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
20481	2024-08-07	Deep Learning-Enhanced Sampling-Based Path Planning for LTL Mission Specifications 2024-May-09, Sensors (Basel, Switzerland) DOI:10.3390/s24102998 PMID:38793854	研究论文	本文介绍了一种新颖的路径规划算法，旨在生成满足线性时序逻辑（LTL）任务要求的低成本轨迹	本文的核心贡献是提出了一种改进的基于采样的路径规划算法，通过多层框架方法实现简化的离散抽象，无需依赖网格分解，特别适用于复杂或高维环境	NA	开发一种能够生成满足特定任务要求的低成本轨迹的路径规划算法	路径规划算法及其在复杂环境中的应用	机器学习	NA	深度学习	NA	NA	NA
20482	2024-08-07	Photothermal Radiometry Data Analysis by Using Machine Learning 2024-May-09, Sensors (Basel, Switzerland) DOI:10.3390/s24103015 PMID:38793869	研究论文	本文综述了机器学习在光热技术中的最新发展和应用，并介绍了在光热瞬态发射辐射测量（OTTER）中使用机器学习进行数据分析的最新工作	研究了多种机器学习算法在光热技术数据分析中的应用，包括随机森林回归、梯度提升回归、支持向量机回归、偏最小二乘回归以及深度学习神经网络回归	NA	探索机器学习在光热技术中的应用，特别是在OTTER技术中的数据分析	光热技术在生物医学和工业无损检测中的应用	机器学习	NA	光热技术	随机森林回归、梯度提升回归、支持向量机回归、偏最小二乘回归、深度学习神经网络回归	数据	NA
20483	2024-08-07	Flexible Self-Powered Low-Decibel Voice Recognition Mask 2024-May-09, Sensors (Basel, Switzerland) DOI:10.3390/s24103007 PMID:38793860	research paper	本文介绍了一种集成单电极接触分离式摩擦电纳米发电机（CS-TENG）的低分贝语音识别口罩，该口罩能在安静环境中捕捉对话语音信号并通过先进信号处理技术进行准确识别	采用单电极接触分离式摩擦电纳米发电机（CS-TENG），具有高频感应能力和长期稳定性，结合短时傅里叶变换（STFT）、Mel频率倒谱系数（MFCC）和深度学习神经网络进行信号处理	NA	开发一种在安静环境中实现安全、高效且不显眼的通信系统	低分贝语音识别口罩及其在安静环境中的应用	NA	NA	摩擦电纳米发电机（TENG）	深度学习神经网络	语音信号	NA
20484	2024-08-07	Optical Flow-Based Obstacle Detection for Mid-Air Collision Avoidance 2024-May-09, Sensors (Basel, Switzerland) DOI:10.3390/s24103016 PMID:38793871	研究论文	本文开发了一种基于光流的空中障碍物检测算法，用于避免空中碰撞	使用光流算法来区分由相机运动和接近物体引起的运动，无需依赖训练数据	算法性能依赖于模拟器提供的数据，实际应用中的效果可能有所不同	寻找低成本的解决方案以减少空中碰撞	空中障碍物检测算法	计算机视觉	NA	光流	NA	图像	使用自研模拟器获取的不同环境、轨迹和高度的飞行物数据
20485	2024-08-07	Prediction of Drug-Target Affinity Using Attention Neural Network 2024-May-08, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms25105126 PMID:38791165	研究论文	本文提出了一种名为GRA-DTA的新型深度学习算法，用于预测药物-靶点亲和力	引入了双向门控循环单元（BiGRU）与软注意力机制结合的方法来学习靶点表示，并使用Graph Sample and Aggregate（GraphSAGE）学习药物表示，通过注意力神经网络（ANN）合并药物和靶点表示	NA	研究药物-靶点相互作用，为药物发现提供快速有效的计算方法	药物-靶点亲和力的预测	机器学习	NA	深度学习	注意力神经网络（ANN）	数据集	使用了KIBA和Davis两个基准数据集
20486	2024-08-07	Novel Imaging Approaches for Glioma Classification in the Era of the World Health Organization 2021 Update: A Scoping Review 2024-May-08, Cancers IF:4.5Q1 DOI:10.3390/cancers16101792 PMID:38791871	综述	本文通过范围综述探讨了2021年世界卫生组织中枢神经系统肿瘤分类更新背景下，利用磁共振成像、放射组学、机器学习和深度学习算法等新型数据分析工具在胶质瘤分类中的应用现状和研究空白	利用多参数磁共振成像取得了最佳的预测结果，并关注了IDH突变和1p/19q共缺失状态的预测	研究中仅8%包括了儿科患者，功能性磁共振成像数据代表性不足，且针对较小亚组的性能较差，缺乏评估普遍性的研究设计	探讨新型数据分析工具在神经影像中预测肿瘤亚组的作用	胶质瘤亚组分类	计算机视觉	脑肿瘤	磁共振成像（MRI）、放射组学、机器学习、深度学习算法	NA	图像	分析了62篇原始文章，其中仅8%包括儿科患者，低级别胶质瘤和弥漫中线胶质瘤占研究论文的三分之一，22%的研究使用了公共数据集
20487	2024-08-07	Discriminating Spectral-Spatial Feature Extraction for Hyperspectral Image Classification: A Review 2024-May-08, Sensors (Basel, Switzerland) DOI:10.3390/s24102987 PMID:38793842	综述	本文综述了高光谱图像分类中用于区分光谱-空间特征提取的关键因素	系统总结了从特征提取和特征优化角度区分光谱-空间特征的关键因素	讨论了现有技术的特点和局限性，并指出了未来在高光谱图像分类特征区分方面的挑战	旨在提高高光谱图像分类中光谱-空间特征的区分度	高光谱图像的光谱和空间特征	计算机视觉	NA	深度学习	CNN	图像	NA
20488	2024-08-07	A Deep Learning Approach for Accurate Path Loss Prediction in LoRaWAN Livestock Monitoring 2024-May-08, Sensors (Basel, Switzerland) DOI:10.3390/s24102991 PMID:38793846	研究论文	本研究利用深度学习方法，特别是在LoRaWAN环境中，针对畜牧业监测中的路径损耗预测问题进行了探索	提出了一种创新的深度学习方法，使用双向长短期记忆网络（Bi-LSTM）来提高路径损耗模型的精确度，显著减少了估计误差	研究受限于在山区环境中密集部署终端设备的成本，这可能影响了对LoRa链路行为的全面分析	旨在阐明LoRa链路性能在空间维度上的稳定性，并确定在山区环境中网关可实现的可靠通信覆盖范围	研究对象为在意大利西北部阿尔卑斯山区的牧场中使用LoRa通信进行畜牧业监测	物联网	NA	LoRa通信	双向长短期记忆网络（Bi-LSTM）	实验数据	具体样本数量未在摘要中提及
20489	2024-08-07	Deep Learning Based Over-the-Air Training of Wireless Communication Systems without Feedback 2024-May-08, Sensors (Basel, Switzerland) DOI:10.3390/s24102993 PMID:38793848	研究论文	本文提出了一种无需反馈通道的无线通信系统空中训练方法，通过在接收端训练混合密度网络来近似信道分布，从而实现发射机和接收机的训练	提出了一种无需反馈通道的无线通信系统空中训练方法，通过随机样本传输和混合密度网络训练来近似信道分布	未提及	解决因信道环境导致的反向传播学习中断问题，并减少系统资源需求和对抗攻击的风险	无线通信系统中的发射机和接收机模型	机器学习	NA	深度学习	混合密度网络	信道环境数据	未提及具体样本数量
20490	2024-08-07	MurSS: A Multi-Resolution Selective Segmentation Model for Breast Cancer 2024-May-07, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050463 PMID:38790330	研究论文	本文提出了一种多分辨率选择性分割模型（MurSS），用于从苏木精和伊红（H&E）染色的全切片图像（WSIs）中准确分割乳腺癌病变	MurSS模型利用低分辨率和高分辨率补丁，通过自适应实例归一化来利用多分辨率特征，并采用选择性分割方法自动拒绝模糊组织区域，确保稳定训练	NA	提高乳腺癌病变的分割准确性，以实现有效的个性化治疗和改善患者预后	乳腺癌病变	数字病理学	乳腺癌	自适应实例归一化	CNN	图像	使用The Cancer Genome Atlas乳腺癌浸润性癌（BRCA）公共数据集进行训练和验证，使用韩国大学医学中心九老医院BRCA数据集进行最终测试评估
20491	2024-08-07	AI-Driven Sensing Technology: Review 2024-May-07, Sensors (Basel, Switzerland) DOI:10.3390/s24102958 PMID:38793814	综述	本文综述了机器学习和深度学习技术如何推动传感技术的进步，并探讨了其在多个领域的应用	文章展示了AI算法如何显著提升传感器功能并扩展其应用范围	文章提到了在利用这些技术进行传感应用时遇到的挑战	探讨AI与传感器技术的融合及其在传感器设计、校准和补偿、物体识别和行为预测方面的影响	机器学习、深度学习技术与传感技术的融合	机器学习	NA	机器学习、深度学习	NA	NA	NA
20492	2024-08-07	Single-Pixel Imaging Based on Deep Learning Enhanced Singular Value Decomposition 2024-May-07, Sensors (Basel, Switzerland) DOI:10.3390/s24102963 PMID:38793818	研究论文	本文提出并展示了一种基于深度学习网络增强奇异值分解的单像素成像方法	该方法能够在低采样率下（低至3.12%）或更少的测量次数或更短的采集时间内重建图像，具有更好的抗噪性能和泛化能力	NA	开发一种新的单像素成像方法，以提高图像质量和系统性能	单像素成像技术及其在不同条件下的表现	计算机视觉	NA	奇异值分解	深度学习网络	图像	NA
20493	2024-08-07	Improving the Accuracy of Direction of Arrival Estimation with Multiple Signal Inputs Using Deep Learning 2024-May-07, Sensors (Basel, Switzerland) DOI:10.3390/s24102971 PMID:38793827	研究论文	本文提出了一种创新的循环噪声降低方法和改进的CAPON算法（即最小方差无失真响应（MVDR）算法），以提高DOA（到达方向）估计的准确性和可靠性	通过处理从接收信号的协方差矩阵获得的特征值，循环噪声降低方法可以将信噪比（SNR）提高多达5 dB，从而提高DOA估计的准确性。改进的CAPON算法采用卷积神经网络（CNN）结构，其输入是处理后的接收信号的协方差矩阵，CAPON谱值用作训练标签以获得估计的空间谱	NA	提高DOA估计的准确性和可靠性	DOA估计的准确性和可靠性	机器学习	NA	CNN	CNN	协方差矩阵	NA
20494	2024-08-07	Where Does Auto-Segmentation for Brain Metastases Radiosurgery Stand Today? 2024-May-03, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050454 PMID:38790322	综述	本文综述了脑转移瘤自动分割技术在立体定向放射手术中的应用现状	近年来深度学习在医学图像分割领域取得了先进成果	本文探讨了脑转移瘤分割面临的挑战	分析自动分割策略，评估前沿脑转移瘤分割方法的性能	脑转移瘤的检测与分割	计算机视觉	脑转移瘤	深度学习	NA	图像	NA
20495	2024-08-07	Artificial Intelligence-Guided Segmentation and Path Planning Software for Transthoracic Lung Biopsy 2024-May, Journal of vascular and interventional radiology : JVIR IF:2.6Q2 DOI:10.1016/j.jvir.2024.02.006 PMID:38355040	研究论文	本文验证了一种3D卷积神经网络（CNN）人工智能软件在肺部病变检测中的敏感性和特异性，并评估了该软件生成的针路径与实际活检程序中使用的路径的一致性。	使用3D-CNN进行肺部病变检测，并通过贝叶斯优化提出可能的针轨迹，以避免重要结构。	研究为回顾性，且样本主要来自三家医院，可能存在选择偏倚。	验证人工智能软件在肺部病变检测和路径规划中的应用效果。	肺部病变检测和针路径规划。	计算机视觉	肺部疾病	3D卷积神经网络（CNN）	CNN	CT扫描图像	2,147个结节用于模型训练，235次扫描用于验证，150名患者用于路径规划比较。
20496	2024-08-07	Prediction of Visual Outcome After Rhegmatogenous Retinal Detachment Surgery Using Artificial Intelligence Techniques 2024-May-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.13.5.17 PMID:38776109	研究论文	本研究旨在开发人工智能模型，预测视网膜脱离手术后的功能结果	采用多模态融合模型，结合多种预手术预测因素，提高了预测准确性	样本量较小，仅为184名患者	开发人工智能模型预测视网膜脱离手术后的视觉结果	视网膜脱离手术后的功能结果	机器学习	NA	深度学习	多模态融合模型	图像	184名视网膜脱离患者
20497	2024-08-07	PallorMetrics: Software for Automatically Quantifying Optic Disc Pallor in Fundus Photographs, and Associations With Peripapillary RNFL Thickness 2024-May-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.13.5.20 PMID:38780955	研究论文	开发了一种自动量化眼底照片中视盘苍白的软件，并研究了其与视网膜神经纤维层厚度的关联	首次使用深度学习技术自动分割眼底照片中的视盘、黄斑和血管，并测量苍白程度	NA	开发一种自动方法来量化眼底照片中的视盘苍白，并确定其与视网膜神经纤维层厚度的关联	视盘苍白与视网膜神经纤维层厚度的关系	计算机视觉	NA	深度学习	NA	图像	118名参与者
20498	2024-08-07	Deep Learning-Based Detection of Glottis Segmentation Failures 2024-Apr-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050443 PMID:38790311	研究论文	本文提出了一种基于深度学习的方法，用于检测喉头分割失败的情况	首次采用深度学习方法自动检测喉头分割失败，并引入了知识驱动的扰动过程和定制损失函数	NA	提高医学图像分割在临床应用中的准确性	喉头分割失败的情况	计算机视觉	NA	深度学习	ResNet18	视频	使用了三个公共数据集，并通过数据增强和扰动过程生成故障分割数据
20499	2024-08-07	The Use of Generative Adversarial Network and Graph Convolution Network for Neuroimaging-Based Diagnostic Classification 2024-Apr-30, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci14050456 PMID:38790434	研究论文	本文探讨了使用生成对抗网络（GAN）和图卷积网络（GCN）进行基于神经影像的功能连接（FC）数据分类诊断	提出使用GCN来揭示脑网络数据的复杂结构，并利用GAN生成合成图像以解决数据稀缺和患者隐私问题	仍有改进空间，特别是在疾病预测和诊断方面	验证GAN和GCN模型在不同数据集上的泛化能力和分类准确性	功能连接（FC）数据和神经影像数据	机器学习	NA	生成对抗网络（GAN），图卷积网络（GCN）	生成对抗网络（GAN），图卷积网络（GCN）	图像	涉及多个公共数据集（ADHD, ABIDE-II, ADNI）和内部数据集（PTSD）
20500	2024-08-07	Synergizing Deep Learning-Enabled Preprocessing and Human-AI Integration for Efficient Automatic Ground Truth Generation 2024-Apr-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050434 PMID:38790302	研究论文	本文提出了一种结合深度学习预处理和人类-AI整合的新策略，用于高效生成高分辨率全切片显微图像的自动感兴趣区域（ROI）地面实况标注	引入了一种基于深度学习的预处理算法，用于将未知样本归一化到训练集分布，从而有效缓解过拟合问题，并显著增加了自动地面实况标注的数量	NA	旨在解决医学图像解释领域中，由于生成地面实况的高成本和时间消耗以及图像质量不一致性导致的深度学习进展受阻问题	高分辨率全切片显微图像	数字病理学	NA	深度学习	NA	图像	未标注数据集的自动标签接受率为92%，标注数据集扩展了845%