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
22421	2024-08-05	Machine learning and deep learning for brain tumor MRI image segmentation 2023-11, Experimental biology and medicine (Maywood, N.J.) DOI:10.1177/15353702231214259 PMID:38102956	综述	文章综述了用于脑肿瘤MRI图像分割的常用机器学习和深度学习技术	结合两种或更多技术的趋势是当前的创新点	讨论了所述机器学习和深度学习方法的局限性和优点	研究脑肿瘤MRI图像分割的技术	脑肿瘤的MRI图像	计算机视觉	脑肿瘤	MRI	机器学习和深度学习技术	图像	NA
22422	2024-08-07	Protein structural alignment using deep learning 2023-10, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-023-01543-3 PMID:37816889	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
22423	2024-08-05	Study on breast cancerization and isolated diagnosis in situ by HOF-ATR-MIR spectroscopy with deep learning 2024-Oct-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.124546 PMID:38824755	研究论文	本研究探讨了通过HOF-ATR-MIR光谱与深度学习对乳腺癌的分类与诊断	首次建立了基于1D-CNN的三类分类模型，能够有效区分正常、癌旁及癌变乳腺组织	并未明确提到具体的样本数量及研究局限性	旨在利用深度学习技术提高乳腺组织的分类与诊断准确性	研究对象为不同类型的乳腺组织，包括正常组织、癌旁组织和癌变组织	数字病理学	乳腺癌	HOF-ATR-MIR光谱	1D-CNN	光谱数据	NA
22424	2024-08-05	Learning active subspaces and discovering important features with Gaussian radial basis functions neural networks 2024-Aug, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106335 PMID:38733793	研究论文	提出了一种改进的径向基函数神经网络模型，旨在提高预测性能并增强可解释性	通过可学习的精度矩阵修改了传统的径向基函数神经网络模型，使其能够提取关键特征和主动子空间	未提及具体的局限性	旨在通过提高模型的可预测性和可解释性来解决机器学习中的主要挑战	对回归、分类和特征选择任务进行数值实验	机器学习	NA	高斯径向基函数神经网络	NA	表格数据	NA
22425	2024-08-05	Towards complex dynamic physics system simulation with graph neural ordinary equations 2024-Aug, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106341 PMID:38692189	研究论文	本文提出了一种新模型GNSTODE，用于模拟复杂的粒子系统	引入了图网络与时空神经常微分方程的结合，以处理粒子系统中的时空依赖性	未提及具体的局限性	旨在理解和模拟复杂物理系统中的粒子交互行为	复杂粒子系统的模拟	机器学习	NA	神经常微分方程	图网络	观测数据	在两个真实世界的粒子系统中进行评估，未具体说明样本数量
22426	2024-08-05	Which images to label for few-shot medical image analysis? 2024-Aug, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103200 PMID:38801797	研究论文	该文章提出了一种新颖的模板选择策略，以在少量标记医疗图像分析中选择值得标记的图像	提出了一种新颖的模板选择策略（TECP），优先选择适合标注的图像以改善模型性能	该研究未提及TECP在不同类型数据集上的适用性分析	旨在通过改进标注策略来提升少样本医疗图像分析的效果	涉及多种少样本医疗任务，包括标志检测、解剖检测和解剖分割	计算机视觉	NA	深度学习	NA	医学图像	多个公共数据集
22427	2024-08-05	Multi-scale self-attention approach for analysing motor imagery signals in brain-computer interfaces 2024-Aug, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110182 PMID:38795979	研究论文	本文提出了一种利用多尺度自注意力机制分析运动想象信号的模型	创新点在于使用多尺度时空自注意力网络进行脑电图运动想象信号的分类	仍面临脑电图数据准确分类的挑战	研究旨在通过自注意力机制提高运动想象脑电图信号的分类精确度	研究对象为运动想象的脑电图信号，包括左手、右手、脚和舌头/休息四类	自然语言处理	NA	脑电图（EEG）	多尺度自注意力网络	信号	在BCI竞赛的IV-2b数据集上进行测试
22428	2024-08-05	CMAN: Cascaded Multi-scale Spatial Channel Attention-guided Network for large 3D deformable registration of liver CT images 2024-Aug, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103212 PMID:38830326	研究论文	提出了一种新的CNN基础的无监督学习配准方法CMAN，用于处理肝脏CT图像的大变形。	创新点在于采用双重粗到细的配准方法，结合空间通道注意力模块，有效提高大变形域的配准精度。	缺乏对更多复杂形状器官或其他医学图像的适应性验证。	研究旨在开发一种能够高效处理大变形图像配准的深度学习网络。	研究对象为肝脏CT图像。	计算机视觉	NA	深度学习	CNN	图像	使用了两个公开数据集进行训练，并在另一个公共数据集和一个私人数据集上进行了评估
22429	2024-08-05	Local spatial and temporal relation discovery model based on attention mechanism for traffic forecasting 2024-Aug, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106365 PMID:38739964	研究论文	提出了一种基于注意机制的局部空间和时间关系发现模型，旨在提高交通预测的准确性	引入了局部注意机制来建模历史输入数据的异步依赖性，并使用皮尔逊相关系数提取邻近道路历史交通条件对目标道路未来状态的影响	深度学习方法的属性使得其解释显式时空关系存在挑战	提高智能交通系统中交通预测的准确性	交通数据，通过深度学习方法建模交通状态演变模式	机器学习	NA	深度学习	注意机制模型	交通数据	多个数据集的实验结果
22430	2024-08-05	Improved weight initialization for deep and narrow feedforward neural network 2024-Aug, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106362 PMID:38733795	研究论文	提出了一种新的权重初始化方法，以解决RELU激活函数在深度神经网络中的‘死亡RELU’问题	提出了新的权重初始化方法，能有效解决深度和窄的前馈神经网络中的信号传播问题	尚未提及方法在极端情况下的表现和适用性	解决RELU激活函数导致的深度神经网络训练困难问题	深度和窄的前馈神经网络	机器学习	NA	NA	前馈神经网络	NA	通过一系列实验进行比较，样本大小未具体说明
22431	2024-08-05	Unsupervised mutual transformer learning for multi-gigapixel Whole Slide Image classification 2024-Aug, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103203 PMID:38810517	研究论文	提出了一种基于互变换学习的全无人监督的WSI分类算法	创新性地提出了一种完全无人监督的WSI分类算法，并通过互变换学习生成伪标签	未提及具体的局限性	研究WSI分类中的无人监督学习方法	多千兆像素的全幻灯片图像	计算病理学	癌症	变换学习	变换器	图像	在四个公开可用的数据集上进行了大量实验
22432	2024-08-05	Learning shared template representation with augmented feature for multi-object pose estimation 2024-Aug, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106352 PMID:38713968	研究论文	本研究提出了一种共享模板表示学习方法，结合增强语义特征以解决多对象姿态估计中的问题	通过学习共享模板表示并使用增强语义特征，提高了模型的泛化性能和匹配精度	未具体说明在更复杂或未见数据集上的表现	旨在简化多对象姿态估计中的模板表示学习过程	多对象姿态估计任务中的模板表示	计算机视觉	NA	深度学习	NA	图像	经过Linemo, Linemod-Occluded和TLESS数据集的广泛实验验证
22433	2024-08-05	Advanced deep learning algorithm for instant discriminating of tea leave stress symptoms by smartphone-based detection 2024-Jul, Plant physiology and biochemistry : PPB IF:6.1Q1 DOI:10.1016/j.plaphy.2024.108769 PMID:38797010	研究论文	本研究提出了一种基于智能手机的深度学习模型，用于快速检测茶叶的压力症状。	提出了一种便携式智能手机检测方法，并适应YOLOv5m和YOLOv8m算法，实现了高精度区分茶叶压力症状。	研究未提及可能的环境因素对检测结果的影响	旨在开发一种在复杂自然环境中快速监测茶叶压力的技术	开发了一个包含10000多张茶园冠层图像的数据库	计算机视觉	NA	深度学习	YOLOv8m	图像	超过10000张图像
22434	2024-08-05	Marine oil spill detection and segmentation in SAR data with two steps Deep Learning framework 2024-Jul, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2024.116549 PMID:38850755	研究论文	本研究开发了一种基于深度学习的海洋油污检测和分割方法	探索了九十种CNN配置，并创建了新的Sentinel-1图像数据集	未提及具体的局限性	旨在提高海洋油污分类和分割的准确性	使用Sentinel-1 SAR图像进行油污检测	计算机视觉	NA	深度学习	CNN, MLP, U-Net	图像	NA
22435	2024-08-05	Radiomics and deep learning models for CT pre-operative lymph node staging in pancreatic ductal adenocarcinoma: A systematic review and meta-analysis 2024-Jul, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111510 PMID:38781919	系统评价与 meta 分析	评估 CT 基于放射组学算法和深度学习模型在胰腺导管腺癌患者中术前识别淋巴结转移的诊断准确性	本研究通过元分析显示了 CT 基于放射组学和深度学习模型在预测胰腺导管腺癌患者淋巴结转移方面的良好表现	研究中未发现研究类型（放射组学 vs 深度学习）或数据集大小对诊断比值比（DOR）有显著影响	探讨 CT 基于放射组学和深度学习模型的诊断准确性	针对胰腺导管腺癌患者的淋巴结转移进行的相关研究	数字病理学	胰腺癌	CT 扫描	放射组学和深度学习模型	影像	共纳入 485 名患者（213 名用于放射组学研究，272 名用于深度学习研究）
22436	2024-08-05	Potential rapid intraoperative cancer diagnosis using dynamic full-field optical coherence tomography and deep learning: A prospective cohort study in breast cancer patients 2024-Jun-15, Science bulletin IF:18.8Q1 DOI:10.1016/j.scib.2024.03.061 PMID:38702279	研究论文	本研究结合动态全景光学相干断层成像和深度学习，提供了一种快速的乳腺癌术中自动化诊断工作流程	本研究创新性地使用动态全景光学相干断层成像(D-FFOCT)与深度学习相结合，实现了无标签的快速肿瘤诊断	研究可能未覆盖所有类型的乳腺肿瘤样本	研究旨在提高乳腺癌术中诊断的速度和准确性	乳腺癌患者的良性与恶性组织	数字病理学	乳腺癌	动态全景光学相干断层成像(D-FFOCT)	深度学习模型	图像	建模组包含182例样本，独立测试组包含42例样本
22437	2024-08-05	Recurrent quantum embedding neural network and its application in vulnerability detection 2024-Jun-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-63021-y PMID:38871946	研究论文	本论文提出了一种递归量子嵌入神经网络用于漏洞检测。	创新点在于结合了递归量子嵌入神经网络与自然语言处理，显著减少了内存消耗和参数数量。	没有提到具体的局限性。	研究旨在提高漏洞检测任务的性能和资源利用效率。	研究对象为漏洞检测任务中的量子自然语言处理方法。	自然语言处理	NA	量子计算	递归量子嵌入神经网络	NA	NA
22438	2024-08-05	Topological regression as an interpretable and efficient tool for quantitative structure-activity relationship modeling 2024-Jun-13, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-49372-0 PMID:38871711	研究论文	本文提出了一种基于相似性的回归框架，拓扑回归（TR），用于定量构效关系建模，且易于解释和计算快速	提出了一种拓扑回归方法，其能够实现与深度学习QSAR模型相当甚至更好的性能，并提供更直观的解释能力	在比较上只有530个ChEMBL人类靶点活性数据集，可能对其它数据集的适用性没有充分验证	提高QSAR模型的可解释性与计算效率，以推动药物发现	530个ChEMBL人类靶点活性数据集	机器学习	NA	NA	拓扑回归（TR）	数据集	530
22439	2024-08-05	Phenotyping grapevine resistance to downy mildew: deep learning as a promising tool to assess sporulation and necrosis 2024-Jun-13, Plant methods IF:4.7Q1 DOI:10.1186/s13007-024-01220-4 PMID:38872155	研究论文	该研究利用深度学习评估患有霜霉病的葡萄vine叶片的症状和抗性。	提出了一种高通量机器学习表型分析方法来识别葡萄对霜霉病抗性的新的基因位点	该方法可能依赖于特定的图像数据集，可能不适用于所有毒病系统	开发一种新的方法以快速、准确评估葡萄品种对霜霉病的抗性	受霜霉病影响的葡萄vine叶片	机器学习	NA	深度学习	Swin Transformer	图像	感染P. viticola的葡萄vine叶片圆盘的图像
22440	2024-08-05	Robust diagnosis and meta visualizations of plant diseases through deep neural architecture with explainable AI 2024-06-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-64601-8 PMID:38871765	研究论文	本文提出了一种深度卷积神经网络模型，用于快速准确地识别植物疾病	引入了一种深度、可解释的神经架构，专门用于植物疾病识别，并应用于最大标准植物村数据集	由于基础设施和技术有限，植物疾病的准确识别具有挑战性	通过深度学习技术提高植物疾病的早期识别和分类精度	使用标准植物村数据集中38个类别的植物样本进行实验	计算机视觉	植物疾病	深度学习	深度卷积神经网络	图像	38个类别的最大标准植物村数据集