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
21281	2024-08-05	Recent Innovations in Footwear and the Role of Smart Footwear in Healthcare-A Survey 2024-Jul-02, Sensors (Basel, Switzerland) DOI:10.3390/s24134301 PMID:39001080	综述	智能鞋引领了个性化健康监测和辅助技术的新纪元	文章强调了先进传感器在健康监测中的整合以及智能鞋在医疗应用中的潜力	当前鞋类设计复杂，适配性差，舒适度低且成本高	探讨智能鞋在医疗应用中的潜力，特别是对于糖尿病患者	智能鞋的最新技术与医疗应用	数字病理学	糖尿病相关疾病	传感器技术，蓝牙数据收集	深度学习	传感器数据	NA
21282	2024-08-05	Research on Monitoring Assistive Devices for Rehabilitation of Movement Disorders through Multi-Sensor Analysis Combined with Deep Learning 2024-Jul-01, Sensors (Basel, Switzerland) DOI:10.3390/s24134273 PMID:39001051	研究论文	本研究旨在通过结合卷积神经网络（CNN）和随机森林模型来评估运动障碍的康复设备	将多传感器分析与深度学习技术相结合，提供了一种全面的步态分析方法	研究未详细说明样本的选取标准和数量，可能影响结果的普遍性	评估运动障碍患者的康复进展	正常与异常步态群体	计算机视觉	运动障碍	CNN和随机森林模型	CNN	传感器数据	NA
21283	2024-08-05	Attention-Based Deep Learning Approach for Breast Cancer Histopathological Image Multi-Classification 2024-Jul-01, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14131402 PMID:39001292	研究论文	本研究提出了一种基于注意力机制的深度学习架构，用于乳腺癌的组织病理图像多分类	提出了有效的通道空间注意力网络（ECSAnet），结合了高效网络架构和卷积块注意力模块	未针对不同类型的癌症进行广泛测试，可能存在一定的数据局限性	旨在提高乳腺癌组织病理图像的检测和分类准确性	使用BreakHis数据集的乳腺癌组织病理图像	数字病理学	乳腺癌	深度学习	ECSAnet	图像	涉及的样本数量NA
21284	2024-08-05	Enhancing genome-wide populus trait prediction through deep convolutional neural networks 2024-Jul, The Plant journal : for cell and molecular biology DOI:10.1111/tpj.16790 PMID:38741374	研究论文	本研究构建了一种深度学习方法DCNGP，有效预测了65种表型的特征	提出了DCNGP模型，该模型能有效捕捉复杂的非加性效应，具有较强的预测能力和稳定性	未提供关于数据集大小和样本划分的详细信息	研究基因组基础的植物育种，提升农艺性状的预测能力	以白杨为研究对象	机器学习	NA	深度卷积神经网络	DCNGP	数据集	三个数据集
21285	2024-08-05	Optimizing IoT Intrusion Detection Using Balanced Class Distribution, Feature Selection, and Ensemble Machine Learning Techniques 2024-Jul-01, Sensors (Basel, Switzerland) DOI:10.3390/s24134293 PMID:39001072	研究论文	提出了一种优化物联网入侵检测的方法，以提高其检测性能和可靠性	通过类平衡和特征选择的预处理方式，提出了新的优化方案，并使用了两种不同的集成模型进行评估	模型可能仍然受限于过拟合和未考虑的特征对识别重要模式的影响	提高物联网环境下入侵检测系统的性能和效率	物联网攻击的检测与分类	机器学习	NA	机器学习技术，包括支持向量机(SVM)和长短期记忆(LSTM)	支持向量机(SVM)和长短期记忆(LSTM)	数据集	使用UNSW-NB15和NSL-KD数据集进行评估
21286	2024-08-05	A Novel Model for Instance Segmentation and Quantification of Bridge Surface Cracks-The YOLOv8-AFPN-MPD-IoU 2024-Jul-01, Sensors (Basel, Switzerland) DOI:10.3390/s24134288 PMID:39001067	研究论文	本文提出了一种新型YOLOv8-AFPN-MPD-IoU模型，用于桥梁表面裂缝的实例分割与量化	通过引入AFPN和MPD损失函数，提高了特征融合和几何特征的探索	没有具体提及该模型在不同类型桥梁中的应用局限性	开发一种高精度的模型来检测和量化桥梁表面裂缝	桥梁表面裂缝的实例分割和量化	计算机视觉	NA	YOLOv8	YOLOv8-AFPN-MPD-IoU	图像	NA
21287	2024-08-05	A New Multi-Branch Convolutional Neural Network and Feature Map Extraction Method for Traffic Congestion Detection 2024-Jul-01, Sensors (Basel, Switzerland) DOI:10.3390/s24134272 PMID:39001052	研究论文	本文提出了一种新的车辆信息特征图方法及多分支卷积神经网络模型用于交通拥堵检测	创新点在于提出了一种新的车辆信息特征图方法和多分支卷积神经网络模型，能够自动检测交通拥堵	NA	构建一种以交通图像为输入，拥堵检测结果为输出的深度学习模型	交通图像数据	计算机视觉	NA	深度学习	多分支卷积神经网络	图像	在中国城市交通图像数据库中进行了验证
21288	2024-08-05	Ship Detection in Synthetic Aperture Radar Images under Complex Geographical Environments, Based on Deep Learning and Morphological Networks 2024-Jul-01, Sensors (Basel, Switzerland) DOI:10.3390/s24134290 PMID:39001068	研究论文	本文提出了一种基于深度学习和形态网络的合成孔径雷达船舶检测方法。	该方法通过自适应预处理、坐标通道注意模块和四层双向特征金字塔网络，显著提高了复杂地理环境下船舶的检测能力。	实验仅使用公共数据集，可能限制了方法在更广泛场景中的通用性。	研究船舶检测在复杂地理环境下的有效性和准确性。	研究对象为合成孔径雷达图像中的船舶。	计算机视觉	NA	深度学习，形态网络	双向特征金字塔网络	图像	使用了公共的SAR船舶检测数据集和高分辨率SAR图像数据集
21289	2024-08-05	Bridging Convolutional Neural Networks and Transformers for Efficient Crack Detection in Concrete Building Structures 2024-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s24134257 PMID:39001034	研究论文	本文提出了一种新型模型CCTNet，用于提高混凝土建筑结构裂缝检测的效率和准确性	CCTNet结合了卷积通道注意力与基于窗口的自注意力机制，提升了裂缝识别能力	文章中未提及具体的实验局限性或适用范围	旨在通过新的模型提高混凝土建筑裂缝检测的效率和准确性	研究对象为混凝土建筑结构中的裂缝	计算机视觉	NA	卷积神经网络（CNN）、自注意力机制	CCTNet	图像	在Historical Building Crack2019、SDTNET2018和DS3上的性能评估
21290	2024-08-05	CSMC: A Secure and Efficient Visualized Malware Classification Method Inspired by Compressed Sensing 2024-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s24134253 PMID:39001035	研究论文	提出了一种基于压缩感知的高效恶意软件分类方法CSMC，旨在提高恶意软件样本的处理和共享效率。	该方法通过压缩恶意软件样本，提高了共享和处理的有效性，并能够在压缩过程中提取恶意软件家族特征，这是传统方法无法实现的。	实验结果仅基于针对Windows和Android操作系统的恶意软件，可能对其他平台的适用性需进一步验证。	研究旨在提高恶意软件分类的效率和安全性，特别是在物联网环境中。	研究对象为针对智能传感器的恶意软件及其分类方法。	计算机视觉	NA	压缩感知	深度学习	恶意软件样本	针对Windows和Android操作系统的多个恶意软件样本
21291	2024-08-05	ProPept-MT: A Multi-Task Learning Model for Peptide Feature Prediction 2024-Jun-30, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms25137237 PMID:39000344	研究论文	提出了一种新颖的多任务学习模型ProPept-MT，用于准确预测肽的关键特征	ProPept-MT结合了多头注意力和BiLSTM用于特征提取，并采用Nash-MTL进行梯度协调，展示了卓越的预测性能	当前对DIA数据的分析依赖于项目特定的光谱库，限制了蛋白组覆盖面并且过程耗时	旨在提升定量蛋白组学中数据独立采集（DIA）数据分析的准确性和高效性	研究对象包括保留时间、离子强度和离子迁移率等肽特征	计算机视觉	NA	深度学习	BiLSTM	数字数据	在基准数据集上进行评估，具体样本数量未提及
21292	2024-08-05	Bearing-DETR: A Lightweight Deep Learning Model for Bearing Defect Detection Based on RT-DETR 2024-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s24134262 PMID:39001040	研究论文	本文介绍了Bearing-DETR，这是一个优化的深度学习模型，用于准确高效地检测轴承缺陷	Bearing-DETR采用了RT-DETR架构，并结合了Dysample动态上采样、元移动块的高效模型优化和变形大核关注机制，显著改善了缺陷检测性能	NA	旨在提高工业安全和效率，通过深度学习优化轴承缺陷检测	针对化工厂的数据集进行的轴承缺陷检测研究	机器学习	NA	实时检测变换器（RT-DETR）	NA	图片	NA
21293	2024-08-05	A Novel Electrical Equipment Status Diagnosis Method Based on Super-Resolution Reconstruction and Logical Reasoning 2024-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s24134259 PMID:39001038	研究论文	本文提出了一种基于超分辨率重建和逻辑推理的电气设备状态诊断方法	采用生成对抗网络（GAN）进行图像超分辨率重建以过滤环境噪声，并结合逻辑图进行电气设备故障诊断	该方法可能在更复杂的环境中仍然面临图像质量和解析能力的挑战	研究电气设备的状态检测和故障诊断方法	电气设备状态和故障	计算机视觉	NA	生成对抗网络（GAN）	深度学习模型	图像	六个数据集上进行的广泛实验
21294	2024-08-05	Anomaly Detection and Remaining Useful Life Estimation for the Health and Usage Monitoring Systems 2023 Data Challenge 2024-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s24134258 PMID:39001036	研究论文	本文介绍了旋转机械健康监测中齿轮故障检测和剩余使用寿命估计的新基准数据集	提出了一种新的信号处理异常检测算法，并证明其在多种测试渠道上超越深度学习算法	仅在特定的测试渠道上进行了比较，未涵盖所有可能的情况	监测旋转机械的健康状态并估计其剩余使用寿命	齿轮振动信号的异常检测和剩余使用寿命估计	数字病理学	NA	信号处理	传统信号处理算法和深度学习算法	振动信号	11个参与组
21295	2024-08-05	How AI and Robotics Will Advance Interventional Radiology: Narrative Review and Future Perspectives 2024-Jun-29, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14131393 PMID:39001283	综述	这篇综述文章探讨了人工智能和机器人技术在介入放射学中的研究进展和应用	文章强调了最新的研究方向及其潜在的应用前景和局限性	虽然提到AI和机器人技术在临床应用中的广泛性尚未实现，但文中指出这些技术正在多个方面演变	研究人工智能和机器人在介入放射学中的应用潜力	重点在于最近五年发表的关于AI和机器人在医疗领域应用的研究	数字病理学	肿瘤	深度学习，机器学习，卷积神经网络	CNN	文献	选择了大型研究来确保结果的全面性和可靠性
21296	2024-08-05	MSE-VGG: A Novel Deep Learning Approach Based on EEG for Rapid Ischemic Stroke Detection 2024-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s24134234 PMID:39001013	研究论文	本研究开发了一种基于脑电图（EEG）的深度学习模型，用于快速检测缺血性中风	提出了一种新的特征相关加权相位滞后指数（cwPLI），融合EEG信号的时空信息和复杂性非线性信息以提高模型的判别能力	样本量相对较小，仅招募了20名缺血性中风患者，可能影响结果的普遍性	旨在提升缺血性中风的快速检测能力	研究对象包括20名缺血性中风患者及19名无中风病史的成人作为对照组	数字病理	缺血性中风	脑电图（EEG）	MSE-VGG网络	信号	20个缺血性中风患者和19个对照组成人
21297	2024-08-05	Multisensory Fusion for Unsupervised Spatiotemporal Speaker Diarization 2024-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s24134229 PMID:39001008	研究论文	本文提出了一种框架，用于评估结合说话者嵌入和到达时间差(TDOA)值的有效性。	创新点在于利用空间信息显著提高说话者分离模型的性能，并比较两种说话者嵌入模型的潜力。	可能存在于数据集的多样性和样本量的限制，具体未在摘要中说明。	研究旨在探索结合空间和时间信息的无监督说话者分离技术。	研究对象为会议场景中的说话者身份标注任务。	计算机视觉	NA	通用互相关(GCC)方法与相位变换(PHAT)加权	ECAPA-TDNN和X-vectors	音频	使用AVLab说话者定位数据集和丰富手机录音的多通道数据集(SpeaD-M3C)
21298	2024-08-05	A Sheep Identification Method Based on Three-Dimensional Sheep Face Reconstruction and Feature Point Matching 2024-Jun-29, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani14131923 PMID:38998035	研究论文	本文提出了一种基于三维重建和特征点匹配的羊面识别方法	研究创新点在于使用三维重建技术和特征点匹配，丰富了羊面识别的方法	现有研究方法仅限于图像级别的模式识别，缺乏多样性	旨在建立数字化羊场和精准动物养殖，实现羊的准确识别	研究小尾寒羊的个体信息以及面部识别	计算机视觉	NA	三维重建技术	SFORA	图像	实验羊的全角面部图像，具体数量未提及
21299	2024-08-05	An Improved U-Net Infrared Small Target Detection Algorithm Based on Multi-Scale Feature Decomposition and Fusion and Attention Mechanism 2024-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s24134227 PMID:39001006	研究论文	提出了一种名为MST-UNet的改进U-Net方法，用于红外小目标检测	结合多尺度特征分解和融合及注意力机制，优化了小目标的检测性能	NA	研究红外小目标检测技术	改进的U-Net算法及其在小目标检测中的应用	计算机视觉	NA	Haar小波变换	U-Net	图像	NUDT-SIRST数据集的实验数据
21300	2024-08-05	Rotation Error Prediction of CNC Spindle Based on Short-Time Fourier Transform of Vibration Sensor Signals and Improved Weighted Residual Network 2024-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s24134244 PMID:39001023	研究论文	本研究开发了一种自适应加权深度残差网络用于预测CNC主轴的旋转误差	提出了一种考虑不同传感器数据重要性的自适应加权深度残差网络	未提及具体的局限性	研究CNC设备主轴旋转误差的预测方法	基于振动传感器数据的主轴旋转误差	机器学习	NA	短时傅里叶变换	残差网络	传感器数据	多传感器数据