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
21421	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
21422	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
21423	2024-08-05	Outcome Prediction Using Multi-Modal Information: Integrating Large Language Model-Extracted Clinical Information and Image Analysis 2024-Jun-29, Cancers IF:4.5Q1 DOI:10.3390/cancers16132402 PMID:39001463	研究论文	该研究评估了人工智能大语言模型在提取临床信息和改善影像分析中的应用，旨在预测膀胱癌患者五年生存率	创新点在于结合大语言模型提取的临床信息与影像分析，改进临床结果预测	这项研究的限制在于它依赖回顾性数据，可能存在数据偏倚	研究的目的是提高膀胱癌患者的生存预后预测	研究对象为781名膀胱癌患者中的163名，接受了根治性膀胱切除术和化疗	数字病理学	膀胱癌	人工智能，大语言模型	CRD模型，结合临床、放射组学和深度学习特征	医疗记录和CT影像	781名膀胱癌患者中的163名
21424	2024-08-05	Convolutional Neural Network Model for Intestinal Metaplasia Recognition in Gastric Corpus Using Endoscopic Image Patches 2024-Jun-28, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14131376 PMID:39001267	研究论文	本研究提出了一种深度学习系统，用于通过内镜图像片段辅助榦躯腺腺癌前期病变的检测	开发了一种利用虚拟色彩内镜图像进行早期肠化生检测的学习投票方案	数据限制和缺乏预训练模型	本研究旨在提高胃癌前期病变检测的准确性	使用来自罗马Sant'Andrea大学医院的内镜图像数据集进行模型训练和验证	计算机视觉	胃癌	深度学习	卷积神经网络	图像	使用2020年1月至2023年12月之间收集的内镜图像数据集，具体样本数量未提供
21425	2024-08-05	Target Detection of Diamond Nanostructures Based on Improved YOLOv8 Modeling 2024-Jun-28, Nanomaterials (Basel, Switzerland) DOI:10.3390/nano14131115 PMID:38998719	研究论文	本文致力于改进YOLOv8模型以进行掺硼金刚石纳米结构的目标检测	引入DWS-YOLOv8模型，通过集成变形卷积和洗牌注意机制来优化YOLOv8n模型，提升了检测精度	在目标检测中仍然存在噪声、目标边界不清晰和目标间互相遮挡等挑战	探讨金刚石纳米结构与其性能之间的关系	掺硼金刚石薄膜的纳米结构	计算机视觉	NA	深度学习	YOLOv8	图像	NA
21426	2024-08-05	Research into Prediction Method for Pressure Pulsations in a Centrifugal Pump Based on Variational Mode Decomposition-Particle Swarm Optimization and Hybrid Deep Learning Models 2024-Jun-27, Sensors (Basel, Switzerland) DOI:10.3390/s24134196 PMID:39000975	研究论文	本文提出了一种基于变分模态分解-粒子群优化和混合深度学习模型的离心泵压力波动预测方法	创新之处在于将变分模态分解与粒子群优化相结合，并与卷积神经网络-长短期记忆模型联合使用，提高了压力波动预测的准确性	主要局限在于模型可能对新类型的非线性和非平稳信号的适应性较差	本研究旨在提高离心泵压力波动预测的准确性	研究对象为离心泵入口的压力脉动信号	机器学习	NA	变分模态分解-粒子群优化，卷积神经网络-长短期记忆模型	CNN-LSTM	信号	NA
21427	2024-08-05	The Effect of Stress on a Personal Identification System Based on Electroencephalographic Signals 2024-Jun-27, Sensors (Basel, Switzerland) DOI:10.3390/s24134167 PMID:39000946	研究论文	本文研究了压力对基于脑电图（EEG）信号的人脸识别系统的影响	探讨了精神和情感压力对脑电图信号稳定性的影响，尤其是在识别系统中的应用	未提及其他情感状态或外部因素对系统性能的影响	研究精神和情感压力对基于EEG信号的人脸识别系统的影响	两个数据集（SAM 40和DEAP）中的不同类型的精神和情感压力	数字病理学	NA	机器学习和深度学习	NA	脑电图信号	使用了两个数据集，具体样本量未说明
21428	2024-08-05	Artificial Intelligence Applications for Thoracic Surgeons: "The Phenomenal Cosmic Powers of the Magic Lamp" 2024-Jun-27, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm13133750 PMID:38999317	研究论文	本文探讨了人工智能在胸外科和肺癌管理中的潜力	揭示了人工智能在实现更精确的诊断和改善手术结果方面的创新应用	实施人工智能面临数据稀缺、可解释性问题和伦理担忧	研究人工智能在临床实践中的潜在变革作用	集中于胸外科和肺癌管理	计算机视觉	肺癌	机器学习和深度学习	多模态模型	NA	NA
21429	2024-08-05	REMA: A Rich Elastic Mixed Attention Module for Single Image Super-Resolution 2024-Jun-26, Sensors (Basel, Switzerland) DOI:10.3390/s24134145 PMID:39000923	研究论文	本文提出了一种新颖的富弹性混合注意力模块REMA，旨在提升单幅图像超分辨率的效果	REMA模块结合了丰富的空间注意力模块和丰富的通道注意力模块，增强了对不同复杂输入和任务要求的适应性	未提及具体的局限性	提高单幅图像超分辨率(SISR)的性能和兼容性	针对多种低分辨率-高分辨率图像对及多尺度特征进行研究	计算机视觉	NA	深度学习	注意力模块	图像	未提及具体样本量
21430	2024-08-05	LBRT: Local-Information-Refined Transformer for Image Copy-Move Forgery Detection 2024-Jun-26, Sensors (Basel, Switzerland) DOI:10.3390/s24134143 PMID:39000921	研究论文	本文提出了一种局部信息精炼的双分支网络LBRT用于图像伪造检测	创新之处在于提出了LBRT网络，通过全局建模支路和局部精炼支路结合全局语义与局部细节信息	本文的限制在于未提及对不同类型伪造方法的适应性	研究目标是改进现有的图像复制移动伪造检测方法	研究对象为图像复制移动伪造检测	计算机视觉	NA	深度学习	Transformer	图像	多个数据集，包括USCISI、CASIA CMFD和DEFACTO CMFD
21431	2024-08-05	Surface Defect-Extended BIM Generation Leveraging UAV Images and Deep Learning 2024-Jun-26, Sensors (Basel, Switzerland) DOI:10.3390/s24134151 PMID:39000929	研究论文	本文章提出了一种基于深度学习与迁移学习的方法来检测建筑表面的缺陷并拓展建筑信息模型(BIM)	提出了将无人机图像中的缺陷检测信息集成到语义丰富的建筑信息模型中的新方法，并通过纹理映射实现了坐标系统的映射	缺陷检测准确性较低以及无人机图像与BIM模型之间的坐标差异仍然是挑战	研究目标是提高建筑缺陷检测的准确性，并将检测结果集成到BIM中	研究对象为现有建筑的缺陷检测信息	数字化建筑	NA	深度学习	NA	图像	涉及了南通大学第36教室楼的缺陷信息建模实验
21432	2024-08-05	Deep Learning Algorithms for Bladder Cancer Segmentation on Multi-Parametric MRI 2024-Jun-26, Cancers IF:4.5Q1 DOI:10.3390/cancers16132348 PMID:39001410	研究论文	本研究评估了三种深度学习模型在多参数MRI图像上对膀胱癌分割的性能	提出了使用混合损失函数的MAnet和PSPnet模型在膀胱癌分割中表现更优于Unet	未提及不同影像序列在其他背景下的适用性	评估深度学习模型在膀胱癌MRI图像分割中的效果	53名膀胱癌患者的MRI图像	计算机视觉	膀胱癌	深度学习	Unet, MAnet, PSPnet	图像	53名膀胱癌患者的多参数MRI图像
21433	2024-08-05	Unveiling the Evolution of Virtual Reality in Medicine: A Bibliometric Analysis of Research Hotspots and Trends over the Past 12 Years 2024-Jun-26, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare12131266 PMID:38998801	研究论文	本研究使用文献计量法分析了过去12年中虚拟现实在医学领域的研究热点和趋势	揭示了虚拟现实在医学培训和治疗中的潜在应用及其未来研究方向	本研究的数据仅包括2012年至2023年间的相关出版物，可能未能全面反映该领域的所有研究动态	探讨虚拟现实在医学中的应用及其未来发展方向	分析了来自86个国家和地区的2143篇与虚拟现实相关的出版物	数字医学	NA	文献计量分析	NA	出版物数据	2143篇相关出版物
21434	2024-08-05	A Deep Learning-Based Emergency Alert Wake-Up Signal Detection Method for the UHD Broadcasting System 2024-Jun-26, Sensors (Basel, Switzerland) DOI:10.3390/s24134162 PMID:39000940	研究论文	本文提出了一种基于深度学习的应急警报唤醒信号检测方法。	本研究的创新点在于不需要ATSC 3.0解调器即可检测应急唤醒信号，简化了检测过程。	未提及具体的局限性。	研究旨在提高应急警报系统的效率，允许在紧急情况下及时唤醒用户。	研究对象是超高清(UHD)广播系统中的应急唤醒信号。	机器学习	NA	深度学习	深度神经网络（DNN）和卷积神经网络（CNN）	射频信号	基于ATSC 3.0的RF信号和商用软件定义无线电(SDR)平台进行验证
21435	2024-08-05	SGRTmreg: A Learning-Based Optimization Framework for Multiple Pairwise Registrations 2024-Jun-26, Sensors (Basel, Switzerland) DOI:10.3390/s24134144 PMID:39000922	研究论文	本文提出了一种新的计算框架SGRTmreg，用于多对配准的学习基优化。	SGRTmreg框架结合了搜索方案、基于学习的优化方法GRDO和转移模块，实现了更快速、稳健和稳定的多实例点云配准。	NA	本研究旨在优化多实例点云的配准过程。	研究对象为多个需要配准的点云实例。	计算机视觉	NA	基于学习的优化	NA	点云	在多个数据集上进行的广泛配准实验
21436	2024-08-05	An Intelligent Mechanism to Detect Multi-Factor Skin Cancer 2024-Jun-26, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14131359 PMID:39001248	研究论文	本文提出了一种检测多因素皮肤癌的智能机制，利用深度学习和卷积神经网络。	提出的深度序列CNN模型在皮肤病变的分类准确性上显著超越了现有的主流方法。	NA	研究目标是提高皮肤癌病变的分类准确性和诊断效率。	研究对象是与HAM 10,000数据集相关的皮肤病变图像。	计算机视觉	皮肤癌	深度学习、卷积神经网络 (CNN)	序列CNN	图像	使用与HAM 10,000数据集相关的数据库进行训练和验证，样本量未具体说明
21437	2024-08-05	A Common Knowledge-Driven Generic Vision Inspection Framework for Adaptation to Multiple Scenarios, Tasks, and Objects 2024-Jun-25, Sensors (Basel, Switzerland) DOI:10.3390/s24134120 PMID:39000899	研究论文	本文提出了一种通用的基于知识驱动的视觉检查框架，以适应多个场景、任务和对象	创新点在于将产品检查标准化为信息解耦和自适应指标的过程，并提出了基于行业知识的多粒度和多模式渐进对齐的任务相关对象感知	缺乏对传统机器视觉技术适用性的全面评估	旨在提高复杂产品的检测效率和准确性，推动工业制造向客户中心化转型	研究对象是复杂产品的视觉检测流程和基于历史数据的知识改进和积累	计算机视觉	NA	深度学习	NA	图像	在实验中未详细提及样本数量，但涉及复杂产品和多个工业任务的检测流程
21438	2024-08-05	Dynamic Simulation and Modeling of a Novel NeuRaiSya for Railway Monitoring System Using Petri Nets 2024-Jun-24, Sensors (Basel, Switzerland) DOI:10.3390/s24134095 PMID:39000874	研究论文	本研究介绍了一种创新的铁路信号系统NeuRaiSya，集成了深度学习进行乘客分析	引入了结合深度学习的新型铁路信号系统NeuRaiSya，并使用Petri网进行动态模拟和建模	NA	模拟NeuRaiSya系统并评估其有效性	五个使用Petri网模型设计与模拟的模型，包括列车出发动态模型等	计算机视觉	NA	深度学习	Petri网模型	图形	五个模型
21439	2024-08-05	Augmenting Radiological Diagnostics with AI for Tuberculosis and COVID-19 Disease Detection: Deep Learning Detection of Chest Radiographs 2024-Jun-24, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14131334 PMID:39001228	研究论文	本文介绍了一种能够通过X射线图像识别肺炎、COVID-19和结核病的网络	强调了使用ResNet50模型相较于传统VGG16方法的优越性，并通过数据增强技术提高了分类准确性	在样本大小和多样性方面可能存在局限性，未提及具体的样本数量	提高对COVID-19和结核病等疾病的诊断准确性和可靠性	患者胸部的X射线图像	计算机视觉	COVID-19, 结核病	X射线成像，数据增强	ResNet50, VGG16	图像	NA
21440	2024-08-05	Integration of Localized, Contextual, and Hierarchical Features in Deep Learning for Improved Skin Lesion Classification 2024-Jun-24, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14131338 PMID:39001229	研究论文	本文探讨了通过整合局部、全局和层次特征以提高皮肤病变分类的深度学习方法	提出了一种新颖的双轨深度学习模型，结合了修改过的Densenet-169架构和定制的卷积神经网络，以增强特征表征	该研究可能未考虑某些皮肤病变类型的多样性，具体的模型泛化能力需要进一步验证	提高皮肤病变分类的精确性和性能	皮肤病变的分类	计算机视觉	皮肤病	深度学习	Densenet-169和卷积神经网络（CNN）	图像	使用HAM10000数据集进行训练和验证