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
821	2024-11-26	Weak supervision, strong results: Automating melanocyte lesion diagnosis with deep learning 2024-Dec, Journal of the European Academy of Dermatology and Venereology : JEADV IF:8.4Q1 DOI:10.1111/jdv.20382 PMID:39582480	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
822	2024-11-25	Automated tablet defect detection and the prediction of disintegration time and crushing strength with deep learning based on tablet surface images 2024-Dec-25, International journal of pharmaceutics IF:5.3Q1 DOI:10.1016/j.ijpharm.2024.124896 PMID:39489389	研究论文	本文提出了一种基于深度学习的自动检测片剂缺陷并预测崩解时间和抗压强度的方法	利用YOLOv5算法进行实时缺陷识别和基于表面纹理预测崩解时间和抗压强度	仍有进一步改进的空间	提高制药生产中的质量控制和效率	片剂的缺陷检测、崩解时间和抗压强度的预测	计算机视觉	NA	深度学习	YOLOv5	图像	涉及五种不同类别的缺陷
823	2024-11-25	Lightweight deep learning model for underwater waste segmentation based on sonar images 2024-Dec-15, Waste management (New York, N.Y.) DOI:10.1016/j.wasman.2024.09.008 PMID:39277917	研究论文	本文提出了一种基于声呐图像的轻量级深度学习模型，用于水下废物分割，为自主水下机器人提供像素级定位信息和废物类别	引入了混合感知和多尺度注意力模块，以捕捉多尺度上下文特征并增强高级关键信息，同时使用采样注意力模块和跨层交互模块实现特征下采样和融合细节特征与语义特征	NA	提高水下废物回收的自动化程度，促进可持续海洋发展	水下废物及其在声呐图像中的分割	计算机视觉	NA	深度学习	多尺度跨层网络	图像	NA
824	2024-11-25	Unveiling the non-linear effects of water and oil on hyperspectral imaging-based characterization of solid waste by hyperspectral unmixing 2024-Dec-15, Waste management (New York, N.Y.) DOI:10.1016/j.wasman.2024.09.011 PMID:39357305	研究论文	本文研究了水和油对固体废物高光谱成像特征的非线性影响，并提出了基于高光谱解混的新方法	首次尝试使用高光谱解混技术提取固体废物中的端元成分，并展示了其贡献度	NA	研究水和油对固体废物高光谱成像特征的非线性影响	固体废物的高光谱成像特征	计算机视觉	NA	高光谱成像	深度学习模型	光谱数据	各种固体废物成分受纯水、油和三种渗滤液影响的光谱数据
825	2024-11-25	Deep learning approaches for classification of copper-containing metal scrap in recycling processes 2024-Dec-15, Waste management (New York, N.Y.) DOI:10.1016/j.wasman.2024.10.022 PMID:39454556	研究论文	本文研究了使用深度学习方法对含铜金属废料进行分类，以替代传统的XRF/XRT设备	本文首次在金属回收过程中使用RGB相机和深度学习模型进行含铜金属废料的分类，并评估了多种CNN架构的性能	本文仅评估了20种常见的CNN架构，未涵盖所有可能的深度学习模型	开发一种低成本的传感器设备和深度学习模型，用于在金属回收过程中高效分离铜和铁废料	含铜和铁的金属废料	计算机视觉	NA	深度学习	CNN	图像	2200个金属废料样本
826	2024-11-25	Rapid and accurate bacteria identification through deep-learning-based two-dimensional Raman spectroscopy 2024-Dec-15, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2024.343376 PMID:39580159	研究论文	本文提出了一种基于深度学习和二维拉曼光谱的快速准确细菌鉴定策略	通过结合小波包变换和Gramian角场技术，实现了高精度且高效的细菌鉴定，相比传统方法训练时间减少了90%	NA	开发一种快速且准确的细菌鉴定方法	细菌鉴定	机器学习	NA	拉曼光谱	深度学习模型	光谱图像	两种和三十种细菌分离株
827	2024-11-25	Enhancing decision confidence in AI using Monte Carlo dropout for Raman spectra classification 2024-Dec-15, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2024.343346 PMID:39580162	研究论文	本文提出了一种结合蒙特卡罗 dropout 和卷积神经网络的方法，用于增强拉曼光谱分类中的决策置信度	本文的创新点在于在推理阶段使用蒙特卡罗 dropout 来测量模型的不确定性，从而提高预测的可靠性	NA	本文的研究目的是提高基于拉曼光谱的细菌菌株识别的准确性	本文的研究对象是拉曼光谱数据及其在细菌菌株识别中的应用	机器学习	NA	蒙特卡罗 dropout	卷积神经网络 (CNN)	光谱数据	两个数据集，分别是 1206 个光谱和 3000 个光谱
828	2024-11-25	Artificial neural networks development in prosthodontics - a systematic mapping review 2024-Dec, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2024.105385 PMID:39362297	综述	本文系统地分类了现有文献，并全面概述了人工神经网络（ANN）在修复学中的预测模型	本文引入了对修复学中ANN目标、数据、架构、评估指标和局限性的系统分析	本文揭示了ANN开发中的局限性，特别是在数据生命周期方面	旨在系统地分类现有文献，并全面概述人工神经网络（ANN）在修复学中的预测模型	修复学中的人工神经网络（ANN）预测模型	机器学习	NA	人工神经网络（ANN）	人工神经网络（ANN）	NA	从597篇文章中筛选出70篇报告，其中33%来自2023年，29%关注种植修复，71%关注非种植修复
829	2024-11-25	Image-based multi-omics analysis for oral science: Recent progress and perspectives 2024-Dec, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2024.105425 PMID:39427959	综述	本文综述了基于图像的多组学分析在口腔科学中的应用和最新进展	探讨了深度学习辅助的多组学分析在提取比传统诊断方法更具代表性特征方面的潜力	NA	讨论基于图像的多组学分析在口腔科学中的应用及其对传统诊断方法的潜在增强作用	口腔和牙科疾病的诊断与治疗	数字病理学	NA	多组学分析	深度学习	图像	NA
830	2024-11-25	Fully automated method for three-dimensional segmentation and fine classification of mixed dentition in cone-beam computed tomography using deep learning 2024-Dec, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2024.105398 PMID:39447958	研究论文	本文介绍了一种基于深度学习的全自动方法，用于在锥形束计算机断层扫描（CBCT）图像中对混合牙列进行三维分割和精细分类	该研究开发了一种基于改进的nnU-Net和U-Net网络的高精度自动化深度学习模型，用于混合牙列的分类和分割	NA	建立一种高精度的自动化模型，用于混合牙列在CBCT图像中的精细分类和三维分割	混合牙列和恒牙列在CBCT图像中的分类和分割	计算机视觉	NA	深度学习	nnU-Net, U-Net	图像	训练集包含336个CBCT扫描，测试集包含120个混合牙列CBCT扫描和143个恒牙列CBCT扫描
831	2024-11-25	Detection of carotid plaques on panoramic radiographs using deep learning 2024-Dec, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2024.105432 PMID:39461583	研究论文	本研究利用深度学习模型检测全景放射影像中的颈动脉斑块	本研究提出了一种基于Faster R-CNN和Swin Transformer的AI模型，用于检测全景放射影像中的颈动脉钙化，其性能优于基于卷积神经网络的模型	NA	旨在利用人工智能模型检测全景放射影像中的颈动脉钙化	全景放射影像中的颈动脉钙化	计算机视觉	心血管疾病	深度学习	Faster R-CNN, Swin Transformer	影像	6404张全景放射影像，其中185张包含颈动脉钙化，185张不包含颈动脉钙化
832	2024-11-25	Deep-learning-based image reconstruction with limited data: generating synthetic raw data using deep learning 2024-Dec, Magma (New York, N.Y.) DOI:10.1007/s10334-024-01193-4 PMID:39207581	研究论文	研究利用深度学习生成合成原始数据以补充小数据集，提高加速MRI重建质量	提出了一种对抗自编码器，用于从幅度图像生成相位和线圈灵敏度图，从而生成合成原始数据	在小训练集上，合成数据降低了平均绝对误差，但在大训练集上，误差有所增加	研究在有限数据情况下，利用深度学习生成合成数据以提高MRI重建质量	加速MRI重建任务	计算机视觉	NA	深度学习	对抗自编码器	图像	20到160次扫描
833	2024-11-24	CT-based artificial intelligence prediction model for ocular motility score of thyroid eye disease 2024-Dec, Endocrine IF:3.0Q2 DOI:10.1007/s12020-024-03906-0 PMID:39046593	研究论文	本研究开发了一种基于CT图像和临床数据的人工智能模型，用于甲状腺眼病患者的眼部运动评分	首次提出了一种基于CT图像和临床数据的人工智能模型，用于自动评分甲状腺眼病患者的眼部运动	性别亚组分析显示模型在女性患者中的预测准确性高于男性，可能存在性别差异的影响	开发一种基于CT图像和临床数据的人工智能模型，用于甲状腺眼病患者的眼部运动评分	甲状腺眼病患者的CT图像和临床数据	计算机视觉	甲状腺眼病	深度学习	ResNet-34	图像	410组CT图像和临床数据
834	2024-11-24	Pupillometry as a biomarker of postural control: Deep-learning models reveal side-specific pupillary responses to increased intensity of balance tasks 2024-Dec, Psychophysiology IF:2.9Q1 DOI:10.1111/psyp.14667 PMID:39135357	研究论文	研究使用瞳孔测量作为姿势控制的生物标志物，并利用深度学习模型揭示了在平衡任务强度增加时瞳孔反应的侧向特异性变化	首次探讨了瞳孔测量在平衡任务强度增加时的反应，并发现了侧向特异性的瞳孔直径变化	研究仅限于健康受试者，未探讨其他人群或病理状态下的瞳孔反应	分析不同强度平衡任务下瞳孔直径的差异，并确定是否存在侧向特异性的变化	健康受试者在不同强度平衡任务下的瞳孔直径	NA	NA	深度学习	神经网络	瞳孔直径数据	48名健康受试者
835	2024-11-24	Development of deep learning-based novel auto-segmentation for the prostatic urethra on planning CT images for prostate cancer radiotherapy 2024-Dec, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-024-00832-8 PMID:39143386	研究论文	开发了一种基于深度学习的自动分割方法，用于在前列腺癌放疗计划CT图像中定位前列腺尿道	首次将深度学习技术应用于外部束放疗（EBRT）患者的前列腺尿道定位	研究样本量有限，主要集中在局部前列腺癌患者	开发一种基于深度学习的方法，用于在外部束放疗（EBRT）患者中确定前列腺尿道的位置	前列腺癌患者的前列腺尿道	计算机视觉	前列腺癌	深度学习	U-Net	图像	430名局部前列腺癌患者
836	2024-11-24	Effect of deep learning reconstruction on the assessment of pancreatic cystic lesions using computed tomography 2024-Dec, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-024-00834-6 PMID:39147953	研究论文	本研究比较了深度学习重建（DLR）和滤波反投影（FBP）在胰腺囊性病变评估中的图像质量和检测性能	DLR显著降低了图像噪声，提高了信噪比和对比噪声比，改善了胰腺结构的清晰度	DLR和FBP在病变检测性能上无显著差异	比较DLR和FBP在胰腺囊性病变评估中的图像质量和检测性能	胰腺囊性病变	计算机视觉	胰腺疾病	深度学习重建（DLR）	NA	图像	54名患者（平均年龄：67.7±13.1）
837	2024-11-24	Bone metabolism in complex regional pain syndrome 2024-Dec, Pain reports IF:3.4Q2 DOI:10.1097/PR9.0000000000001217 PMID:39574486	研究论文	本研究评估了复杂区域疼痛综合征（CRPS）患者的骨代谢情况，使用三相骨闪烁扫描（TPBS）和骨血清标志物进行分析	本研究采用了深度学习模型进行自动分割，量化TPBS图像中的示踪剂增强，并结合血清标志物进行综合分析	血清标志物在大多数患者中未显示出显著差异，且与TPBS增强的相关性有限	评估CRPS患者的骨代谢情况，并探讨TPBS和血清标志物的应用	CRPS患者的骨代谢情况和血清标志物	数字病理学	NA	三相骨闪烁扫描（TPBS）	深度学习模型	图像	114名CRPS患者和48名健康对照者
838	2024-11-24	Deep learning estimation of proton stopping power with photon-counting computed tomography: a virtual study 2024-Dec, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.S1.S12809 PMID:39574807	研究论文	本文探讨了使用光子计数计算机断层扫描（PCCT）和深度学习网络（U-Net）来提高质子停止功率比（SPR）估计的潜力	利用PCCT图像和深度学习网络（U-Net）进行SPR估计，相比传统的物理建模方法，误差显著降低	研究基于模拟数据，尚未在实际临床环境中验证	评估PCCT在提高质子治疗中质子停止功率比估计精度的潜力	质子停止功率比（SPR）的估计	计算机视觉	NA	光子计数计算机断层扫描（PCCT）	U-Net	图像	使用XCAT模拟头部的PCCT图像和相应的SPR图进行训练
839	2024-11-23	Automated estimation of offshore polymetallic nodule abundance based on seafloor imagery using deep learning 2024-Dec-15, The Science of the total environment DOI:10.1016/j.scitotenv.2024.177225 PMID:39488283	研究论文	本文提出了一种基于深度学习算法自动估计海底多金属结核丰度的方法	使用UNET卷积神经网络框架处理海底图像，显著提高了多金属结核检测和丰度估计的效率和准确性	NA	提高多金属结核资源评估的效率和准确性	海底多金属结核的丰度估计	计算机视觉	NA	深度学习	UNET卷积神经网络	图像	30000张海底照片
840	2024-11-23	Corrigendum to "Comparative efficiency of the SWAT model and a deep learning model in estimating nitrate loads at the Tuckahoe creek watershed, Maryland" [Sci. Total Environ. 954 (2024) 176256] 2024-Dec-15, The Science of the total environment DOI:10.1016/j.scitotenv.2024.177316 PMID:39532603	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA