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
22881	2024-08-05	The Effectiveness of Zero-Day Attacks Data Samples Generated via GANs on Deep Learning Classifiers 2023-Jan-12, Sensors (Basel, Switzerland) DOI:10.3390/s23020900 PMID:36679705	研究论文	本研究提出了一种从生成零日类型数据开始，最后评估神经网络零日攻击检测器的整体方法。	创新点在于使用生成对抗网络（GANs）合成生成新的、更大规模的零日攻击数据集。	未提及具体的限制因素	研究目标是检测和评估零日攻击的有效性。	研究对象为使用合成数据和原始数据训练的神经网络模型。	计算机视觉	NA	生成对抗网络 (GAN)	神经网络	表格数据	约5000个迭代生成的数据样本
22882	2024-08-05	Accurate Crack Detection Based on Distributed Deep Learning for IoT Environment 2023-Jan-11, Sensors (Basel, Switzerland) DOI:10.3390/s23020858 PMID:36679655	研究论文	提出一种基于边缘计算的裂纹检测系统，能够在低功耗环境中实现准确的裂纹检测	引入了Rsef和Rsef-Edge两个系统，通过优化传统深度学习模型实现实时裂纹图像分割，并有效降低推理时间	对低功耗设备的适用性可能在某些极端条件下受到限制	提高低功耗物联网环境下的裂纹检测准确性和速度	涉及道路、建筑墙壁、地板和产品表面的裂纹检测	计算机视觉	NA	深度学习	深度学习模型	图像	NA
22883	2024-08-05	Person Re-Identification Based on Contour Information Embedding 2023-Jan-10, Sensors (Basel, Switzerland) DOI:10.3390/s23020774 PMID:36679571	研究论文	本研究通过轮廓信息提取模块和轮廓信息嵌入方法，提高了行人重识别的识别性能	提出了一种轮廓信息提取模块（CIEM）和轮廓信息嵌入方法，使网络能够更关注轮廓信息	未提及具体的局限性	旨在提高行人重识别网络的识别性能	通过分析行人轮廓特征对行人重识别的影响	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	在Market1501数据集中包含多个样本，mAP达到83.8%，Rank-1达到95.1%；在DukeMTMC-reID数据集中mAP达到73.5%，Rank-1达到86.8%
22884	2024-08-05	Convolutional Neural Networks or Vision Transformers: Who Will Win the Race for Action Recognitions in Visual Data? 2023-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s23020734 PMID:36679530	研究论文	本文探讨了卷积神经网络与视觉变压器在视频中的动作识别表现	研究CNN和视觉变压器在动作识别中的应用，并进行准确性与复杂性之间的比较分析	没有提及特定的数据集或实验设置的局限性	探讨CNN和视觉变压器在视频动作识别中的表现	视频中的动作识别	计算机视觉	NA	卷积神经网络，视觉变压器	CNN，ViT	视频	NA
22885	2024-08-05	DeepSP: Deep learning-based spatial properties to predict monoclonal antibody stability 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.05.029 PMID:38827232	研究论文	本研究开发了一种基于深度学习的模型DeepSP，以预测单克隆抗体的空间特性和稳定性	提出了一种无需进行分子动力学模拟的深度学习替代模型，能够直接基于抗体序列预测空间聚集倾向和空间电荷图	研究模型的表现依赖于已有的抗体序列数据集，可能不适用于所有抗体	旨在提高单克隆抗体开发的效率，并降低计算时间	使用20530个抗体序列数据集来训练DeepSP模型	机器学习	NA	深度学习	卷积神经网络 (CNN)	序列	20530个抗体序列
22886	2024-08-05	Strong versus Weak Data Labeling for Artificial Intelligence Algorithms in the Measurement of Geographic Atrophy 2024 Sep-Oct, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100477 PMID:38827491	研究论文	本研究旨在理解深度学习模型训练所需的数据标注要求，以测量地理性萎缩。	提出了通过整合大量弱标注图像与少量强标注图像的训练方法，以减少数据标注的成本和时间。	未提供关于数据标注对模型性能影响的详细分析。	研究深度学习模型在测量地理性萎缩中的应用与数据标注要求。	使用AREDS2图像进行模型训练和验证，以及GA临床试验图像进行测试。	机器学习	视网膜疾病	深度学习	卷积神经网络（CNN）	图像	AREDS2数据集（601张）和GlaxoSmithKline测试数据集（156张）
22887	2024-08-05	Prediction of cardiovascular risk factors from retinal fundus photographs: Validation of a deep learning algorithm in a prospective non-interventional study in Kenya 2024-Jul, Diabetes, obesity & metabolism DOI:10.1111/dom.15587 PMID:38618987	研究论文	本研究开发并验证了一种机器学习算法，用于从视网膜眼底照片中估计心血管风险因素。	通过在肯尼亚的非干预研究中验证机器学习模型，推动了心血管筛查的早期应用，尤其是在资源有限的环境中	模型性能表现与开发使用的英国生物银行人群相比，准确度稍低，可能需要重新校准	评估机器学习算法在低收入国家心血管风险因素估计中的有效性	肯尼亚地区的301名参与者，通过收集视网膜照片及其临床参数进行研究	机器学习	心血管疾病	机器学习	未提及	图像	301名参与者
22888	2024-08-05	NVAM-Net: deep learning networks for reconstructing high-quality fiber orientation distributions 2024-Jul, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-024-03341-y PMID:38563964	研究论文	该研究介绍了一种名为NVAM-Net的神经网络，用于重建高质量的纤维取向分布图像。	该文章创新性地引入了相邻体素注意机制网络，利用变换器架构和两种新的注意机制来改进FOD估计。	未提供明显的局限性说明	本研究旨在提高扩散磁共振成像中体素取向分布的重建精度。	本研究使用了人脑连通组项目（HCP）数据集进行实验。	数字病理学	NA	扩散磁共振成像（dMRI）	变换器	图像	使用人脑连通组项目（HCP）数据集的实验结果
22889	2024-08-05	Effect of deep learning-based reconstruction on high-resolution three-dimensional T2-weighted fast asymmetric spin-echo imaging in the preoperative evaluation of cerebellopontine angle tumors 2024-Jul, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-024-03328-9 PMID:38480538	研究论文	本文旨在评估基于深度学习重建（DLR）在小脑桥角肿瘤术前评估中的影响。	本研究创新地使用深度学习重建技术提高了HR-3D T2-FASE成像的对比噪声比。	样本量较小，仅包含13例患者，可能影响结果的普遍性。	研究旨在评估DLR对小脑桥角肿瘤术前评估中成像质量的影响。	研究对象为接受术前HR-3D T2-FASE成像的13例患者。	数字病理学	脑肿瘤	MRI	深度学习重建	医学影像	13例患者
22890	2024-08-05	Artificial intelligence and machine learning in axial spondyloarthritis 2024-07-01, Current opinion in rheumatology IF:5.2Q1 DOI:10.1097/BOR.0000000000001015 PMID:38533807	研究论文	评估人工智能和机器学习在轴性脊柱关节炎诊断和管理中的应用和前景	人工智能尤其是深度学习在轴性脊柱关节炎的影像学诊断中表现出色，部分模型在检测骶髂炎和标志物方面与放射科医师匹敌或优于其表现	研究设计、样本大小的多样性以及回顾性单中心研究的占主导地位限制了结果的普遍适用性	探讨人工智能和机器学习在轴性脊柱关节炎中的应用潜力	轴性脊柱关节炎患者	机器学习	轴性脊柱关节炎	深度学习	NA	医学影像	NA
22891	2024-08-05	Deep learning model to discriminate diverse infection types based on pairwise analysis of host gene expression 2024-Jun-21, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.109908 PMID:38827397	研究论文	提出了一种深度学习模型bvnGPS2，用于区分不同类型的感染	结合注意力机制及大规模综合宿主转录组数据集，精确识别革兰氏阳性和阴性细菌感染及病毒感染	可能存在数据集来源和规模的限制	准确检测由各种病原体引起的感染	4,949个血样本来自10个国家的40个队列	机器学习	NA	深度学习，注意力机制	深度神经网络	血样本	4,949个血样本
22892	2024-08-05	Optimizing motor imagery BCI models with hard trials removal and model refinement 2024-Jun-04, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ad4f8e PMID:38781932	研究论文	本文提出了两种新方法，用于识别和减轻运动想象脑机接口系统中困难试验对模型性能的影响	提出了基于模型预测得分和定量可解释人工智能的方法来识别困难试验	实验未提及在其他数据集上的普遍性验证	提高运动想象脑机接口系统的分类性能	Open BMI 数据集中的运动想象试验	机器学习	NA	深度学习	深度卷积神经网络 (CNN)	数据集	NA
22893	2024-08-05	How Artificial Intelligence Unravels the Complex Web of Cancer Drug Response 2024-Jun-04, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-24-1123 PMID:38588311	研究论文	该文章探讨了人工智能在癌症药物反应中的作用	研究通过解释性深度学习模型揭示了肿瘤细胞结构与药物反应之间的关系	NA	研究人工智能在精密医学中对癌症治疗的影响	研究CDK4/6抑制剂在乳腺癌治疗中的反应机制	数字病理学	乳腺癌	深度学习	解释性深度学习模型	NA	NA
22894	2024-08-05	TRA-ACGAN: A motor bearing fault diagnosis model based on an auxiliary classifier generative adversarial network and transformer network 2024-Jun, ISA transactions IF:6.3Q1 DOI:10.1016/j.isatra.2024.03.033 PMID:38604873	研究论文	本文提出了一种基于辅助分类器生成对抗网络和变换网络的电动机轴承故障诊断模型TRA-ACGAN	该模型结合了ACGAN和变换网络，利用注意机制提取有效特征，避免了传统迭代和卷积结构的局限	尚未提及具体的局限性	研究电动机轴承故障诊断中的生成对抗网络的应用	电动机轴承故障数据及其诊断	深度学习	NA	生成对抗网络	ACGAN, 变换网络	故障数据	使用了CWRU数据集和PU数据集
22895	2024-08-05	A deep learning-based model for detecting Leishmania amastigotes in microscopic slides: a new approach to telemedicine 2024-Jun-01, BMC infectious diseases IF:3.4Q2 DOI:10.1186/s12879-024-09428-4 PMID:38824500	研究论文	本研究开发了一种基于深度学习的模型，用于在显微切片中检测利什曼虫的阿米巴体	提出了一种名为LeishFuNet的深度学习框架，通过同域迁移学习提高检测利什曼虫的性能	可能在某些病理情况下的检测效果需要进一步验证	开发一种基于深度学习的自动化诊断模型以检测利什曼病	用于检测利什曼虫的显微图像，包含138个阳性案例和154个阴性案例	计算机视觉	利什曼病	深度学习	VGG19, ResNet50, MobileNetV2, DenseNet 169	图像	292张自收集的高分辨率显微图像
22896	2024-08-05	Vegetation change detection and recovery assessment based on post-fire satellite imagery using deep learning 2024-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-63047-2 PMID:38824170	研究论文	本研究提供了一种新的方法来理解和评估火灾后对植被的影响	提出了一种名为深嵌入聚类（DEC）的无监督方法来检测植被变化，并开发了基于深度学习的自适应生成对抗神经网络模型（AdaptiGAN）进行植被恢复评估	未提及具体的局限性	评估火灾后植被的变化和恢复	受野火影响地区的植被变化	遥感	NA	深度学习，卫星遥感	深嵌入聚类（DEC），自适应生成对抗神经网络模型（AdaptiGAN）	卫星影像	NA
22897	2024-08-05	Research of 2D-COS with metabolomics modifications through deep learning for traceability of wine 2024-06-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-63280-9 PMID:38824219	研究论文	提出了一种通过代谢组学分析与深度学习分类相结合的方法，以追溯葡萄酒的来源	结合代谢组学筛选与卷积神经网络，优化葡萄酒来源追溯的分类结果	未提及更广泛的应用或与其他分析方法的比较	研究葡萄酒的来源追溯方法	180个来自6个不同葡萄酒产区的葡萄酒样本	数字病理学	NA	UPLC-Q-TOF-MS	卷积神经网络 (CNN)	光谱	180个样本
22898	2024-08-05	Adapting low-dose CT denoisers for texture preservation using zero-shot local noise-level matching 2024-Jun, Medical physics IF:3.2Q1 DOI:10.1002/mp.17015 PMID:38478305	研究论文	本文提出了一种增强低剂量CT去噪算法的方法，旨在防止过度平滑现象并保持图像纹理的清晰度	提出的局部自适应噪声水平匹配算法能够在无额外训练数据的情况下增强去噪效果	该方法的有效性依赖于良好的噪声水平匹配，可能在某些极端图像情况下表现不佳	解决低剂量CT图像的过度平滑问题，设计无需大量训练数据的去噪算法	低剂量CT图像去噪算法的提升	数字病理学	NA	去噪	NA	图像	使用多种测试的低剂量CT去噪器进行实验
22899	2024-08-05	Interpretable baseflow segmentation and prediction based on numerical experiments and deep learning 2024-Jun, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2024.121089 PMID:38733842	研究论文	本研究探讨了气象因素和地表变化如何影响高寒山区基流，通过深度学习模型进行基流分离与预测	采用灰狼优化数字滤波方法（GWO-DFM）进行快速基流分离，并使用长短期记忆神经网络（LSTM）模型解释基流预测中的可解释性	在数据稀缺的高寒山区选择最合适的基流分离方法具有挑战性	研究高寒山区基流变化及其响应机制，以便更好地管理水资源	高寒山区的基流及影响其变化的气象和地表因素	数值模拟	NA	灰狼优化数字滤波方法（GWO-DFM）、长短期记忆神经网络（LSTM）	LSTM	流量数据、气象数据、MODIS数据	63年流量时间序列（1958-2020），21年ERA5-land气象数据（2000-2020）
22900	2024-08-05	A hybrid deep learning approach to predict hourly riverine nitrate concentrations using routine monitored data 2024-Jun, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2024.121097 PMID:38733844	研究论文	本研究使用结合深度学习神经网络和常规监测数据来预测河流的每小时硝酸盐浓度。	提出了一种混合模型架构，将卷积神经网络与长短期记忆网络（CNN-LSTM）相结合，进行高频硝酸盐浓度预测。	未包含高频硝酸盐浓度数据作为模型输入，可能影响预测精度。	研究如何利用深度学习网络和常规监测数据预测河流中的硝酸盐浓度。	研究对象为美国新罕布什尔州Oyster River流域出口处的硝酸盐浓度。	机器学习	NA	深度学习	卷积神经网络与长短期记忆网络（CNN-LSTM）	高频监测数据	根据5:3:2的比例将整个数据集分为训练、验证和测试，样本数量未具体说明