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
20281	2024-08-05	Adaptive Joint Carrier and DOA Estimations of FHSS Signals Based on Knowledge-Enhanced Compressed Measurements and Deep Learning 2024-Jun-26, Entropy (Basel, Switzerland) DOI:10.3390/e26070544 PMID:39056907	研究论文	本文提出了一种自适应压缩方法，用于频跳扩频信号的载波和到达方向(DOA)的联合估计	通过基于信号后验知识和特定任务的信息优化，自适应设计压缩测量核，并结合深度神经网络提高测量核设计的效率	本文的限制没有在摘要中提到	研究频跳扩频信号的载波和到达方向的估计方法	使用压缩测量核来提取频跳扩频信号	数字信号处理	NA	深度学习	深度神经网络	模拟数据	NA
20282	2024-08-05	Utilizing TabNet Deep Learning for Elephant Flow Detection by Analyzing Information in First Packet Headers 2024-Jun-22, Entropy (Basel, Switzerland) DOI:10.3390/e26070537 PMID:39056900	研究论文	本研究利用TabNet深度学习架构通过分析初始数据包头的5元组字段来检测大型数据流，即大象流	提出了使用TabNet模型在流开始时准确识别大象流的创新方法	未提及具体的局限性	提高网络流量管理的效率和准确性	大型数据流（大象流）的检测	计算机视觉	NA	深度学习	TabNet	数据包信息	一个校园网络的全面数据集
20283	2024-08-05	Robust PCA with Lw,∗ and L2,1 Norms: A Novel Method for Low-Quality Retinal Image Enhancement 2024-Jun-21, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10070151 PMID:39057722	研究论文	提出了一种新颖的鲁棒主成分分析方法，以增强低质量的视网膜图像	通过低秩稀疏分解整合加权核范数和L2,1范数的鲁棒主成分分析方法，克服了现有方法的局限性	现有的无监督学习方法在视网膜图像增强方面对噪声和异常值敏感，并且在可扩展性和可解释性方面存在困难	提高低质量视网膜图像的质量，特别是在高噪声或显著存在伪影的有限数据背景下	非散瞳视网膜底部图像	计算机视觉	眼科疾病	加权核范数，L2,1范数	鲁棒主成分分析(RPCA)	图像	多个数据集的模拟结果
20284	2024-08-05	Efficient Wheat Head Segmentation with Minimal Annotation: A Generative Approach 2024-Jun-21, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10070152 PMID:39057723	研究论文	本文提出了一种通过最小化标注实现高效的小麦穗分割的方法	创新点在于通过计算机模拟生成大规模标注数据集，并使用生成对抗网络（GAN）填补模拟数据与真实数据之间的域间隙	该方法的局限性在于虽然其在小麦穗分割中表现良好，但可能无法直接推广到所有作物类型或所有类型的图像	旨在开发一种使用合成数据进行小麦穗分割的深度学习模型	研究对象为小麦穗的图像分割	计算机视觉	NA	生成对抗网络（GAN）	深度学习模型	图像	内部数据集的Dice得分为83.4%，对两个外部数据集的得分分别为79.6%和83.6%
20285	2024-08-05	Correction: Improved runoff forecasting based on time-varying model averaging method and deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0307923 PMID:39046993	更正	本文更正了之前发布的文章的内容	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
20286	2024-08-05	Field pea leaf disease classification using a deep learning approach 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0307747 PMID:39052602	研究论文	该论文提出了一种基于深度学习的方法来自动诊断田豌豆叶病	采用了迁移学习方法提升田豌豆叶疾病的自动分类准确性	研究可能局限于特定的田豌豆种类及其疾病类型	旨在改进田豌豆叶病的检测和分类过程	对田豌豆的三种叶病进行分类，包括灰斑病、叶斑病和白粉病	计算机视觉	NA	迁移学习	DenseNet121	图像	1600张健康和病叶图像
20287	2024-08-05	A deep learning framework for the early detection of multi-retinal diseases 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0307317 PMID:39052616	研究论文	本文提出了一种深度学习框架，用于早期检测多种视网膜疾病。	本研究通过分析彩色眼底图像，实现了多种眼病的同时检测，并提供了可靠高效的诊断系统。	20层CNN模型虽然准确率高，但存在过拟合现象。	研究的目的是提供一种非侵入性的方法，用于早期检测和及时治疗眼病。	研究对象为包含多种眼病的眼底图像数据集，以及健康图像。	计算机视觉	视网膜疾病	CNN	CNN	图像	使用了Retinal Fundus Multi-disease Image Dataset (RFMiD) 数据集，包含各种视网膜病变的眼底图像类别
20288	2024-08-05	Building Prediction Models for 30-Day Readmissions Among ICU Patients Using Both Structured and Unstructured Data in Electronic Health Records 2023-Dec, Proceedings. IEEE International Conference on Bioinformatics and Biomedicine DOI:10.1109/bibm58861.2023.10385612 PMID:39055130	研究论文	本研究构建并评估了多个机器学习模型，以预测ICU患者的30天再入院率	该研究结合了结构化和非结构化数据，展示了利用机器学习和深度学习预测ICU再入院的潜力	该研究可能受到MIMIC-III数据库的特定限制	预测ICU患者的30天再入院率	ICU患者的电子健康记录数据	机器学习	NA	机器学习	逻辑回归	结构化和非结构化数据	使用MIMIC-III数据库中的数据
20289	2024-08-05	Artificial Intelligence as a Decision-Making Tool in Forensic Dentistry: A Pilot Study with I3M 2023-03-06, International journal of environmental research and public health DOI:10.3390/ijerph20054620 PMID:36901630	研究论文	这项研究旨在探讨基于第三磨牙成熟指数（I3M）创建决策支持工具的技术可行性	该研究结合深度学习和拓扑数据分析方法，实现了I3M评分的自动化，展示了与牙科法医专家的高度一致性	这是一个初步研究，样本量相对较小，局限于特定地区的图像	研究目的是开发一种支持牙科年龄估计专家决策的人工智能工具	研究对象是来自法国和乌干达的456张下颌骨X光影像	数字病理学	NA	深度学习	U-Net, Mask R-CNN	影像	456张图像
20290	2024-08-05	Super-Resolution of Dental Panoramic Radiographs Using Deep Learning: A Pilot Study 2023-Mar-06, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13050996 PMID:36900140	研究论文	本研究旨在比较基于深度学习的超分辨率模型与传统方法在提升牙科全景影像分辨率方面的效果	探索了五种最先进的深度学习超分辨率方法，并与传统双三次插值方法进行了比较	研究样本仅限于牙科全景影像，可能无法推广到其他类型的医疗影像	提高牙科全景影像的分辨率和质量	888幅牙科全景影像	计算机视觉	NA	深度学习超分辨率算法	SRCNN, SRGAN, U-Net, SwinIr, LTE	图像	888幅牙科全景影像
20291	2024-08-07	Hyperparameter Tuning and Automatic Image Augmentation for Deep Learning-Based Angle Classification on Intraoral Photographs-A Retrospective Study 2022-Jun-23, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12071526 PMID:35885432	研究论文	本研究评估了超参数调优和自动图像增强对基于深度学习的正畸照片按Angle分类的影响	采用GradCAM提高模型的可解释性，并发现自动图像增强进一步提升了模型性能	误分类主要发生在Angle I类和II类之间	评估超参数调优和自动图像增强对深度学习模型在正畸照片分类中的效果	正畸照片按Angle分类	计算机视觉	NA	深度学习	ResNet	图像	605张Angle I类图像，1038张Angle II类图像，408张Angle III类图像
20292	2024-08-07	Deep Learning-Based Methods for Automatic Diagnosis of Skin Lesions 2020-Mar-21, Sensors (Basel, Switzerland) DOI:10.3390/s20061753 PMID:32245258	研究论文	本文旨在开发一种基于深度学习的高精度系统，用于自动诊断皮肤病变	本文的创新点在于集成多种分类器方法于一个基于全局融合的决策系统中，利用各方法的结果来确定融合权重	NA	开发一种高精度的皮肤病变自动诊断系统	皮肤病变，包括黑色素瘤和良性痣	机器学习	NA	深度学习	神经网络（NN）、卷积神经网络（CNN）	图像	使用了两个不同的免费数据库进行实验
20293	2024-08-07	Skin lesion classification using ensembles of multi-resolution EfficientNets with meta data 2020, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2020.100864 PMID:32292713	研究论文	本文描述了在ISIC 2019皮肤病变分类挑战中使用多分辨率EfficientNets集成方法的方法	采用数据驱动方法处理测试集中的未知类别，通过损失平衡处理严重的类别不平衡，以及使用两种裁剪策略和多裁剪评估处理不同分辨率的图像	NA	参与并赢得ISIC 2019皮肤病变分类挑战	皮肤病变分类	计算机视觉	皮肤病变	深度学习	EfficientNets, SENet, ResNeXt WSL	图像	涉及不同分辨率的皮肤镜图像和患者元数据
20294	2024-08-05	Low-contrast lesion detection in neck CT: a multireader study comparing deep learning, iterative, and filtered back projection reconstructions using realistic phantoms 2024-Jul-24, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-024-00486-6 PMID:39046565	研究论文	本研究比较了深度学习重建、迭代重建和滤波反投影在颈部CT中的病灶检测效果	使用深度学习重建（DLR）技术提高了颈部CT影像中低对比度病灶的可检测性	仅在患者模拟的颈部假体上进行实验，可能影响结果的推广性	探索不同CT重建算法在颈部低对比度病灶检测中的有效性	使用九个模拟患者颈部假体进行实验，每个假体包含一个低对比度病灶	数字病理学	NA	深度学习重建（DLR）	NA	影像	九个颈部假体
20295	2024-08-05	Developing BioNavi for Hybrid Retrosynthesis Planning 2024-Jul-22, JACS Au IF:8.5Q1 DOI:10.1021/jacsau.4c00228 PMID:39055138	研究论文	本文提出了一种名为BioNavi的模型，用于设计混合合成路径。	BioNavi通过创新多任务学习和反应模板，提高了合成路径设计的可解释性。	未提及特定的限制	研究目的是开发一个有效的混合合成路径设计工具。	研究对象为合成路径，包括化学合成和生物合成。	数字路径学	NA	深度学习	多任务学习	数据集	多个数据集，具体样本数未提及
20296	2024-08-05	Learning generalizable AI models for multi-center histopathology image classification 2024-Jul-19, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-024-00652-4 PMID:39030380	研究论文	本研究提出了一种新的对抗性傅里叶领域适应方法，用于多中心的组织病理图像分类	提出了对抗性傅里叶领域适应（AIDA）方法，利用傅里叶变换的优势改善深度学习模型的泛化能力	现有技术在有效性和可区分性方面存在局限	提升临床病理学中AI模型的诊断准确性与效率	涉及四种癌症（卵巢癌、胸膜癌、膀胱癌和乳腺癌）的亚型分类任务	数字病理学	卵巢癌, 胸膜癌, 膀胱癌, 乳腺癌	对抗性领域适应, 傅里叶变换	卷积神经网络（CNN）	图像	共涉及1113例卵巢癌, 247例胸膜癌, 422例膀胱癌和482例乳腺癌
20297	2024-08-05	Absolute permeability estimation from microtomography rock images through deep learning super-resolution and adversarial fine tuning 2024-Jul-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-67367-1 PMID:39030317	研究论文	本文提出了一种通过深度学习超分辨率和对抗微调来估计微断层岩石图像的绝对渗透率	使用超分辨率模型提升低分辨率图像质量，并结合代理模型替代数值模拟，以估算感兴趣的岩石物理属性	未提及具体限制因素	旨在提高碳捕集与储存过程中对地下储层物理性质的准确估计	针对地下储层岩石的物理特性进行研究，重点在于渗透率的估算	数字岩石物理	NA	X射线微断层成像	GAN	图像	DeePore数据集
20298	2024-08-05	Enhancing global maritime traffic network forecasting with gravity-inspired deep learning models 2024-Jul-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-67552-2 PMID:39030401	研究论文	本文开发了一种新的物理启发模型，用于预测全球港口区域间的海洋运输交通	该研究将变压器技术引入重力模型，重建短期和长期依赖关系，从而提高了风险分析的可行性，并实现了比传统深度重力模型提高超过10%的精度	模型的适用性可能受限于特定数据源的可用性和准确性	旨在通过运输网络评估非本地水生物种的扩散风险	研究对象是港口区域间的海洋运输流量	计算机视觉	NA	物理启发模型	变压器	NA	NA
20299	2024-08-05	SENSE-PPI reconstructs interactomes within, across, and between species at the genome scale 2024-Jul-19, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.110371 PMID:39055916	研究论文	本文介绍了一种名为SENSE-PPI的深度学习模型，用于高效重建蛋白质-蛋白质相互作用网络	SENSE-PPI利用最新一代的蛋白质语言模型和递归神经网络，能在功能相似的蛋白质中区分具体相互作用，且在跨物种预测中表现出高准确性和灵活性	对于系统发育上更远的模型和非模型生物，其性能下降较大，但是信号变化很缓慢	研究蛋白质-蛋白质相互作用网络，以揭示细胞系统的生物机制	涉及成千上万的蛋白质，尤其是在功能上相似的蛋白质	计算生物学	NA	蛋白质语言模型，递归神经网络	深度学习模型	蛋白质序列	可测试10,000种蛋白质
20300	2024-08-05	Risk prediction of heart diseases in patients with breast cancer: A deep learning approach with longitudinal electronic health records data 2024-Jul-19, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.110329 PMID:39055938	研究论文	本研究开发并评估了六种心脏疾病风险预测模型，使用真实世界电子健康记录数据。	提出了结合可训练衰减机制的LSTM-D模型，以处理长短期记忆模型中的缺失值，并通过NLP方法提取乳腺癌表型，增强预测效果。	未提到具体的研究限制。	准确预测乳腺癌患者的心脏疾病风险，为临床决策支持和患者安全提供帮助。	本研究以乳腺癌患者为研究对象，评估六种心脏疾病的风险。	机器学习	心血管疾病	电子健康记录（EHRs）	LSTM	结构化和非结构化数据	NA