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
23621	2024-08-05	Data-driven Design of High Pressure Hydride Superconductors using DFT and Deep Learning 2024, Materials futures IF:12.0Q1 DOI:10.1088/2752-5724/ad4a94 PMID:38841205	研究论文	本文利用密度泛函理论(DFT)和深度学习方法设计高压氢化物超导体	结合DFT和图神经网络(GNN)建立高压氢化物的更完整地图，并加速筛选过程	在高压范围内预测材料的稳定性有其局限性，具体模型的普适性需要进一步验证	探究高压氢化物超导体的发现方法	超过900种氢化物材料的临界温度预测	材料科学	NA	DFT	GNN	材料结构数据	900种氢化物材料
23622	2024-08-05	Deep Network-Based Comprehensive Parotid Gland Tumor Detection 2024-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.04.028 PMID:37271636	研究论文	本文介绍了一种基于深度学习的腮腺肿瘤自动分割方法	提出了一种新的深度学习架构，用于腮腺肿瘤分割，替代传统的人工分割方法	研究可能受限于样本数量及模型训练的多样性	本研究旨在开发一种自动化的腮腺肿瘤分割系统	研究对象为腮腺肿瘤的T1-w、T1C-w和T2-w的磁共振影像	数字病理学	NA	磁共振成像（MRI）	ResNet18和Xception-based DeepLab v3+	影像	共306张磁共振影像（102张T1-w，102张对比增强T1-w，102张T2-w）
23623	2024-08-05	Swin Transformer and the Unet Architecture to Correct Motion Artifacts in Magnetic Resonance Image Reconstruction 2024, International journal of biomedical imaging IF:3.3Q2 DOI:10.1155/2024/8972980 PMID:38725808	研究论文	本文提出了一种基于深度学习的方法，用于校正运动伪影，从而加速磁共振成像的数据采集和重建	提出了Motion Artifact Correction by Swin Network (MACS-Net)模型，该模型结合了Swin transformer和Unet架构，并引入了双上采样技术	本文未提及具体的局限性	研究旨在提高磁共振成像过程中运动伪影的校正效果	研究对象为含有运动伪影的原始磁共振成像数据集	计算机视觉	NA	深度学习	Swin transformer, Unet	成像数据	包含运动伪影的多种受试者的原始磁共振成像数据集
23624	2024-08-07	Editorial: Deep learning approaches applied to spectral images for plant phenotyping 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1425310 PMID:38845848	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
23625	2024-08-05	Few-Shot Fault Diagnosis Based on an Attention-Weighted Relation Network 2023-Dec-24, Entropy (Basel, Switzerland) DOI:10.3390/e26010022 PMID:38248148	研究论文	提出了一种基于注意力加权关系网络的故障诊断方法，以实现小样本数据的故障检测和分类	引入了注意力加权机制以增强特征提取的代表性，并在少样本学习中应用关系网络	没有讨论方法在更大规模数据集上的表现和可扩展性	应对气动控制阀故障诊断中对大量标注训练数据的依赖问题	气动控制阀故障诊断	机器学习	NA	深度学习	注意力加权关系网络	时间域信号	使用了DA阀故障数据集和PU滚动轴承故障数据集进行实验
23626	2024-08-05	Multi-Modal Ensemble Deep Learning in Head and Neck Cancer HPV Sub-Typing 2023-Dec-23, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11010013 PMID:38247890	研究论文	本研究探讨了基于深度学习的图像解读方法在头颈癌HPV亚型检测中的准确性	提出了一种基于3D CNN的多模态特征融合架构，用于HPV状态预测	未来需要进行更大规模的队列验证以提高诊断准确性	研究头颈癌患者中HPV状态的自动检测以影响治疗决策	主要针对口咽鳞状细胞癌（OPSCC）患者的HPV状态	计算机视觉	头颈癌	CT和PET图像	3D CNN	图像	使用了公开可得的TCGA和MAASTRO数据集
23627	2024-08-05	A Real-Time Defect Detection Strategy for Additive Manufacturing Processes Based on Deep Learning and Machine Vision Technologies 2023-Dec-22, Micromachines IF:3.0Q2 DOI:10.3390/mi15010028 PMID:38258148	研究论文	本文提出了一种基于深度学习和机器视觉的实时缺陷检测技术，用于增材制造过程的监控	采用改进的YOLOv8算法训练缺陷检测模型，能够识别和评估缺陷图像	未提及此方法在其他增材制造过程中的适应性和普遍性	实现增材制造过程中的实时缺陷检测与监控	针对挤出3D打印过程进行缺陷检测	数字病理学	NA	深度学习	YOLOv8	图像	3550张图像
23628	2024-08-05	Segmentation of Substantia Nigra in Brain Parenchyma Sonographic Images Using Deep Learning 2023-Dec-19, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10010001 PMID:38276318	研究论文	本文探讨了一种基于深度学习的自动分割方法，用于脑实质超声图像中的黑质分割	本文提出了一种新的自动分割方法，并实现了黑质分割的最新性能	样本数量和数据集仍需进一步丰富	研究脑实质超声图像中的黑质的自动分割技术	使用新数据集的脑实质超声图像	计算机视觉	帕金森病	深度学习	修改版U-Net网络	超声图像	NA
23629	2024-08-05	Fusion Networks of CNN and Transformer with Channel Attention for Accurate Tumor Imaging in Magnetic Particle Imaging 2023-Dec-19, Biology DOI:10.3390/biology13010002 PMID:38275723	研究论文	提出了一种结合CNN和Transformer的深度学习网络，以改善磁粒子成像中的肿瘤成像质量	创新性地将CNN和Transformer结合使用，并引入通道注意机制来同时提取图像的局部和全局特征	缺乏对不同噪音水平下的普适性测试	改善磁粒子成像技术中图像重建的清晰度及肿瘤量化的准确性	聚焦于肿瘤图像的重建和量化	计算机视觉	肿瘤	磁粒子成像	CNN和Transformer	图像	NA
23630	2024-08-05	Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts 2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-43898-1_54 PMID:38840671	研究论文	本文提出了一种名为MORSE的隐式神经渲染框架，旨在通过解剖级别的学习辅助医学图像分割	此方法通过将医学图像分割视为渲染问题，结合了隐式神经表示和混合专家机制，以加强对边界区域的细化	本文未详细讨论隐式神经渲染在实际应用中的通用性与鲁棒性	研究旨在提高医学图像分割中的特征建模能力	本文研究对象为医学图像及其分割	数字病理学	NA	深度学习	Mixture-of-Expert (MoE)	图像	NA
23631	2024-08-05	Mapping the Spatial Extent of Hypoperfusion in Chronic Thromboembolic Pulmonary Hypertension Using Multienergy CT 2023-Aug, Radiology. Cardiothoracic imaging DOI:10.1148/ryct.220221 PMID:37693197	研究论文	本研究评估了一种新型自动化方法，以在多能CT血管造影中空间描绘和量化慢性血栓栓塞性肺动脉高压（CTEPH）中的低灌注程度	提出了一种利用多能CT影像自动识别和定量低灌注区域的新方法	本研究为回顾性分析，样本量有限，可能影响结果的普遍适用性	旨在评估通过多能CT影像量化低灌注区域能否帮助评估CTEPH的疾病严重程度	51名CTEPH患者与110名无肺血管异常影像的健康对照	数字病理学	慢性血栓栓塞性肺动脉高压	多能CT	深度学习	影像	51名CTEPH患者与110名健康对照
23632	2024-08-05	Automatic Surgical Skill Assessment System Based on Concordance of Standardized Surgical Field Development Using Artificial Intelligence 2023-08-01, JAMA surgery IF:15.7Q1 DOI:10.1001/jamasurg.2023.1131 PMID:37285142	研究论文	本文开发了一种基于人工智能的自动化外科技能评估系统	提出了一种通过深度学习模型识别标准化外科领域的方法，并评估其在自动外科技能评估中的可行性	本研究使用的样本仅限于日本的内镜外科视频，可能影响适用性	旨在开发能够识别标准化外科领域的深度学习模型	研究对象为在内镜下进行的乙状结肠切除术的视频	计算机视觉	NA	深度学习	NA	视频	共650个内部手术视频，其中60个用于模型构建，60个用于验证
23633	2024-08-05	Review of Performance Improvement of a Noninvasive Brain-computer Interface in Communication and Motor Control for Clinical Applications 2023, Juntendo Iji zasshi = Juntendo medical journal DOI:10.14789/jmj.JMJ23-0011-R PMID:38846633	综述	本文综述了非侵入性脑机接口（BCI）在通信和运动控制中的性能提升及其临床应用	通过总结近年来BCI系统的进展，强调了临床应用中的关键挑战和潜在解决方案	医学BCI领域的训练样本有限，因此深度学习模型没有得到充分利用	研究非侵入性BCI系统在临床应用中的性能提升与挑战	主要针对非侵入性脑机接口的进展和临床应用进行总结	计算机视觉	NA	EEG	深度学习模型	EEG数据	样本量有限，主要针对困难生成EEG数据的患者
23634	2024-08-05	Deep learning automates detection of wall motion abnormalities via measurement of longitudinal strain from ECG-gated CT images 2022, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2022.1009445 PMID:36588550	研究论文	本文展示了一种深度学习框架能够自动和准确地测量纵向应变，以检测心壁运动异常	提出了一种新的自动化方法，通过深度学习进行左心室血池分割和纵向成像平面的描绘	样本数量有限且仅在训练和测试队列中评估	研究使用深度学习框架自动测量纵向应变以检测心壁运动异常的能力	分析了100个临床cineCT研究中心脏的AHA段是否存在运动异常	数字病理学	心血管疾病	深度学习	卷积神经网络	CT图像	100个临床cineCT研究
23635	2024-08-05	Detection of left ventricular wall motion abnormalities from volume rendering of 4DCT cardiac angiograms using deep learning 2022, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2022.919751 PMID:35966529	研究论文	本研究开发并评估了利用深度学习从动态体积渲染的4DCT心脏血管造影中检测左心室壁运动异常的能力	提出了一种基于深度学习的方案，通过动态体积渲染视频提高左心室壁运动异常的检测准确性	研究仅依赖于回顾性评估，样本来源于单一中心，可能存在一定的选择偏倚	研究旨在提高心血管疾病患者左心室壁运动异常的检测准确性	研究对象为343个ECG门控的心脏4DCT研究	计算机视觉	心血管疾病	4DCT	深度学习 (DL)，包括Inception网络和长短期记忆网络 (LSTM)	视频	343个心脏4DCT研究
23636	2024-08-05	Octree Representation Improves Data Fidelity of Cardiac CT Images and Convolutional Neural Network Semantic Segmentation of Left Atrial and Ventricular Chambers 2021-Nov, Radiology. Artificial intelligence DOI:10.1148/ryai.2021210036 PMID:34870221	研究论文	本研究评估了八叉树表示法及其在心脏CT图像语义分割中的应用。	提出了八叉树基础的卷积神经网络（OctNet），提高了分割精度，并减少了内存占用。	只研究了100名患者的数据，可能缺乏广泛的适用性。	提高三维心脏CT图像分割的准确性。	对100名接受心脏CT血管成像的患者进行数据评估。	计算机视觉	心血管疾病	卷积神经网络（CNN）	OctNet	图像	100名患者的心脏CT图像
23637	2024-08-05	Automated cardiac volume assessment and cardiac long- and short-axis imaging plane prediction from electrocardiogram-gated computed tomography volumes enabled by deep learning 2021-Jun, European heart journal. Digital health DOI:10.1093/ehjdh/ztab033 PMID:34223176	研究论文	本文开发了一种用于心脏CT的自动化血池分割和成像平面重新切片的方法	利用深度学习自动化评估心脏的多个腔体，并能沿标准化成像平面重新切片以进行功能评估	未提及具体的限制因素	研究旨在为冠状动脉疾病的心脏运动评估开发一个临床应用的方法	研究对象为100名接受心脏CT扫描的患者	计算机视觉	冠状动脉疾病	深度学习	NA	图像	100名患者进行训练，144名患者进行测试
23638	2024-08-05	CDK: A novel high-performance transfer feature technique for early detection of osteoarthritis 2024-Dec, Journal of pathology informatics DOI:10.1016/j.jpi.2024.100382 PMID:38840834	研究论文	这篇文章介绍了一种新颖的酬载学习方法，用于从X射线图像中提取特征以提高骨关节炎的检测精度	该研究提出了一种新颖的CDK集成模型，将两种先进的机器学习模型与深度学习方法结合，以显著地提高骨关节炎的检测准确性	传统的诊断方法在准确性和客观性方面存在局限性	研究的目的是改进骨关节炎的早期检测和分类	研究对象为总计3615个膝关节X射线图像的公开数据集	机器学习	骨关节炎	NA	CNN, 决策树, K-最近邻分类器	图像	3615个膝关节X射线图像
23639	2024-08-05	Developing a regional scale construction and demolition waste landfill landslide risk rapid assessment approach 2024-Jul-15, Waste management (New York, N.Y.) DOI:10.1016/j.wasman.2024.05.042 PMID:38810396	研究论文	本文提出了一种创新的方法，以快速评估区域范围内的建筑和拆除垃圾填埋场滑坡风险	本研究利用深度学习模型快速定位可疑填埋场并开发基于环境因素的风险评估模型	现有研究主要集中在单个填埋场的风险评估，缺乏对多个填埋场的快速评估能力	旨在通过整合计算机视觉和环境分析来提高填埋场滑坡风险评估的有效性	研究对象包括位于深圳的52个可疑建筑和拆除垃圾填埋场	数字路径学	NA	深度学习	NA	环境数据	52个可疑垃圾填埋场
23640	2024-08-05	Automatic 3D left atrial strain extraction framework on cardiac computed tomography 2024-Jul, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108236 PMID:38776829	研究论文	该研究提出了一种基于深度学习的全自动框架，用于从心脏CT图像中提取三维左心房应变	这是首个完全自动化的深度学习框架，针对心脏CT的三维左心房应变提取	该研究主要集中在少数病例上，可能需进一步验证其通用性	旨在改进左心房功能评估方法，提供超越超声心动图的评估手段	111名接受心电图门控对比增强CT检查的患者	数字病理学	心房颤动	CT, 深度学习	GN-U-Net	图像	111名患者