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
22321	2024-08-05	Vehicle Occupant Detection Based on MM-Wave Radar 2024-May-23, Sensors (Basel, Switzerland) DOI:10.3390/s24113334 PMID:38894124	研究论文	本文提出了一种基于毫米波雷达的车辆乘员检测方法	提出了一种简单、可靠且高度私密的毫米波雷达乘员检测技术	未提及具体的局限性	研究车辆乘员检测技术的提高	以毫米波雷达数据为基础进行乘客信息识别	数字病理学	NA	毫米波雷达	Faster R-CNN	信号	在车辆中进行了实验验证
22322	2024-08-05	Practical Application of Deep Learning in Diagnostic Neuropathology-Reimagining a Histological Asset in the Era of Precision Medicine 2024-May-23, Cancers IF:4.5Q1 DOI:10.3390/cancers16111976 PMID:38893099	综述	本文探讨了深度学习在神经病理学诊断中的实际应用及其在精准医学时代的影响	文章创新性在于探讨了深度学习如何改变神经病理学的诊断工作流程	文章主要为综述，未包含原始实验数据和具体案例研究	研究深度学习在神经病理学中的应用及其未来发展趋势	深度学习模型在神经病理学各类诊断任务中的训练和应用	机器学习	NA	深度学习	NA	NA	NA
22323	2024-08-05	Early Breast Cancer Risk Assessment: Integrating Histopathology with Artificial Intelligence 2024-May-23, Cancers IF:4.5Q1 DOI:10.3390/cancers16111981 PMID:38893102	研究论文	本文探讨了早期乳腺癌风险评估中整合组织病理学与人工智能的方法	文章提出了将组织病理学、免疫组化和分子生物标志物与先进的人工智能技术相结合的新方法	AI缺乏人类病理学家在患者护理中的细微理解、临床背景和伦理考虑	研究早期乳腺癌风险评估的有效方法	探讨组织病理学、生物标志物与人工智能在乳腺癌风险评估中的整合	计算机视觉	乳腺癌	机器学习，深度学习，卷积神经网络	CNN	组织病理图像	NA
22324	2024-08-05	Generation and classification of patch-based land use and land cover dataset in diverse Indian landscapes: a comparative study of machine learning and deep learning models 2024-May-22, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-024-12719-7 PMID:38775887	研究论文	本研究生成了基于补丁的土地利用和土地覆盖数据集，并比较了机器学习与深度学习模型的分类效果	创建了针对印度不同景观的基准数据集，并探索了传统机器学习与卷积神经网络在分类任务中的表现	在数据集生成和分类过程中面临多个挑战，特别是在有限资源的环境中	分析土地利用与土地覆盖的分类任务，同时建立一个标准化的基准数据集	基于Sentinel-2卫星影像生成的4000张标记图像，涵盖四个不同的土地利用和土地覆盖类别	计算机视觉	NA	遥感数据	卷积神经网络（CNN），传统机器学习模型	图像	4000张标记图像
22325	2024-08-05	Improving the Generalizability and Performance of an Ultrasound Deep Learning Model Using Limited Multicenter Data for Lung Sliding Artifact Identification 2024-May-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14111081 PMID:38893608	研究论文	本研究旨在通过使用有限的多中心数据来改进超声深度学习模型在肺滑动伪影识别中的通用性和性能	采用新颖的阈值感知累积微调方法（TAAFT）来优化有限外部数据的使用，从而提高模型的通用性	外部获得的LUS数据相对稀缺，可能限制了模型的全面评估	提高超声深度学习模型在肺滑动伪影识别中的通用性和性能	用于评估肺滑动模型的外部LUS数据，涉及238名患者的641个clip	计算机视觉	NA	超声深度学习	NA	视频	238名患者，641个clip
22326	2024-08-05	Smart Biosensor for Breast Cancer Survival Prediction Based on Multi-View Multi-Way Graph Learning 2024-May-21, Sensors (Basel, Switzerland) DOI:10.3390/s24113289 PMID:38894082	研究论文	本文提出了一种智能生物传感器架构，以多视角多方式图学习方法预测乳腺癌生存时间	提出了一种将多视角多方式图学习方法与生物传感器结合的新架构	传统生物传感器在特征预处理方面仍面临挑战	探讨如何利用生物传感器预测乳腺癌患者的生存时间	针对乳腺癌患者进行生存时间预测的生物传感器	数字病理学	乳腺癌	深度学习	多视角多方式图学习	现实世界数据	NA
22327	2024-08-05	Traffic Sign Recognition Using Multi-Task Deep Learning for Self-Driving Vehicles 2024-May-21, Sensors (Basel, Switzerland) DOI:10.3390/s24113282 PMID:38894074	研究论文	本研究旨在使用计算机视觉和深度学习技术精确检测和识别街道上的交通标志	提出了基于多任务学习方法的交通标志识别模型，能够共享卷积层参数以提高识别精确度	测试仅在少数利雅得高速公路上进行，可能无法代表更广泛的交通情况	开发一个高效的交通标志检测与识别系统，以支持无人驾驶车辆的安全运行	交通标志和交通灯的检测与识别	计算机视觉	NA	深度学习	卷积神经网络	图像	多种交通标志和交通灯
22328	2024-08-05	Detection of Road Crack Images Based on Multistage Feature Fusion and a Texture Awareness Method 2024-May-21, Sensors (Basel, Switzerland) DOI:10.3390/s24113268 PMID:38894061	研究论文	本文提出了一种基于多级特征融合和纹理感知方法的路面裂缝检测技术	提出了一种新的自动像素级语义路面裂缝图像分割方法FetNet，结合了Swin变换器和特征精炼注意模块	没有提及具体的算法复杂性或实时性分析	探索深度学习技术在道路裂缝检测中的应用	路面裂缝图像的检测与分割	计算机视觉	NA	深度学习	Swin-T	图像	收集了四个公共真实世界数据集
22329	2024-08-05	Enhanced crop health monitoring: attention convolutional stacked recurrent networks and binary Kepler search for early detection of paddy crop issues 2024-May-20, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-024-12504-6 PMID:38767686	研究论文	本文提出了一种新颖的算法来早期检测水稻作物的疾病和营养缺乏问题	采用了注意力卷积堆叠递归网络与二进制开普勒搜索的结合方法，创新性地提高了病害检测的效果	没有提到在不同环境和气候条件下的普适性	旨在通过深度学习方法提高水稻作物健康监测的准确性和效率	主要研究对象为水稻作物及其病害、营养缺乏和害虫问题	计算机视觉	水稻病害	深度学习	注意力卷积堆叠递归网络	图像	使用的样本数量未明确说明，涉及经过增强的水稻图像数据
22330	2024-08-05	Diffusion-Based Generative Network for de Novo Synthetic Promoter Design 2024-05-17, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.4c00041 PMID:38613497	研究论文	提出了一种基于扩散的生成模型用于合成启动子的设计。	首次探索了生成模型在启动子设计中的潜力，并提出了一个完全基于序列数据的扩散模型。	缺乏实验验证合成启动子在实际应用中的效果。	研究合成启动子的设计方法，尤其是从头设计的能力。	合成启动子的结构和组件特征。	计算机视觉	NA	深度学习，扩散模型	卷积神经网络	序列数据	NA
22331	2024-08-05	Assessment of land use and land cover change detection and prediction using deep learning techniques for the southwestern coastal region, Goa, India 2024-May-09, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-024-12598-y PMID:38722419	研究论文	本文利用深度学习技术评估Goa西南海岸地区的土地利用和土地覆盖变化检测与预测	提出了一种新的变化检测评估框架STEDSAN，结合了自注意力机制以捕捉复杂的空间时间交互	没有明确指出研究的局限性	研究土地利用和覆盖变化以及其未来的预测	对Goa地区的不同土地利用和覆盖类型的变化进行详细评估	数字病理学	NA	深度学习	STEDSAN和LSTM	遥感数据	使用了2005到2018年的双时相图像进行分析
22332	2024-08-05	Classification of Periapical and Bitewing Radiographs as Periodontally Healthy or Diseased by Deep Learning Algorithms 2024-May, Cureus DOI:10.7759/cureus.60550 PMID:38887333	研究论文	本研究旨在开发一个深度学习算法，能够自动将根尖和咬合片X光图像分类为牙周健康或不健康。	开发了一种基于YOLOv8-cls模型的深度学习算法，表现出较高的分类准确性。	本研究的样本仅限于特定类型的X光图像，可能无法推广到其他图像类型。	旨在评估深度学习算法在分类牙周健康和不健康上的诊断成功率。	研究对象为1120幅根尖X光图像和1498幅咬合片X光图像。	数字病理学	牙周病	深度学习	YOLOv8-cls	图像	1120根尖X光图像和1498咬合片X光图像
22333	2024-08-05	[Development and Application of Deep Learning-Based Model for Quality Control of Children Pelvic X-Ray Images] 2024-Mar-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation DOI:10.12455/j.issn.1671-7104.240010 PMID:38605612	研究论文	提出了一种基于深度学习的方法用于评估儿童髋关节X光图像的质量	首次尝试将人工智能算法应用于儿童髋关节X光的质量评估	NA	构建诊断模型并验证其临床可行性	3247名儿童的前后髋部X光片	计算机视觉	NA	深度学习	NA	图像	3247个儿童的前后髋部X光图像
22334	2024-08-05	A Review for Artificial Intelligence Based Protein Subcellular Localization 2024-Mar-27, Biomolecules IF:4.8Q1 DOI:10.3390/biom14040409 PMID:38672426	review	本文回顾了基于人工智能的蛋白质亚细胞定位方法最新进展	文章的创新点在于整合了三种典型的基于人工智能的定位方法，并讨论了该领域的未来方向	文章未深入探讨具体的实验验证和实际应用案例	研究人工智能在蛋白质亚细胞定位中的应用与发展	主要研究各种类型的蛋白质定位方法	生物信息学	癌症、阿尔茨海默病	人工智能，机器学习	深度学习	序列、知识、图像	NA
22335	2024-08-05	Histopathology-based breast cancer prediction using deep learning methods for healthcare applications 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1300997 PMID:38894870	研究论文	本研究使用深度学习方法分析乳腺癌的组织病理学图像，以提高自动诊断的准确性	该论文提出了一种结合超分辨率生成对抗网络 (SRGAN) 和补丁式特征提取的创新方法，显著提高了乳腺癌的分类准确性	研究依赖于特定的公共数据集，可能影响结果的广泛适用性	研究旨在通过深度学习提高乳腺癌的自动诊断准确性	研究对象包括BreakHis和侵袭性导管癌 (IDC) 数据集中的组织病理学图像	数字病理学	乳腺癌	超分辨率生成对抗网络 (SRGAN) 和长短期记忆网络 (LSTM)	Inception V3 和 Resnet-50	图像	使用了BreakHis和IDC数据集中的组织病理学图像
22336	2024-08-05	A comprehensive approach for osteoporosis detection through chest CT analysis and bone turnover markers: harnessing radiomics and deep learning techniques 2024, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2024.1296047 PMID:38894742	研究论文	本研究评估了利用放射组学、深度学习和迁移学习方法分析胸部CT扫描的可能性	结合放射组学和深度学习技术，同时考虑骨转换标志物进行骨质疏松症的筛查	骨转换标志物可能对骨质疏松症筛查并非必要	评估胸部CT扫描和骨转换标志物在骨质疏松症筛查中的应用	488名接受胸部CT和骨密度检测的患者	数字病理学	骨质疏松症	放射组学，深度学习	2D和3D深度学习模型, 2D和3D迁移学习模型	医学影像	488名患者
22337	2024-08-05	The potential of the transformer-based survival analysis model, SurvTrace, for predicting recurrent cardiovascular events and stratifying high-risk patients with ischemic heart disease 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304423 PMID:38889124	研究论文	本研究评估了基于Transformer的生存分析模型SurvTrace在预测复发心血管事件及高风险缺血性心脏病患者分层中的准确性	该研究利用最先进的深度学习方法Transformer进行生存分析，展示了其在心血管事件预测中的优势	本研究的局限在于仅基于特定医院的患者数据，可能影响结果的普遍适用性	本研究的目的是评估SurvTrace模型在预测复发心血管事件及高风险患者中的准确性	研究对象为2005年至2019年在东京大学医院接受经皮冠状动脉介入的心血管患者	计算机视觉	心血管疾病	Transformer	NA	数据集	总共3938个病例，其中394个作为测试数据集，3544个用于模型训练
22338	2024-08-05	A high-accuracy lightweight network model for X-ray image diagnosis: A case study of COVID detection 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303049 PMID:38889106	研究论文	本研究提出了一种高精度轻量级网络模型用于X光图像诊断，专注于COVID-19检测。	本研究采用了MobileNetV3作为基础架构，并通过引入密集块、过渡层、标签平滑损失和类别加权等创新方法，显著提高了模型的分类准确性，同时减少了参数数量。	该研究未提及实验证据的外部验证和应用范围的广泛性，可能限制了其通用性。	研究旨在开发一种快速可靠的X光图像诊断方法，以应对COVID-19病情的快速传播。	主要研究对象为COVID-19患者的X光影像。	计算机视觉	COVID-19	深度学习	MobileNetV3	图像	使用公开可获取的数据库进行验证，样本数量未具体说明
22339	2024-08-05	Exploring deep learning radiomics for classifying osteoporotic vertebral fractures in X-ray images 2024, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2024.1370838 PMID:38606087	研究论文	本文开发并验证了一种深度学习放射组学模型，用于预测骨质疏松椎体骨折的分类	创新点在于使用深度学习放射组学模型，从X光图像中提取特征，以分类骨质疏松椎体骨折	该研究尚未讨论模型在不同种族或年龄组的适用性	研究旨在利用X光图像预测骨质疏松椎体骨折的分类	研究对象包括942名患者，检查1076个椎骨	医学影像处理	骨质疏松病	深度学习放射组学	ResNet-50	图像	942名患者，1076个椎骨的X光图像
22340	2024-08-05	Small target tea bud detection based on improved YOLOv5 in complex background 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1393138 PMID:38887461	研究论文	该研究提出了一种基于改进YOLOv5的小目标茶芽检测方法	使用注意力机制和轻量级卷积方法，提高了茶芽检测的准确性和速度	现有检测方法在复杂背景下仍然存在局限	实现智能茶芽采摘的准确和快速茶芽检测	茶芽	计算机视觉	NA	YOLOv5, SPPF, GSConv	NA	图像	NA