2024-Oct, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108367 PMID:39141962	研究论文	本文提出了一种基于不确定性的对比学习技术UncerNCE，结合最优混合网络架构，用于提高小器官的分类和分割性能	提出了一种基于不确定性的对比学习技术UncerNCE，解决了多类准确性偏差问题，并在分割小物体区域和减少整体噪声之间取得了平衡	在实际临床应用中存在类间准确性偏差，特别是在多器官分割任务中对小物体的性能不足	提高医学图像分割中对小器官的分类和分割性能	医学图像中的小器官	计算机视觉	NA	基于不确定性的对比学习	混合网络（卷积层和变换器层）	图像	BTCV和1K数据