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	Unsupervised deep learning-based displacement estimation for vascular elasticity imaging applications 2023-07-24, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ace0f0 PMID:37348487	研究论文	本文提出了一种基于无监督深度学习的血管壁位移估计方法	创新性地应用无监督深度学习方法提高血管壁位移估计的质量	未在真实病例中进行广泛测试	旨在提高血管弹性成像的准确性和分辨率	研究对象包括人类颈动脉及其脉搏波传播的跟踪	数字病理学	心血管疾病	超声弹性成像	深度学习网络	图像，超声RF信号	通过模型训练涉及多种超声数据集，具体样本数未说明
21282	2024-08-05	Multimodal Deep Learning Model Unveils Behavioral Dynamics of V1 Activity in Freely Moving Mice 2023-May-30, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.30.542912 PMID:37398256	研究论文	本研究介绍了一种多模态递归神经网络，用于解释自由移动小鼠的V1活动	提出了一种新的多模态深度学习模型，能够结合视觉输入与行为和时间动态来预测小鼠视觉皮层的活动	该研究结果可能仅适用于小鼠，不适用于其他物种的视觉皮层活动预测	探讨小鼠视觉皮层中自然视觉输入与行为变量如何整合以产生神经反应	自由移动小鼠的视觉皮层V1活动	计算机视觉	NA	深度卷积神经网络 (CNN) 和递归神经网络	递归神经网络	视觉数据	自由移动小鼠的行为数据
21283	2024-08-05	Real-time guiding by deep learning during echocardiography to reduce left ventricular foreshortening and measurement variability 2023-May, European heart journal. Imaging methods and practice DOI:10.1093/ehjimp/qyad012 PMID:39044792	研究论文	本文探讨了在超声心动图过程中使用深度学习进行实时指导以减少左心室缩短和测量变异性。	研究首次将实时深度学习指导应用于超声心动图，以提高图像标准化和降低测量变异性。	实时指导对经验丰富的操作员间变异性的影响较小。	研究实时深度学习指导在超声心动图中对左心室缩短和观察者间变异性的影响。	纳入88名在窦律下进行超声心动图检查的患者。	数字病理学	心血管疾病	深度学习	NA	图像	88名患者
21284	2024-08-05	Fully automatic estimation of global left ventricular systolic function using deep learning in transoesophageal echocardiography 2023-May, European heart journal. Imaging methods and practice DOI:10.1093/ehjimp/qyad007 PMID:39044786	研究论文	本研究开发了一种利用深度学习实现完全自动化的左心室收缩功能评估方法。	创新点在于通过深度学习实现心脏超声图像的完全自动化评估，从而提高了监测速度和再现性。	本研究的限制在于样本来自185名患者，结果需在更多临床背景下进一步验证。	研究的目的是临床验证自动化MAPSE在心脏病患者中的有效性。	研究对象为185名未选择图像质量的心脏病患者。	数字病理学	心脏病	深度学习	NA	视频	185名心脏病患者
21285	2024-08-05	Siam-VAE: A hybrid deep learning based anomaly detection framework for automated quality control of head CT scans 2023-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2654464 PMID:39040978	研究论文	提出了一种基于深度学习的框架，用于对头部CT扫描进行自动质量控制	提出了一种混合模型，结合变分自编码器和孪生神经网络，利用弱标签增强标准异常检测技术	需要大量注释数据进行有效训练，且存在类不平衡和弱标签问题	开发能够分类CT扫描为可用或不可用质量的深度学习框架	头部CT扫描的质量控制	计算机视觉	NA	深度学习	变分自编码器和孪生神经网络	图像	NA
21286	2024-08-07	Cascaded 3D UNet architecture for segmenting the COVID-19 infection from lung CT volume 2022-Feb-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-06931-z PMID:35197504	研究论文	本文提出了一种两阶段的级联3D UNet架构，用于从肺部CT体积中分割COVID-19感染区域	开发了一种两阶段的级联3D UNet架构，能够直接从完整的CT体积中分割出感染区域，无需为每位新患者标记肺实质	NA	开发一种有效的深度学习方法，用于从肺部CT图像中自动分割COVID-19感染区域	COVID-19感染区域的分割	计算机视觉	COVID-19	深度学习	3D UNet	CT体积	NA
21287	2024-08-07	Chemotherapy response prediction with diffuser elapser network 2022-Jan-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05460-z PMID:35102179	研究论文	本文研究了在实体肿瘤中，通过扩散器网络预测化疗反应的问题	提出了一种深度学习模型，能够同时捕捉肿瘤生长和药物反应行为，并预测未来的肿瘤微环境图	需要进一步验证模型在实际临床环境中的应用效果	旨在生成对治疗方案的现实反应，以便未来工作可以使用这些患者特定的反应来决定细胞毒性药物治疗的最佳开始时间和剂量	肿瘤微环境，包括肿瘤层、血管网络、间质流体压力和药物扩散图	计算机视觉	NA	NA	CNN	图像	基于先前的仿真模型，具体样本数量未提及
21288	2024-08-07	Effect of head motion-induced artefacts on the reliability of deep learning-based whole-brain segmentation 2022-Jan-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05583-3 PMID:35102199	研究论文	研究深度学习方法在磁共振成像中对头部运动引起的伪影的鲁棒性	深度学习方法在磁共振成像中对头部运动引起的伪影表现出更高的鲁棒性	NA	探讨深度学习方法在磁共振成像中对头部运动引起伪影的鲁棒性	磁共振成像中的头部运动伪影对深度学习方法的影响	计算机视觉	NA	磁共振成像	神经网络模型	图像	110名参与者
21289	2024-08-07	Using deep learning models to analyze the cerebral edema complication caused by radiotherapy in patients with intracranial tumor 2022-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05455-w PMID:35091636	研究论文	利用深度学习模型分析接受放射治疗后颅内肿瘤患者脑水肿并发症的图像分割和标准结果	采用Mask R-CNN模型和区域生长算法进行脑水肿图像分割，并通过DICE、IoU和VOE指数评估分割效果	NA	研究放射治疗后颅内肿瘤患者脑水肿的图像分割和临床描述标准	颅内肿瘤患者在接受计算机刀立体定向放射手术后的脑水肿并发症	计算机视觉	颅内肿瘤	深度学习	Mask R-CNN	图像	接受计算机刀立体定向放射手术的颅内肿瘤患者，包括治疗前和四个月随访的图像
21290	2024-08-07	Identification of a clonal population of Aspergillus flavus by MALDI-TOF mass spectrometry using deep learning 2022-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05647-4 PMID:35091651	研究论文	本研究利用深度学习技术，通过MALDI-TOF质谱法识别Aspergillus flavus的克隆群体	首次使用卷积神经网络（CNN）通过MALDI-TOF质谱技术识别同一物种内的特定克隆	在较旧且需要更换激光的设备上，识别准确率较低	探索现有MALDI-TOF设备是否能从同一物种的多种分离株中识别特定克隆	Aspergillus flavus的克隆分离株	机器学习	NA	MALDI-TOF质谱法	CNN	质谱数据	包括19个克隆分离株和55个来自不同来源的A. flavus分离株
21291	2024-08-07	Classification of brain tumours in MR images using deep spatiospatial models 2022-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05572-6 PMID:35087174	研究论文	本文使用深度时空模型ResNet (2+1)D和ResNet混合卷积来分类MR图像中的脑肿瘤	采用时空模型作为“时空空间”模型，能够学习特定的空间和时间关系，同时降低计算成本	NA	研究如何使用深度学习方法提高脑肿瘤在MR图像中的分类准确性	脑肿瘤的分类	计算机视觉	脑肿瘤	深度学习	ResNet (2+1)D, ResNet混合卷积	图像	使用开放数据集，包含可靠的注释
21292	2024-08-07	Automated evaluation of retinal pigment epithelium disease area in eyes with age-related macular degeneration 2022-Jan-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05006-3 PMID:35042966	研究论文	开发了一种两步软件，通过分析荧光素血管造影（FA）图像中的早期高荧光区域，实现对视网膜色素上皮（RPE）疾病区域变化的目标和高效量化	利用基于深度学习的判别方法提取异常区域，并通过自动化程序对二值化提取区域进行评分，提高了评估的准确性和效率	NA	解决缺乏标准协议的问题，实现对RPE疾病区域变化的客观量化	视网膜色素上皮（RPE）疾病区域	数字病理学	年龄相关性黄斑变性	深度学习	NA	图像	NA
21293	2024-08-07	Approach for the Design of Covalent Protein Kinase Inhibitors via Focused Deep Generative Modeling 2022-Jan-17, Molecules (Basel, Switzerland) DOI:10.3390/molecules27020570 PMID:35056884	研究论文	本文探讨了通过深度生成模型系统设计共价蛋白激酶抑制剂的方法	结合基于片段的设计和深度生成模型，增强了三维药效团筛选，为药物化学应用提供了一种结合知识元素和深度学习的方法	NA	开发一种计算方法，用于设计共价蛋白激酶抑制剂	共价蛋白激酶抑制剂的设计	机器学习	炎症性疾病，白血病	深度生成模型	深度学习模型	化学结构数据	具体样本数量未明确
21294	2024-08-07	Rapid video-based deep learning of cognate versus non-cognate T cell-dendritic cell interactions 2022-Jan-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-04286-5 PMID:35017558	研究论文	本文展示了使用深度学习快速分类抗原特异性CD8 T细胞视频的能力	该方法通过深度学习模型区分了同源和非同源T细胞与树突状细胞的交互动态，并展示了比传统图像分析技术更高的分类准确性	NA	理解免疫和耐受性，并开发癌症和自身免疫疾病的治疗方法	抗原特异性T细胞与树突状细胞的同源交互	机器学习	癌症, 自身免疫疾病	深度学习	NA	视频	OT-I小鼠的高亲和力抗原特异性CD8 T细胞
21295	2024-08-07	Denoising of pediatric low dose abdominal CT using deep learning based algorithm 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0260369 PMID:35061701	研究论文	本文评估了一种基于深度学习的方法生成的标准剂量CT图像，该方法使用未配对的低剂量CT和标准剂量CT图像进行训练	使用生成对抗网络框架训练未配对数据集，能够从原始低剂量CT图像生成虚拟标准剂量CT图像	NA	评估深度学习方法生成的标准剂量CT图像的质量	低剂量CT和标准剂量CT图像	计算机视觉	NA	生成对抗网络	生成对抗网络	图像	训练集包含42张低剂量CT和42张标准剂量CT图像，验证集包含41张低剂量CT图像，测试集包含33张低剂量CT图像
21296	2024-08-07	DeLUCS: Deep learning for unsupervised clustering of DNA sequences 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0261531 PMID:35061715	研究论文	本文介绍了一种无需序列比对、序列同源性或分类标识的深度学习方法DeLUCS，用于无监督DNA序列聚类	DeLUCS使用频率混沌游戏表示（FCGR）和生成模拟序列FCGR来自我学习数据模式，通过优化多个神经网络实现聚类，显著优于传统的K-means++和高斯混合模型方法	NA	开发一种新的深度学习方法，用于无监督DNA序列聚类	DNA序列的聚类	机器学习	NA	深度学习	神经网络	DNA序列	包括2,500个完整的脊椎动物线粒体基因组、3,200个随机选择的400 kbp长的细菌基因组片段和三个平均1,300个序列的病毒基因组及基因数据集
21297	2024-08-07	Stock prediction based on bidirectional gated recurrent unit with convolutional neural network and feature selection 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0262501 PMID:35120138	研究论文	本文提出了一种基于特征选择、卷积神经网络和双向门控循环单元的混合股票预测模型FS-CNN-BGRU	该模型结合了特征选择、卷积神经网络和双向门控循环单元，能够更好地处理具有时间序列属性的数据，并在实验中显示出优于其他单一模型的性能	NA	提出一种新的混合股票预测模型，以提高预测性能	股票市场的预测	机器学习	NA	卷积神经网络，双向门控循环单元	CNN, BGRU	时间序列数据	NA
21298	2024-08-07	No sonographer, no radiologist: New system for automatic prenatal detection of fetal biometry, fetal presentation, and placental location 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0262107 PMID:35139093	研究论文	本文开发了一种自动化的诊断框架，用于在没有经验丰富的超声技师或解读提供者的情况下，评估胎儿生物测量、胎儿体位和胎盘位置	该系统使用标准化体积扫描成像（VSI）协议和深度学习算法（U-Net），无需专业人员即可进行超声成像和诊断评估	该系统在胎盘位置的诊断准确性为76.7%，相对较低	旨在提高农村和资源匮乏社区的超声成像和诊断的可及性	胎儿生物测量、胎儿体位和胎盘位置的自动评估	计算机视觉	NA	深度学习算法（U-Net）	U-Net	图像	在秘鲁进行的超声检查，由没有超声经验的操作者进行，接受了8小时的培训
21299	2024-08-07	Direct Attenuation Correction Using Deep Learning for Cardiac SPECT: A Feasibility Study 2021-Nov, Journal of nuclear medicine : official publication, Society of Nuclear Medicine IF:9.1Q1 DOI:10.2967/jnumed.120.256396 PMID:33637586	研究论文	本研究展示了使用深度学习（DL）直接进行心脏SPECT心肌灌注成像（MPI）的衰减校正（AC）技术	本研究采用深度学习方法直接从非校正的SPECT生成衰减校正的SPECT，无需额外的图像重建步骤	深度学习方法在所有受试者中的表现不一致，可能是由于不同的衰减量和不同的摄取模式	展示深度学习直接进行SPECT MPI衰减校正的可行性，并减少衰减伪影	心脏SPECT/CT数据集	计算机视觉	心血管疾病	深度学习	卷积神经网络	图像	100个心脏SPECT/CT数据集
21300	2024-08-07	Imaging in focus: An introduction to denoising bioimages in the era of deep learning 2021-Nov, The international journal of biochemistry & cell biology DOI:10.1016/j.biocel.2021.106077 PMID:34547502	综述	本文介绍了深度学习时代下，利用深度学习方法去除生物荧光图像噪声的技术	深度学习方法通过学习示例数据来去噪，提供了一种强大的内容感知方法	NA	旨在深入了解基于深度学习的去噪方法如何运作，并帮助用户选择最适合其应用的工具	荧光显微镜图像中的噪声	计算机视觉	NA	深度学习	NA	图像	NA