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
23381	2024-08-07	Deep Learning Based Over-the-Air Training of Wireless Communication Systems without Feedback 2024-May-08, Sensors (Basel, Switzerland) DOI:10.3390/s24102993 PMID:38793848	研究论文	本文提出了一种无需反馈通道的无线通信系统空中训练方法，通过在接收端训练混合密度网络来近似信道分布，从而实现发射机和接收机的训练	提出了一种无需反馈通道的无线通信系统空中训练方法，通过随机样本传输和混合密度网络训练来近似信道分布	未提及	解决因信道环境导致的反向传播学习中断问题，并减少系统资源需求和对抗攻击的风险	无线通信系统中的发射机和接收机模型	机器学习	NA	深度学习	混合密度网络	信道环境数据	未提及具体样本数量
23382	2024-08-07	MurSS: A Multi-Resolution Selective Segmentation Model for Breast Cancer 2024-May-07, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050463 PMID:38790330	研究论文	本文提出了一种多分辨率选择性分割模型（MurSS），用于从苏木精和伊红（H&E）染色的全切片图像（WSIs）中准确分割乳腺癌病变	MurSS模型利用低分辨率和高分辨率补丁，通过自适应实例归一化来利用多分辨率特征，并采用选择性分割方法自动拒绝模糊组织区域，确保稳定训练	NA	提高乳腺癌病变的分割准确性，以实现有效的个性化治疗和改善患者预后	乳腺癌病变	数字病理学	乳腺癌	自适应实例归一化	CNN	图像	使用The Cancer Genome Atlas乳腺癌浸润性癌（BRCA）公共数据集进行训练和验证，使用韩国大学医学中心九老医院BRCA数据集进行最终测试评估
23383	2024-08-07	AI-Driven Sensing Technology: Review 2024-May-07, Sensors (Basel, Switzerland) DOI:10.3390/s24102958 PMID:38793814	综述	本文综述了机器学习和深度学习技术如何推动传感技术的进步，并探讨了其在多个领域的应用	文章展示了AI算法如何显著提升传感器功能并扩展其应用范围	文章提到了在利用这些技术进行传感应用时遇到的挑战	探讨AI与传感器技术的融合及其在传感器设计、校准和补偿、物体识别和行为预测方面的影响	机器学习、深度学习技术与传感技术的融合	机器学习	NA	机器学习、深度学习	NA	NA	NA
23384	2024-08-07	Single-Pixel Imaging Based on Deep Learning Enhanced Singular Value Decomposition 2024-May-07, Sensors (Basel, Switzerland) DOI:10.3390/s24102963 PMID:38793818	研究论文	本文提出并展示了一种基于深度学习网络增强奇异值分解的单像素成像方法	该方法能够在低采样率下（低至3.12%）或更少的测量次数或更短的采集时间内重建图像，具有更好的抗噪性能和泛化能力	NA	开发一种新的单像素成像方法，以提高图像质量和系统性能	单像素成像技术及其在不同条件下的表现	计算机视觉	NA	奇异值分解	深度学习网络	图像	NA
23385	2024-08-07	Improving the Accuracy of Direction of Arrival Estimation with Multiple Signal Inputs Using Deep Learning 2024-May-07, Sensors (Basel, Switzerland) DOI:10.3390/s24102971 PMID:38793827	研究论文	本文提出了一种创新的循环噪声降低方法和改进的CAPON算法（即最小方差无失真响应（MVDR）算法），以提高DOA（到达方向）估计的准确性和可靠性	通过处理从接收信号的协方差矩阵获得的特征值，循环噪声降低方法可以将信噪比（SNR）提高多达5 dB，从而提高DOA估计的准确性。改进的CAPON算法采用卷积神经网络（CNN）结构，其输入是处理后的接收信号的协方差矩阵，CAPON谱值用作训练标签以获得估计的空间谱	NA	提高DOA估计的准确性和可靠性	DOA估计的准确性和可靠性	机器学习	NA	CNN	CNN	协方差矩阵	NA
23386	2024-08-07	Where Does Auto-Segmentation for Brain Metastases Radiosurgery Stand Today? 2024-May-03, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050454 PMID:38790322	综述	本文综述了脑转移瘤自动分割技术在立体定向放射手术中的应用现状	近年来深度学习在医学图像分割领域取得了先进成果	本文探讨了脑转移瘤分割面临的挑战	分析自动分割策略，评估前沿脑转移瘤分割方法的性能	脑转移瘤的检测与分割	计算机视觉	脑转移瘤	深度学习	NA	图像	NA
23387	2024-08-07	Artificial Intelligence-Guided Segmentation and Path Planning Software for Transthoracic Lung Biopsy 2024-May, Journal of vascular and interventional radiology : JVIR IF:2.6Q2 DOI:10.1016/j.jvir.2024.02.006 PMID:38355040	研究论文	本文验证了一种3D卷积神经网络（CNN）人工智能软件在肺部病变检测中的敏感性和特异性，并评估了该软件生成的针路径与实际活检程序中使用的路径的一致性。	使用3D-CNN进行肺部病变检测，并通过贝叶斯优化提出可能的针轨迹，以避免重要结构。	研究为回顾性，且样本主要来自三家医院，可能存在选择偏倚。	验证人工智能软件在肺部病变检测和路径规划中的应用效果。	肺部病变检测和针路径规划。	计算机视觉	肺部疾病	3D卷积神经网络（CNN）	CNN	CT扫描图像	2,147个结节用于模型训练，235次扫描用于验证，150名患者用于路径规划比较。
23388	2024-08-07	Prediction of Visual Outcome After Rhegmatogenous Retinal Detachment Surgery Using Artificial Intelligence Techniques 2024-May-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.13.5.17 PMID:38776109	研究论文	本研究旨在开发人工智能模型，预测视网膜脱离手术后的功能结果	采用多模态融合模型，结合多种预手术预测因素，提高了预测准确性	样本量较小，仅为184名患者	开发人工智能模型预测视网膜脱离手术后的视觉结果	视网膜脱离手术后的功能结果	机器学习	NA	深度学习	多模态融合模型	图像	184名视网膜脱离患者
23389	2024-08-07	PallorMetrics: Software for Automatically Quantifying Optic Disc Pallor in Fundus Photographs, and Associations With Peripapillary RNFL Thickness 2024-May-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.13.5.20 PMID:38780955	研究论文	开发了一种自动量化眼底照片中视盘苍白的软件，并研究了其与视网膜神经纤维层厚度的关联	首次使用深度学习技术自动分割眼底照片中的视盘、黄斑和血管，并测量苍白程度	NA	开发一种自动方法来量化眼底照片中的视盘苍白，并确定其与视网膜神经纤维层厚度的关联	视盘苍白与视网膜神经纤维层厚度的关系	计算机视觉	NA	深度学习	NA	图像	118名参与者
23390	2024-08-07	Deep Learning-Based Detection of Glottis Segmentation Failures 2024-Apr-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050443 PMID:38790311	研究论文	本文提出了一种基于深度学习的方法，用于检测喉头分割失败的情况	首次采用深度学习方法自动检测喉头分割失败，并引入了知识驱动的扰动过程和定制损失函数	NA	提高医学图像分割在临床应用中的准确性	喉头分割失败的情况	计算机视觉	NA	深度学习	ResNet18	视频	使用了三个公共数据集，并通过数据增强和扰动过程生成故障分割数据
23391	2024-08-07	The Use of Generative Adversarial Network and Graph Convolution Network for Neuroimaging-Based Diagnostic Classification 2024-Apr-30, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci14050456 PMID:38790434	研究论文	本文探讨了使用生成对抗网络（GAN）和图卷积网络（GCN）进行基于神经影像的功能连接（FC）数据分类诊断	提出使用GCN来揭示脑网络数据的复杂结构，并利用GAN生成合成图像以解决数据稀缺和患者隐私问题	仍有改进空间，特别是在疾病预测和诊断方面	验证GAN和GCN模型在不同数据集上的泛化能力和分类准确性	功能连接（FC）数据和神经影像数据	机器学习	NA	生成对抗网络（GAN），图卷积网络（GCN）	生成对抗网络（GAN），图卷积网络（GCN）	图像	涉及多个公共数据集（ADHD, ABIDE-II, ADNI）和内部数据集（PTSD）
23392	2024-08-07	Synergizing Deep Learning-Enabled Preprocessing and Human-AI Integration for Efficient Automatic Ground Truth Generation 2024-Apr-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050434 PMID:38790302	研究论文	本文提出了一种结合深度学习预处理和人类-AI整合的新策略，用于高效生成高分辨率全切片显微图像的自动感兴趣区域（ROI）地面实况标注	引入了一种基于深度学习的预处理算法，用于将未知样本归一化到训练集分布，从而有效缓解过拟合问题，并显著增加了自动地面实况标注的数量	NA	旨在解决医学图像解释领域中，由于生成地面实况的高成本和时间消耗以及图像质量不一致性导致的深度学习进展受阻问题	高分辨率全切片显微图像	数字病理学	NA	深度学习	NA	图像	未标注数据集的自动标签接受率为92%，标注数据集扩展了845%
23393	2024-08-07	Research on Fatigue Driving Detection Technology Based on CA-ACGAN 2024-Apr-27, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci14050436 PMID:38790415	研究论文	本研究提出了一种基于条件生成对抗网络与分类头结合卷积和注意力机制（CA-ACGAN）的疲劳驾驶检测技术，通过分析脑电图（EEG）信号来精确识别疲劳驾驶状态	本研究引入了CA-ACGAN框架，结合注意力机制、瓶颈残差块和Transformer元素，显著改进了EEG信号的处理，并通过生成高质量合成数据解决了真实数据稀缺的问题	NA	提高道路安全，通过先进的疲劳监测方法减少驾驶疲劳带来的交通风险	疲劳驾驶状态的识别	机器学习	NA	EEG信号分析	CA-ACGAN	脑电图（EEG）信号	使用SEED-VIG公共数据集进行实验
23394	2024-08-07	A Novel Mis-Seg-Focus Loss Function Based on a Two-Stage nnU-Net Framework for Accurate Brain Tissue Segmentation 2024-Apr-26, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050427 PMID:38790294	research paper	本文提出了一种基于两阶段nnU-Net框架的新型误分割聚焦损失函数，用于提高脑组织分割的准确性	本文创新性地提出了一种两阶段nnU-Net框架，通过全局损失函数识别误分割区域，并使用误分割损失函数自适应调整模型，以更好地处理模糊边界和重叠的解剖结构	NA	提高脑组织分割的准确性	脑组织分割	computer vision	NA	NA	nnU-Net	image	两个数据集
23395	2024-08-07	Cancerous and Non-Cancerous MRI Classification Using Dual DCNN Approach 2024-Apr-23, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050410 PMID:38790279	研究论文	本研究提出了一种双深度卷积神经网络（DCNN）模型，用于准确分类癌症和非癌症的MRI样本	本研究引入了双DCNN模型，结合inceptionV3和denseNet121两个深度学习模型，通过全局最大池化层提取特征，并使用五个全连接层进行训练，以提高分类准确性	NA	开发一种高效的系统，用于通过医学影像特别是MRI分析大量医疗数据，以实现早期肿瘤检测	癌症和非癌症的MRI样本	计算机视觉	脑癌	深度学习（DL），深度卷积神经网络（DCNN）	双DCNN模型，包括inceptionV3和denseNet121	MRI图像	NA
23396	2024-08-07	Accurate single-molecule spot detection for image-based spatial transcriptomics with weakly supervised deep learning 2024-Feb-05, bioRxiv : the preprint server for biology DOI:10.1101/2023.09.03.556122 PMID:37732188	研究论文	本文介绍了Polaris，一个用于基于图像的空间转录组学的分析流程，结合深度学习模型进行细胞分割和点检测，并通过概率基因解码器准确量化单细胞基因表达	Polaris提供了一个统一的、即插即用的解决方案，用于分析来自MERFSIH、seqFISH或ISS实验的空间转录组学数据	NA	开发一个自动化的分析流程，用于基于图像的空间转录组学数据分析	基于图像的空间转录组学数据	计算机视觉	NA	深度学习	深度学习模型	图像	NA
23397	2024-08-07	Optimizing Deep Learning-Based Segmentation of Densely Packed Cells using Cell Surface Markers 2023-Sep-26, Research square DOI:10.21203/rs.3.rs-3307496/v1 PMID:37841876	研究论文	本文评估并优化了基于深度学习的细胞分割模型在免疫荧光图像上的性能，特别是在人类单纯疱疹病毒感染的皮肤组织中的应用	通过选择最佳模型并进一步训练，提高了预测性能，达到了与人类表现相当的水平	最终模型的性能不完美，主要归因于图像集中适度的信噪比	优化基于深度学习的细胞分割模型，以提高在密集组织中的细胞识别和定量	评估和优化18种基于深度学习的细胞分割模型在免疫荧光图像上的性能	计算机视觉	NA	深度学习	CNN	图像	使用了两组公共图像集和一组包含10,000+训练实例的当前图像集
23398	2024-08-07	Deep-Masker: A Deep Learning-based Tool to Assess Chord Length from Murine Lung Images 2023-08, American journal of respiratory cell and molecular biology IF:5.9Q1 DOI:10.1165/rcmb.2023-0051MA PMID:37236629	研究论文	本文介绍了一种基于深度学习的工具Deep-Masker，用于自动评估小鼠肺部图像中的弦长	Deep-Masker通过自动化的深度学习算法，提高了评估弦长的准确性和效率，减少了人工操作的变异性和偏差	NA	开发一种自动化的工具，以标准化小鼠肺部疾病模型中弦长的测量	小鼠肺部图像中的弦长	计算机视觉	慢性阻塞性肺疾病	深度学习	NA	图像	1217张图像来自137只小鼠，涉及12个品系，暴露于室内空气或香烟烟雾6个月
23399	2024-08-07	Wide and deep learning based approaches for classification of Alzheimer's disease using genome-wide association studies 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0283712 PMID:37126509	research paper	本研究利用全基因组关联研究数据，通过基于关联测试、主成分分析和Boruta算法的混合特征选择方法，筛选出阿尔茨海默病的潜在预测因子，并将其输入到宽深神经网络模型中进行分类	提出了一种基于关联测试、主成分分析和Boruta算法的混合特征选择方法，并使用宽深神经网络模型进行分类，实验结果显示该方法在标准数据集上的准确率和F1分数达到99%	NA	旨在通过基因组数据准确诊断阿尔茨海默病，并识别影响该疾病的关键因素	阿尔茨海默病及其相关基因	machine learning	geriatric disease	GWAS	wide and deep neural network	genetic markers	包含620901个属性的原始数据集
23400	2024-08-07	Identifying Barriers to Post-Acute Care Referral and Characterizing Negative Patient Preferences Among Hospitalized Older Adults Using Natural Language Processing 2022, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:37128417	研究论文	本研究利用自然语言处理技术识别住院老年患者接受急性后护理的障碍，并分析患者的负面偏好	开发了一种自然语言处理分类器，用于识别最高价值的急性后护理障碍类别，即患者的负面偏好，并比较了多种机器学习模型，包括深度学习模型	研究样本仅包括594份急性护理笔记，来自100名患者，可能影响结果的普遍性	旨在检测住院老年患者接受急性后护理的常见障碍	住院老年患者的临床笔记	自然语言处理	NA	自然语言处理	深度学习模型	文本	594份急性护理笔记，来自100名患者