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
20701	2024-08-07	Computer vision enables short- and long-term analysis of Lophelia pertusa polyp behaviour and colour from an underwater observatory 2019-04-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-41275-1 PMID:31036904	研究论文	本研究利用固定水下观测站上的高清摄像头和其他传感器，监测了2015年4月至11月期间Lofoten-Vesterålen地区的冷温珊瑚（Lophelia pertusa）礁，通过图像处理和深度学习技术分析珊瑚颜色和珊瑚虫活动的变化	本研究展示了通过有效的综合计算方法，图像时间序列是理解和监测水下环境动态的新颖且丰富的信息来源，得益于固定水下观测站的高时间分辨率和覆盖范围	NA	研究珊瑚虫行为和颜色的短期和长期变化	Lophelia pertusa珊瑚礁的珊瑚虫行为和颜色变化	计算机视觉	NA	图像处理和深度学习	深度学习模型	图像	2015年4月至11月期间的数据
20702	2024-08-07	Machine learning accurately classifies age of toddlers based on eye tracking 2019-04-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-42764-z PMID:31000762	研究论文	本研究利用机器学习方法（支持向量机和深度学习）分析眼动追踪数据，以准确分类幼儿的年龄	采用数据驱动的方法，通过机器学习模型揭示了影响年龄相关注视模式变化的因素	NA	探索机器学习在理解幼儿注视模式随年龄变化中的应用	幼儿的注视行为和年龄分类	机器学习	NA	支持向量机（SVM）和深度学习（DL）	支持向量机（SVM）和深度学习（DL）	眼动追踪数据	未明确提及具体样本数量
20703	2024-08-07	Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on MRI 2019-04, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.26534 PMID:30575178	综述	本文概述了深度学习在放射学中的应用，特别是MRI领域，并调查了该领域的最新技术	深度学习算法在图像相关任务中展现出突破性性能，经常达到或超过人类表现	简要讨论了将深度学习融入未来放射学实践的机会和挑战	探讨深度学习在放射学中的应用机会，并介绍深度学习的基本概念	放射学领域，特别是MRI	计算机视觉	NA	深度学习	卷积神经网络	图像	NA
20704	2024-08-07	Deep convolutional models improve predictions of macaque V1 responses to natural images 2019-04, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1006897 PMID:31013278	研究论文	本文测试了两种基于深度学习的方法——从物体识别训练的人工神经网络的迁移学习和端到端训练在大规模神经元群体上的数据驱动卷积神经网络模型——预测清醒猕猴V1区对自然图像反应的能力	多层卷积神经网络（CNNs）为预测灵长类V1区对自然图像的神经反应设定了新的技术水平，并且用于物体识别的深度特征比所有先前的滤波器组理论更好地解释了V1计算	NA	测试基于深度学习的方法预测清醒猕猴V1区对自然图像反应的能力	清醒猕猴V1区的神经反应	计算机视觉	NA	深度学习	CNN	图像	大规模神经元群体
20705	2024-08-07	Analyzing and Visualizing Knowledge Structures of Health Informatics from 1974 to 2018: A Bibliometric and Social Network Analysis 2019-Apr, Healthcare informatics research IF:2.3Q3 DOI:10.4258/hir.2019.25.2.61 PMID:31131140	综述	本文通过定量文献回顾分析，对健康信息学的知识结构进行理论澄清，并绘制科学网络图谱	本文利用文本挖掘和文献计量学方法，分析了健康信息学领域的知识结构和科学网络模式	NA	旨在通过定量分析揭示健康信息学领域的知识结构和科学网络模式	健康信息学领域的文献和科学网络	健康信息学	NA	文本挖掘和文献计量学	NA	文本	30,115篇健康信息学主题的文章
20706	2024-08-07	Predicting ischemic stroke tissue fate using a deep convolutional neural network on source magnetic resonance perfusion images 2019-Apr, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.6.2.026001 PMID:31131293	研究论文	本文利用深度卷积神经网络（CNN）在磁共振灌注成像上预测缺血性脑卒中的组织命运	提出了一种改进特征学习的深度CNN架构，并在曲线下面积上超越了现有的组织命运模型	NA	开发一种新的方法来预测急性脑卒患者的梗死体积，以辅助临床治疗决策	缺血性脑卒中的组织命运	计算机视觉	心血管疾病	磁共振灌注成像	CNN	图像	NA
20707	2024-08-07	Automatic Pulmonary Nodule Detection Applying Deep Learning or Machine Learning Algorithms to the LIDC-IDRI Database: A Systematic Review 2019-Mar-07, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics9010029 PMID:30866425	综述	本研究旨在概述应用于LIDC-IDRI数据库的机器学习算法在胸部CT扫描中检测肺结节的情况	机器学习和深度学习算法能够以高准确度、敏感性和特异性检测肺结节	对于评估机器学习算法效率的方法尚未达成共识	提供关于应用于LIDC-IDRI数据库的机器学习算法在肺结节检测中的文献综述	机器学习和深度学习算法在LIDC-IDRI数据库中的应用	机器学习	肺部疾病	NA	机器学习算法和深度学习算法	CT扫描图像	41篇研究文章
20708	2024-08-07	Deep learning for photoacoustic tomography from sparse data 2019, Inverse problems in science and engineering IF:1.1Q3 DOI:10.1080/17415977.2018.1518444 PMID:31057659	研究论文	本文针对光声断层扫描（PAT）中的稀疏数据问题，开发了一种基于深度学习的快速高效图像重建算法	提出了一种基于深度卷积神经网络（CNN）的直接且高效的重建算法，该算法在实际图像重建中仅需一次训练好的CNN评估，无需耗时的正向和伴随问题求解	NA	开发适用于光声断层扫描中稀疏数据问题的快速准确图像重建算法	光声断层扫描中的稀疏数据问题	计算机视觉	NA	深度学习	CNN	图像	基于一组训练数据调整权重
20709	2024-08-07	An automatic diagnostic system based on deep learning, to diagnose hyperlipidemia 2019, Diabetes, metabolic syndrome and obesity : targets and therapy DOI:10.2147/DMSO.S198547 PMID:31118725	研究论文	本文提出了一种基于深度学习算法的自动诊断系统，用于通过人体生理参数诊断高血脂症	该系统使用深度学习模型自动提取所有可用信息，而非人工减少原始数据，从而降低了劳动力成本	NA	开发一种高效的自动诊断系统，以提高临床诊断效率	高血脂症的自动诊断	机器学习	NA	深度学习	神经网络	生理参数	测试数据集
20710	2024-08-07	Spatial mapping with Gaussian processes and nonstationary Fourier features 2018-Dec, Spatial statistics IF:2.1Q1 DOI:10.1016/j.spasta.2018.02.002 PMID:31008043	研究论文	本文通过利用傅里叶特征表示、高斯过程和神经网络之间的联系，提出了一种简单高效的框架，用于从数据中直接学习任意复杂的非平稳核函数	本文引入了一种更通用的非平稳核函数表示方法，扩展了简单线性加法方法到具有更高阶交互的非线性方法	NA	开发一种新的框架，用于学习复杂的非平稳核函数，同时避免过拟合并提高泛化性能	时间序列数据集和东非地表温度遥感问题	机器学习	NA	高斯过程和非平稳傅里叶特征	高斯过程	时间序列数据和遥感数据	具体样本数量未在摘要中提及
20711	2024-08-07	Interpretable Representation Learning for Healthcare via Capturing Disease Progression through Time 2018-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining DOI:10.1145/3219819.3219904 PMID:31037221	研究论文	本文提出了一种名为Timeline的可解释深度学习模型，用于通过捕捉疾病的时间进展来学习医疗保健的可解释表示	Timeline模型具有学习每个医疗代码时间衰减因子的机制，能够区分慢性条件和急性条件对未来访问的不同影响，并使用注意力机制改进访问的向量嵌入	NA	通过捕捉疾病的时间进展来提高电子健康记录预测模型的准确性和可解释性	电子健康记录数据中的医疗索赔数据	机器学习	NA	深度学习	RNN	文本	两个大规模真实世界数据集
20712	2024-08-07	Automatic Detection of the Inner Ears in Head CT Images Using Deep Convolutional Neural Networks 2018-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2293383 PMID:31007337	研究论文	本文提出了一种基于深度卷积神经网络的方法，用于自动检测头部CT图像中的内耳	该方法能够自动检测CT图像中是否包含两只耳朵、一只耳朵或没有耳朵，提高了编程策略的效率	目前缺乏标准的图像采集协议，导致需要视觉检查和标记来初始化处理流程	旨在实现图像引导的耳蜗植入编程技术的临床部署	头部CT图像中的内耳检测	计算机视觉	NA	深度学习	CNN	图像	超过2,000个CT图像，来自153名患者
20713	2024-08-05	Enhancing Chicago Classification diagnoses with functional lumen imaging probe-mechanics (FLIP-MECH) 2024-Aug, Neurogastroenterology and motility IF:3.5Q2 DOI:10.1111/nmo.14841 PMID:38852150	研究论文	本文提出了一种系统的方法，通过深度学习和力学，结合HRM和FLIP的诊断，以改善食管运动障碍的诊断。	创新之处在于开发了一种基于力学的参数量化食管健康，并利用变分自编码器生成虚拟疾病景观，用于进行HRM和FLIP的诊断对比。	研究可能在于所用样本仅限于特定的食管运动障碍患者和正常受试者，样本多样性可能影响结果的普适性。	研究旨在通过深度学习和力学技术，桥接HRM和FLIP测量之间的诊断差距。	研究对象为740名受试者，涵盖不同类型的食管运动障碍患者及正常受试者。	数字病理学	食管运动障碍	FLIP	变分自编码器	参数数据	740名受试者
20714	2024-08-05	Parotid Gland Segmentation Using Purely Transformer-Based U-Shaped Network and Multimodal MRI 2024-Aug, Annals of biomedical engineering IF:3.0Q3 DOI:10.1007/s10439-024-03510-3 PMID:38691234	研究论文	本研究使用纯Transformer的U形网络进行腮腺的分割。	本研究提出了一种全新的纯Transformer基础的U形分割网络，并采用新的训练方法减少临床医生的标记工作量。	尚未提及特定的局限性	提高腮腺及肿瘤的分割准确性以改善诊断和手术计划选择。	多中心多模态腮腺MRI数据集中的腮腺和肿瘤。	计算机视觉	NA	MRI	Transformer	图像	多中心多模态腮腺MRI数据集
20715	2024-08-05	Enhancement of cyber security in IoT based on ant colony optimized artificial neural adaptive Tensor flow 2024-Jul-15, Network (Bristol, England) DOI:10.1080/0954898X.2024.2336058 PMID:39007930	研究论文	提出了一种基于蚁群优化人工神经自适应Tensorflow的技术来检测IoT中的恶意软件	创新提出了ACO-ANT技术以检测通过IoT传播的恶意软件，并提高了检测精度	未提及该方法在不同IoT设备类型上的普适性	提高物联网中网络安全的检测能力	聚焦于恶意软件的检测和源代码重复的识别	计算机视觉	NA	深度学习, ACO-ANT	多目标递归神经网络 (M-RNN)	数据集	使用Malimg数据集进行实验
20716	2024-08-05	Developing an explainable diagnosis system utilizing deep learning model: a case study of spontaneous pneumothorax 2024-Jul-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad5e31 PMID:38955331	研究论文	本文开发了一个使用可解释深度学习模型的医疗图像分析系统，用于自发性气胸的诊断	研究创新性地提出了一个集成的医疗图像分析系统，增强了深度学习模型的可解释性	目前对自发性气胸的深度学习预测研究相对有限	提高医疗诊断模型的可解释性，以改善患者的治疗结果	自发性气胸的医疗图像和诊断过程	数字病理学	肺部疾病	深度学习	可解释深度学习模型	医学图像	NA
20717	2024-08-05	Efficiency of oral keratinized gingiva detection and measurement based on convolutional neural network 2024-Jul-15, Journal of periodontology IF:4.2Q1 DOI:10.1002/JPER.24-0151 PMID:39007745	研究论文	本研究评估了不同卷积神经网络在基于口腔照片检测和测量角化牙龈的能力。	此文创新性地使用ResNet50模型实现自动化的角化牙龈分割，表现出91.4%的准确率。	该研究的测量结果受到测量操作员、表型和下颌类型的影响，有统计学显著差异。	评估不同深度学习算法在角化牙龈检测和测量中的应用。	使用1200张拍摄的口腔照片，以评估角化牙龈的测量和分割效果。	计算机视觉	NA	CNN	ResNet50	图像	600张照片
20718	2024-08-05	Nursing students' approaches to learning in selected Malawian nursing schools: a cross-sectional study 2024-Jul-12, BMC medical education IF:2.7Q1 DOI:10.1186/s12909-024-05746-y PMID:38997697	研究论文	本研究评估了马拉维选定护理学院护理与助产学生的学习方法。	提供了马拉维护理和助产学生学习方法的实证数据	采用的问卷法可能存在主观偏差，且样本仅限于三所护理学院	探讨马拉维护理学院学生学习方式的多样性及其影响	马拉维的护理和助产学生	护理教育	NA	问卷调查法	NA	问卷数据	251名护理学生
20719	2024-08-05	Water body extraction from high spatial resolution remote sensing images based on enhanced U-Net and multi-scale information fusion 2024-Jul-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-67113-7 PMID:38997473	研究论文	本文提出了一种名为EU-Net的新网络模型，用于从高分辨率遥感图像中提取水体	提出的EU-Net模型结合了改进的残差连接和注意力机制，并设计了多尺度扩张卷积和多尺度特征融合模块，以增强水体提取性能	高分辨率图像中的水体提取仍面临复杂背景的挑战，可能存在一定的提取误差	提高从高分辨率遥感图像中提取水体的准确性	高分辨率遥感图像中的水体	计算机视觉	NA	深度学习	EU-Net	遥感图像	实验结果验证EU-Net的性能，但具体样本数量未提及
20720	2024-08-05	Graph Feature Refinement and Fusion in Transformer for Structural Damage Detection 2024-Jul-08, Sensors (Basel, Switzerland) DOI:10.3390/s24134415 PMID:39001194	研究论文	提出了一种用于结构损伤检测的CGsformer网络，结合了图卷积网络和深度学习方法	创新性地引入了图卷积网络，通过层次学习实现从全局到局部的信息提取	未来研究可能需要进一步验证在更复杂结构上的性能	探讨结构响应数据的全局和局部信息关系以提高损伤检测精度	四层钢框架模型实验数据和IASC-ASCE基准结构模拟数据	数字病理	NA	深度学习	图卷积网络	实验数据	两组数据，分别为四层钢框架实验数据和模拟数据