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
22441	2024-08-05	Applying deep learning on social media to investigate cultural ecosystem services in protected areas worldwide 2024-06-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-64115-3 PMID:38871754	研究论文	本文探讨了全球保护区中文化生态系统服务的变异性	首次将深度学习与社交媒体数据结合，系统分类和分析全球保护区的文化生态系统服务	研究仅基于Flickr平台的照片，可能无法全面反映所有保护区的情况	旨在揭示全球保护区中文化生态系统服务的分布和互动模式	全球范围内的2873个保护区及其在社交媒体上的照片	机器学习	NA	卷积神经网络	混合效应模型	图像	总计87,090张照片，涉及2813个保护区，来自207个国家
22442	2024-08-05	Automatic segmentation of femoral tumors by nnU-net 2024-Jun, Clinical biomechanics (Bristol, Avon) DOI:10.1016/j.clinbiomech.2024.106265 PMID:38810478	研究论文	本文介绍了一种深度学习算法（nnU-Net）用于自动分割股骨肿瘤	提出的算法在当前最先进的解决方案中表现更好，能够以与经验丰富的放射科医生相似的准确性进行肿瘤分割	本文未提及具体关于算法在临床应用中的局限性	提高CT基础的有限元分析中肿瘤分割的准确性	包含手动标注的股骨肿瘤的CT扫描数据集	数字病理学	骨肿瘤	深度学习	nnU-Net	图像	50个CT扫描样本，包含手动标注的股骨肿瘤
22443	2024-08-05	Multi-risk factors joint prediction model for risk prediction of retinopathy of prematurity 2024-Jun, The EPMA journal DOI:10.1007/s13167-024-00363-7 PMID:38841619	研究论文	本研究建立了一种结合临床人口统计数据的人工智能算法用于早期筛查和风险预测早产儿视网膜病的模型	该研究创新性地结合了多种风险因素与人工智能技术，提高了对早产儿视网膜病及其治疗期望的预测能力	研究主要集中在单一医院的数据，可能存在样本偏差和外推性限制	该研究旨在通过建立多风险因素联合预测模型以提升早产儿视网膜病的早期筛查和风险评估能力	研究对象为22569名在深圳眼科医院进行常规筛查的早产儿，其中包括3335名罹患视网膜病的早产儿	机器学习	早产儿视网膜病	机器学习和深度学习	多层感知器、逻辑回归、决策树	临床数据	22569名早产儿，其中包括3335名视网膜病儿童和1234名需要治疗的视网膜病儿童
22444	2024-08-05	Automated deep learning auto-segmentation of air volumes for MRI-guided online adaptive radiation therapy of abdominal tumors 2023-06-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/acda0b PMID:37253374	研究论文	本研究开发了一种自动化方法，用于在MRI引导的腹部肿瘤适应性放射治疗中分割空气区域	提出了一种修改版ResUNet3D深度学习模型用于自动分割MRI中的空气区域	该研究可能受到专门的MR图像序列和模型训练样本的限制	研究的目的是提高腹部肿瘤放射治疗中空气区域的分割速度和准确性	研究对象是102名患者的MRI图像	数字病理学	NA	深度学习	ResUNet3D	图像	102个患者的MR图像
22445	2024-08-05	Deep learning-based compressed SENSE improved diffusion-weighted image quality and liver cancer detection: A prospective study 2024-Sep, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.04.010 PMID:38604347	研究论文	本研究评估了基于深度学习的压缩SENSE对肝癌检测的改进效果	提出了通过深度学习和压缩SENSE组合的扩散加权成像方法，提升了肝癌病灶的成像质量和检测率	该研究仅在单中心进行，样本量相对较小，可能影响结果的广泛适用性	评估深度学习结合压缩SENSE的扩散加权成像在肝癌检测中的有效性	高风险肝细胞癌患者	数字病理学	肝癌	压缩SENSE	深度学习	医学影像	67名参与者，涉及197个临床相关的肝病灶
22446	2024-08-05	MLMFNet: A multi-level modality fusion network for multi-modal accelerated MRI reconstruction 2024-Sep, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.04.028 PMID:38663831	研究论文	本文提出了一种名为MLMFNet的神经网络，用于多模态加速MRI重建	将辅助模态的信息融入目标模态的特征通道和层级中，以提高MRI重建的效率	对于多模态重建中的信息利用尚未完全优化	提升MRI重建的速度与准确性，尤其是在多模态成像环境下	主要研究对象为MRI成像，特别是大脑和膝关节影像数据集	计算机视觉	NA	深度学习	UNet	图像	公开的大脑数据集和膝关节数据集
22447	2024-08-05	Frequency and phase correction of GABA-edited magnetic resonance spectroscopy using complex-valued convolutional neural networks 2024-Sep, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.05.008 PMID:38744351	研究论文	本研究探讨了复数值输入和复数卷积在GABA编辑磁共振波谱数据的频率和相位校正中的重要性	提出使用复数值输入和复数卷积的CNN模型在GABA编辑磁共振波谱校正中明显优于现有深度学习模型	本研究仅使用模拟和体内数据进行比较，未包含更多类型的数据	确定复数和实数卷积在GABA编辑磁共振波谱数据频率和相位校正中的有效性	GABA编辑MEGA-PRESS数据的频率和相位校正	机器学习	NA	卷积神经网络 (CNN)	复数卷积神经网络 (CC-CNN)	模拟数据和体内数据	NA
22448	2024-08-05	Lensless shadow microscopy-based shortcut analysis strategy for fast quantification of microplastic fibers released to water 2024-Jul-01, Water research IF:11.4Q1 DOI:10.1016/j.watres.2024.121758 PMID:38761592	研究论文	该论文提出了一种基于无透镜阴影显微镜的快速分析策略，用于有效量化水中释放的微塑料纤维	论文创新提出了结合高分辨率无透镜阴影显微镜与深度学习算法的快速成像和自动计数方法，从而显著提升了微塑料纤维的检测速度和准确性	研究中未涉及高效样本分离和全面样本图像数据库的创建	研究旨在提高对水中微塑料纤维污染的快速量化能力	研究对象是水中释放的微塑料纤维	数字病理	NA	无透镜阴影显微镜，深度学习算法	NA	图像	NA
22449	2024-08-05	Discriminative diagnosis of ovarian endometriosis cysts and benign mucinous cystadenomas based on the ConvNeXt algorithm 2024-Jul, European journal of obstetrics, gynecology, and reproductive biology DOI:10.1016/j.ejogrb.2024.05.010 PMID:38756053	研究论文	本研究旨在开发一个深度学习模型，利用ConvNeXt算法有效区分卵巢内膜异位囊肿和良性粘液性囊腺瘤	该深度学习模型提供了一种新的临床方法，以高准确度区分卵巢内膜异位囊肿和良性粘液性囊腺瘤	本研究的回顾性分析可能受限于数据的选择偏倚	旨在通过分析超声图像开发一个有效的深度学习模型用于卵巢内膜异位囊肿和良性粘液性囊腺瘤的诊断	研究对象为184名被诊断为卵巢内膜异位囊肿或良性粘液性囊腺瘤的患者	数字病理学	卵巢内膜异位症	深度学习，ConvNeXt算法	深度学习模型	超声图像	786幅超声图像，来自184名患者
22450	2024-08-05	Diagnosing schizophrenia using deep learning: Novel interpretation approaches and multi-site validation 2024-Jun-15, Brain research IF:2.7Q3 DOI:10.1016/j.brainres.2024.148876 PMID:38513996	研究论文	该研究利用深度学习对精神分裂症进行诊断，提出了新的解释方法并进行了多中心验证	引入了SHAP方法进行深度学习模型输出的临床应用解释，并进行了多中心数据的验证以提高模型的可靠性	模型的可解释性有限，且数据仅限于九个全球中心，可能影响结果的广泛应用	提高精神分裂症的诊断准确性和客观性	利用来自不同国家的样本验证深度学习模型的普适性	机器学习	精神分裂症	深度学习	3D Resnet	脑部图像数据	来自九个全球中心的多个样本
22451	2024-08-05	Revolutionizing urban mapping: deep learning and data fusion strategies for accurate building footprint segmentation 2024-Jun-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-64231-0 PMID:38866920	研究论文	该论文提出了一种利用深度学习和数据融合策略进行建筑轮廓分割的新方法	通过将RGB正射影像与数字地表模型相结合，生成了一种统一的四波段数据集，从而改进了建筑分割的准确性和训练时间	NA	研究如何有效提取和细化城市建筑的轮廓信息	高分辨率航拍或卫星影像中的建筑物信息	计算机视觉	NA	深度学习，数据融合	DeepLabv3	图像	覆盖意大利都灵21 km的区域，包含多样化的建筑框架
22452	2024-08-05	An improved deep learning network for image detection and its application in Dendrobii caulis decoction piece 2024-06-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-63398-w PMID:38866849	研究论文	该文章提出了一种改进的深度学习网络用于从图像中检测 Dendrobii caulis decoction piece。	本文创新性地设计了 C2S 模块来替代 YOLOv5 的 C3 模块，提高了对稠密小目标的特征提取能力，并引入了 RepGFPN 和 OTA 操作符以有效整合高维和低维特征。	该研究未探讨方法在其他类型食材中的适用性。	研究旨在开发高效的检测方法，以解决 Dendrobii caulis decoction piece 的物种识别问题。	该研究的对象是不同类型的 Dendrobii caulis decoction piece。	计算机视觉	NA	深度学习	改进的 YOLOv5	图像	一个新的大规模 Dendrobium 图像数据集
22453	2024-08-05	Enhancing the diagnosis of functionally relevant coronary artery disease with machine learning 2024-Jun-12, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-49390-y PMID:38866791	研究论文	本研究展示了机器学习在预测功能性相关冠状动脉疾病中的优势	该研究展示了机器学习在预测应激诱导的功能性相关冠状动脉疾病方面超过了心脏病专家的能力	研究的局限性包括仅使用特定的临床变量和心电图信号	研究旨在提高功能性相关冠状动脉疾病的早期诊断	研究对象为功能性相关冠状动脉疾病患者	机器学习	心脏病	机器学习	逻辑回归	临床变量和心电图信号	NA
22454	2024-08-05	A deep learning-based automated diagnosis system for SPECT myocardial perfusion imaging 2024-06-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-64445-2 PMID:38866884	研究论文	本文开发了一种基于深度学习的心肌灌注成像自动诊断系统	文章创新性地使用深度学习模型来改善心血管疾病的诊断准确性，并通过无监督学习可视化疾病损伤	研究仅基于单中心数据集，可能限制了结果的广泛适用性	旨在提高心肌灌注成像（MPI SPECT）图像的诊断支持能力	研究对象为5443个MPI SPECT图像样本，标记为健康或冠状动脉疾病	计算机视觉	心血管疾病	深度学习	卷积神经网络（CNN）	图像	5443个MPI SPECT图像样本
22455	2024-08-05	Parallel processing model for low-dose computed tomography image denoising 2024-Jun-12, Visual computing for industry, biomedicine, and art DOI:10.1186/s42492-024-00165-8 PMID:38865022	研究论文	本研究提出了一种多编码器深度特征变换网络（MDFTN），旨在增强多源低剂量计算机断层成像（LDCT）的去噪性能	提出了一种并行处理模型，能够在统一框架内同时处理来自多种成像源的LDCT图像，提升去噪效果	未提及具体的局限性	旨在提高多源LDCT成像的数据去噪性能	多源低剂量计算机断层成像图像	数字病理学	NA	深度学习	多编码器深度特征变换网络（MDFTN）	图像	在两个公共数据集和一个本地数据集上进行的实验
22456	2024-08-05	Prospective validation of a seizure diary forecasting falls short 2024-Jun, Epilepsia IF:6.6Q1 DOI:10.1111/epi.17984 PMID:38606580	研究论文	本研究前瞻性评估了一种深度学习人工智能模型在预测癫痫发作风险方面的有效性	尽管以前的研究表明AI模型表现优越，但本研究发现其在前瞻性随机对照中不及简单移动平均预测	研究样本量较小，仅有25人提供了足够的数据进行分析	评估算法在前瞻性癫痫患者中的预测有效性	46名癫痫患者，最终分析样本为25名	机器学习	癫痫	深度学习	NA	数据条目	46名癫痫患者，25名提供了足够的数据进行分析
22457	2024-08-05	Dataset of chilli and onion plant leaf images for classification and detection 2024-Jun, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2024.110524 PMID:38872936	研究论文	本文介绍了辣椒与洋葱叶子数据集，旨在分类与检测植物叶片疾病	创建了一个详细的辣椒与洋葱叶子数据集，以支持计算机视觉算法的开发与测试	数据集可能未涵盖所有可能的疾病或叶片状态	研究旨在创建一个可公开获取的数据集，以支持植物叶片识别的计算机视觉技术	辣椒和洋葱植物的叶片图像	计算机视觉	NA	图像处理算法	深度学习模型，视觉变换器架构	图像	包含多种类型的辣椒与洋葱叶子图像
22458	2024-08-05	[Advances in the application of AlphaFold2: a protein structure prediction model] 2024-May-25, Sheng wu gong cheng xue bao = Chinese journal of biotechnology DOI:10.13345/j.cjb.230677 PMID:38783805	综述	本文介绍了AlphaFold2模型的架构、亮点、局限性和应用进展	介绍了AlphaFold2的独特架构及其在蛋白质结构预测中的优越性能	文章未详细探讨各模型的具体应用案例和实际效果	探讨AlphaFold2及其他蛋白质结构预测模型的应用和发展	主要讨论AlphaFold2及其他几种蛋白质结构预测模型	计算机视觉	NA	深度学习	NA	NA	NA
22459	2024-08-05	Improved prediction of DNA and RNA binding proteins with deep learning models 2024-May-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae285 PMID:38856168	研究论文	该文章提出了改进的深度学习模型以预测DNA和RNA结合蛋白	通过生成更准确和稳健的数据集，以及开发层次和多类的深度学习方法，克服了以往研究的局限性	之前的研究使用的数据集和预测范围限制了其应用	为不同类型的核酸结合蛋白的功能注释和准确预测提供帮助	针对任意给定蛋白质的核酸结合蛋白类型进行预测	机器学习	NA	深度学习	CNN和LSTM	NA	NA
22460	2024-08-05	SPIN: sex-specific and pathway-based interpretable neural network for sexual dimorphism analysis 2024-May-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae239 PMID:38807262	研究论文	提出了一种统一的生物可解释深度学习框架SPIN，用于性别二态性分析。	SPIN框架显著提高了C-index，并能够识别之前分析中遗漏的性别特异性和共享的风险位点。	现有研究主要基于独立的性别分析和二合一的方法，可能未能充分揭示性别与基因之间的相互作用。	研究性别二态性在疾病中的影响和如何提升个体级别的风险预测。	TCGA癌症数据集和哮喘数据集中的男性和女性样本。	机器学习	NA	深度学习	NA	数据集	NA