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
22601	2024-08-05	Deep learning models for interpretation of point of care ultrasound in military working dogs 2024, Frontiers in veterinary science IF:2.6Q1 DOI:10.3389/fvets.2024.1374890 PMID:38903685	研究论文	本研究开发了深度学习分类神经网络来评估军事工作犬的点位超声图像	利用人工智能技术来增强对超声图像的解析，尤其是在战场环境中对军事工作犬的特定伤害进行诊断	模型尽管在某些扫描点表现出高准确性，但无法始终准确识别相关特征	研究的目的是提升军事工作犬的超声图像解读能力，进而优化急救措施	研究对象为五只在全身麻醉或深度镇静下进行检查的军事工作犬	计算机视觉	NA	POCUS	MobileNetV2, DarkNet-19, ShrapML	影像	327个超声剪辑
22602	2024-08-05	Fusion of fruit image processing and deep learning: a study on identification of citrus ripeness based on R-LBP algorithm and YOLO-CIT model 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1397816 PMID:38903428	研究论文	本研究提出了一种YOLO-CIT模型，结合R-LBP算法，准确识别不同成熟阶段的柑橘水果	提出了结合R-LBP算法增强特征提取的新方法，并应用于YOLO-CIT模型以提高柑橘成熟度的识别精度	研究中未提及样本多样性和实际环境因素对模型表现的影响	研究柑橘水果的成熟度识别，以指导采摘机器人路径规划和产量估算	不同成熟阶段的柑橘水果	计算机视觉	NA	R-LBP算法	YOLO-CIT模型	图像	实验中使用了多张处理后的柑橘水果图像
22603	2024-08-05	Lightweight cotton diseases real-time detection model for resource-constrained devices in natural environments 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1383863 PMID:38903431	研究论文	本文介绍了一种针对自然环境中棉花病害的轻量级实时检测模型CDDLite-YOLO	该模型在YOLOv8基础上进行了创新，采用了C2f-Faster模块和Slim-neck结构，有效提高了检测速度和准确性	虽然模型在轻量化和速度上表现优秀，但具体的适用范围和环境限制尚未完全探讨	研究旨在开发一种适合资源受限设备的棉花病害检测模型	研究对象为棉花及其种植过程中可能发生的各种病害	计算机视觉	棉花病害	深度学习	YOLO	图像	NA
22604	2024-08-05	Automatic retinoblastoma screening and surveillance using deep learning 2023-08, British journal of cancer IF:6.4Q1 DOI:10.1038/s41416-023-02320-z PMID:37344582	研究论文	本文研究了一种基于深度学习的视网膜母细胞瘤自动筛查和监测方法	提出了一种深度学习算法DLA-RB，能够准确区分正常眼底、稳定视网膜母细胞瘤和主动视网膜母细胞瘤	目前样本集中仅包括在北京同仁医院就诊的患者，可能影响结果的普遍适用性	旨在应用深度学习算法降低随访和后代筛查的负担	视网膜母细胞瘤患者及其相关影像数据	计算机视觉	视网膜母细胞瘤	深度学习	深度学习助手(DLA-RB)	图像	共收集了36623张图像和103名患者的139只眼睛
22605	2024-08-05	Repurposing of FDA approved drugs against Salmonella enteric serovar Typhi by targeting dihydrofolate reductase: an in silico study 2022-05, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2020.1850356 PMID:33251976	研究论文	本研究利用FDA批准药物针对伤寒沙门氏菌的二氢叶酸还原酶进行了药物再利用的计算研究	通过深度学习回归算法筛选FDA批准的药物库，发现四种药物对二氢叶酸还原酶具有潜在的抑制作用	研究仅基于计算模型，缺乏临床实验验证	开发有效的药物以克服伤寒沙门氏菌的耐药性	FDA批准的1930种药物	计算机视觉	伤寒	深度学习回归算法, 分子对接, 分子动力学模拟	NA	化合物	1930种药物库
22606	2024-08-05	Approved AI-based fluid monitoring to identify morphological and functional treatment outcomes in neovascular age-related macular degeneration in real-world routine 2024-Jun-20, The British journal of ophthalmology DOI:10.1136/bjo-2022-323014 PMID:37775259	研究论文	本研究旨在利用人工智能对液体进行定量，以预测新生血管年龄相关性黄斑变性(nAMD)患者的治疗需求、视力和形态结果。	该论文使用经过监管批准的人工智能液体监测方法，能够自动化指导AMD患者的治疗，并预测长期形态结果。	该研究的样本主要来自单一注册中心，可能无法代表更广泛的人群。	本研究的目标是预测新生血管年龄相关性黄斑变性患者的治疗需求和视觉及形态结果。	研究对象为158名未接受治疗的新生血管年龄相关性黄斑变性患者。	数字病理学	年龄相关性黄斑变性	光谱域光学相干断层扫描	深度学习算法	影像	158名治疗未经验患者的数据，评估了202只眼睛
22607	2024-08-05	Deep learning detection of diabetic retinopathy in Scotland's diabetic eye screening programme 2024-Jun-20, The British journal of ophthalmology DOI:10.1136/bjo-2023-323395 PMID:37704266	研究论文	本文旨在开发基于深度学习的自动分级系统，用于评估苏格兰糖尿病视网膜病变的筛查程序中的视网膜图像	提出了一种新的深度学习算法，与现有的支持向量机基自动分级系统相比，具备更好的特异性	仅评估了50%参与国家DR筛查项目的患者，可能限制了结果的普遍适用性	开发深度学习算法来自动评估糖尿病视网膜病变，并与当前自动化分级系统进行性能比较	179944名患者的视网膜图像、质量保证数据和常规DR分级	数字病理学	糖尿病视网膜病变	深度学习	NA	图像	179944名患者的图像和744张的质量保证图像
22608	2024-08-05	Automated classification of multiple ophthalmic diseases using ultrasound images by deep learning 2024-Jun-20, The British journal of ophthalmology DOI:10.1136/bjo-2022-322953 PMID:37852741	研究论文	该研究开发了一种多分支变换网络（MBT-Net）用于自动分类多种眼科疾病的超声图像	提出了一种新的深度学习模型MBT-Net，能够在多种超声设备和操作者下自动分类多种眼科疾病	该研究中模型的表现与资深眼科医生相比仍有差距	开发一种能自动识别多种眼科疾病的深度学习模型	使用临床确认的六类眼科疾病的超声图像进行模型的开发和评估	计算机视觉	眼科疾病	超声波成像	多分支变换网络（MBT-Net）	图像	共收集了10,184张超声图像
22609	2024-08-05	DeepLeish: a deep learning based support system for the detection of Leishmaniasis parasite from Giemsa-stained microscope images 2024-Jun-18, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01333-1 PMID:38890604	研究论文	提出了一种基于深度学习的人工智能检测工具，用于从Giemsa染色的显微镜图像中检测利什曼虫	开发了一个新的基于YOLOV5模型的检测工具，改善了利什曼病的诊断效率	在寄生虫细胞和血细胞的大小差异下，模型的准确性有时降低	旨在开发用于利什曼病检测的人工智能工具	利用Giemsa染色的显微镜图像进行寄生虫检测	计算机视觉	利什曼病	深度学习	YOLOV5	图像	经过专家标注的显微镜图像
22610	2024-08-05	Stereochemically-aware bioactivity descriptors for uncharacterized chemical compounds 2024-Jun-18, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-024-00867-4 PMID:38890727	研究论文	本研究系统地探讨了立体异构与生物活性之间的关系	提出了一种新的立体化学意识描述符，能够更准确地描述小分子生物活性特性	NA	探讨立体异构体与生物活性之间的关系，并生成生物活性描述符	超过100万种化合物及其立体异构体	计算机视觉	NA	深度学习	深度神经网络	化合物数据	超过100万种化合物
22611	2024-08-05	Revolutionizing disease diagnosis and management: Open-access magnetic resonance imaging datasets a challenge for artificial intelligence driven liver iron quantification 2024-Jun-16, World journal of clinical cases IF:1.0Q3 DOI:10.12998/wjcc.v12.i17.2921 PMID:38898864	评论	本文强调了开放获取的磁共振成像数据集对人工智能驱动的肝铁定量的重要性	提出了标准化数据集在推动医疗成像中AI和CNN应用的关键角色	缺乏开放获取的数据集可能会延缓该领域医疗研究的进展	探讨人工智能在疾病诊断和管理中的潜力	人工智能技术在肝铁负荷评估中的应用	医疗成像	NA	磁共振成像	卷积神经网络（CNN）	NA	NA
22612	2024-08-05	Deep learning to detect left ventricular structural abnormalities in chest X-rays 2024-Jun-07, European heart journal IF:37.6Q1 DOI:10.1093/eurheartj/ehad782 PMID:38503537	研究论文	本研究开发了一种深度学习模型，用于在胸部X光片中检测左心室结构异常。	首次利用深度学习方法在胸部X光片中准确检测严重左心室肥大和扩张的能力。	模型的评估依赖于回顾性数据，可能存在样本选择偏差。	研究旨在改进心力衰竭患者的早期筛查和识别。	研究对象为24,689名患者的71,589幅胸部X光片及相关的超声心动图标签。	计算机视觉	心血管疾病	深度学习	NA	图像	71,589幅胸部X光片
22613	2024-08-05	Deep Learning-Based Automated Imaging Classification of ADPKD 2024-Jun, Kidney international reports IF:5.7Q1 DOI:10.1016/j.ekir.2024.04.002 PMID:38899202	研究论文	本研究开发了一种基于深度学习的方法，自动分类自体显性多囊肾病(ADPKD)的影像学类。	该方法应用了转移学习和可解释人工智能(XAI)技术，提高了自动分类结果的解释性和准确性。	本文对类1和类2的分类效果优异，但可能在实际临床应用中面临更复杂的变异情况。	研究旨在提高ADPKD影像分类的自动化水平，以支持临床试验和患者管理。	研究对象为486名患者的腹部T2加权磁共振图像。	计算机视觉	自体显性多囊肾病	深度学习，转移学习	NA	图像	486名患者的磁共振图像
22614	2024-08-05	Feed intake in housed dairy cows: validation of a three-dimensional camera-based feed intake measurement system 2024-Jun, Animal : an international journal of animal bioscience IF:4.0Q1 DOI:10.1016/j.animal.2024.101178 PMID:38823283	研究论文	本研究验证了一种基于三维相机的奶牛饲料摄入量测量系统的准确性	提出了验证3D相机预测饲料摄入量重量的必要性，并探讨了饮食特定系数的影响	模型在个别餐次的摄入量测量上的准确性仍需提高	验证基于3D相机的饲料摄入量预测与实际测量重量之间的关系	24头泌乳的丹麦黑白奶牛	数字病理学	NA	深度学习	预测模型	体重和饲料体积数据	24头奶牛，使用4种不同的饮食处理
22615	2024-08-05	A Video Mosaicing-Based Sensing Method for Chicken Behavior Recognition on Edge Computing Devices 2024-May-25, Sensors (Basel, Switzerland) DOI:10.3390/s24113409 PMID:38894200	研究论文	提出了一种基于视频马赛克的鸡行为识别技术，适用于边缘计算设备	结合视频马赛克与深度学习技术，实现对鸡行为的准确识别	研究集中于三种特定行为，未涵盖所有可能的鸡行为	探讨边缘计算设备上鸡行为识别的技术	鸡的行为	计算机视觉	NA	视频传感马赛克	MobileNetV2	视频	涉及三种鸡行为的识别
22616	2024-08-05	Chronic Wound Image Augmentation and Assessment Using Semi-Supervised Progressive Multi-Granularity EfficientNet 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2023.3248307 PMID:38899014	研究论文	使用半监督学习和深度学习方法对慢性创伤图像进行增强和评估	提出了一种半监督PMGEfficientNet方法，提高了慢性创伤图像评分的准确性，并优于基线模型	合成创伤图像生成未能改善创伤评估的结果	通过增强创伤数据集，提升深度学习在创伤评估中的应用效果	小型且不平衡的创伤数据集以及二次未标记的创伤图像数据集	计算机视觉	NA	半监督学习	EfficientNet卷积神经网络	图像	共计11509张创伤图像，包括1639张标记图像和9870张未标记图像
22617	2024-08-05	A Deep Learning Approach for Beamforming and Contrast Enhancement of Ultrasound Images in Monostatic Synthetic Aperture Imaging: A Proof-of-Concept 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2024.3401098 PMID:38899024	研究论文	本研究展示了一种深度神经网络（DNN）用于重建高对比度超声图像的方法	该文章创新性地使用DNN从单通道合成孔径（SA）方法的射频信号中重建图像，提高了图像质量和对比度	研究中使用的模拟图像可能无法完全代表实际临床场景的复杂性	研究的目的是提高合成孔径超声成像的图像质量和对比度	研究对象是通过单通道SA获取的射频信号及其重建的目标图像	数字病理学	NA	超声成像	U-net	图像	27200对射频信号和500幅模拟测试图像
22618	2024-08-05	NeoSSNet: Real-Time Neonatal Chest Sound Separation Using Deep Learning 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2024.3401571 PMID:38899018	研究论文	本研究介绍了一种名为NeoSSNet的新型深度学习模型，旨在实时分离新生儿的胸部声音	创新点在于提出了类似于Conv-TasNet的基于掩蔽的架构，并结合了一维卷积和变换器架构的掩蔽生成器	NA	研究旨在改进新生儿胸音分离的质量和效率	主要针对新生儿的心音和肺音	数字病理学	心血管疾病和呼吸系统疾病	深度学习	卷积神经网络（CNN）	声音	NA
22619	2024-08-05	UKSSL: Underlying Knowledge Based Semi-Supervised Learning for Medical Image Classification 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2023.3305190 PMID:38899016	研究论文	本研究介绍了一种基于潜在知识的半监督框架UKSSL，用于医学图像分类。	提出了一种结合MedCLR和UKMLP的框架，有效利用未标记数据和少量标记数据进行医学图像分类。	研究仅使用了50%的标记数据，可能影响结果的推广性。	旨在解决医学图像分类中由于标记数据稀缺而导致的训练高性能模型的挑战。	研究对象为未标记和有限标记的医学图像。	计算机视觉	NA	深度学习	NA	医学图像	使用了LC25000和BCCD数据集，其中50%为标记数据
22620	2024-08-05	Multimodal Emotion Recognition Based on Facial Expressions, Speech, and EEG 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2023.3240280 PMID:38899017	研究论文	本文提出了一种基于深度学习的多模态情感识别方法Deep-Emotion，能够有效集成面部表情、语音和脑电图（EEG）的特征	提出了一种新框架Deep-Emotion，包括改进的GhostNet、轻量级全卷积神经网络和树状LSTM模型以提升情感识别性能	需要处理的计算能力增加，实时检测与提升深度神经网络的鲁棒性仍然是挑战	提升多模态情感识别的表现和准确性	面部表情、语音和脑电图（EEG）的情感特征	机器学习	NA	脑电图（EEG）、深度学习	GhostNet, LFCNN, tLSTM	图像、音频	使用了CK+、EMO-DB和MAHNOB-HCI等数据集进行广泛实验