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
24381	2024-08-07	Understanding the Disparities of PM2.5 Air Pollution in Urban Areas via Deep Support Vector Regression 2024-May-14, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c09177 PMID:38698567	研究论文	本文提出了一种深度支持向量回归（DSVR）模型，用于理解城市地区PM2.5空气污染的差异	DSVR模型将城市区域建模为图，利用随机扩散的深度学习方法量化PM2.5的溢出效应，通过随机漫步揭示节点间更广泛的溢出关系，从而捕捉PM2.5的局部和非局部溢出效应	NA	旨在提高对城市地区PM2.5空气污染差异的理解	城市地区的PM2.5空气污染	机器学习	NA	深度支持向量回归（DSVR）	图模型	图数据	在纽约北部地区进行预测性能分析
24382	2024-08-07	Accurate object localization facilitates automatic esophagus segmentation in deep learning 2024-May-12, Radiation oncology (London, England) DOI:10.1186/s13014-024-02448-z PMID:38735947	研究论文	本文通过先定位后分割的策略，改进了深度学习中食管自动分割的性能	采用两阶段策略，先使用CenterNet定位食管中心，再使用3D U-net和2D U-net模型进行分割，提高了分割模型的鲁棒性	3D U-net模型在减少错误分割对象的同时，也增加了遗漏对象的情况	提高深度学习中食管自动分割的性能	食管的自动分割	计算机视觉	NA	NA	CNN	图像	100例胸腔CT扫描数据
24383	2024-08-07	Enhancing brain tumor detection in MRI images through explainable AI using Grad-CAM with Resnet 50 2024-May-11, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01292-7 PMID:38734629	研究论文	本研究通过结合ResNet50深度学习模型和Gradient-weighted Class Activation Mapping（Grad-CAM）技术，提出了一种用于MRI图像中脑肿瘤检测的可解释AI框架	本研究引入了Grad-CAM技术，提供了一种透明且可解释的脑肿瘤检测方法，增强了模型的可解释性	NA	提高MRI图像中脑肿瘤检测的准确性和可解释性	脑肿瘤检测	计算机视觉	脑肿瘤	Grad-CAM	ResNet50	图像	使用了经过数据增强的MRI图像数据集
24384	2024-08-07	Enhancing cervical cancer detection and robust classification through a fusion of deep learning models 2024-05-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-61063-w PMID:38734714	研究论文	本文介绍了一种利用预训练的深度神经网络模型进行特征提取，并结合多种机器学习算法进行宫颈癌分类的新方法	该方法通过融合深度学习和机器学习技术，提高了宫颈癌检测的准确性和效率	NA	提高宫颈癌检测的准确性和效率	宫颈癌	机器学习	宫颈癌	深度学习	Alexnet, Resnet-101, Resnet-152, InceptionV3	图像	使用了公开的SIPaKMeD数据集
24385	2024-08-07	Deep learning segmentation of non-perfusion area from color fundus images and AI-generated fluorescein angiography 2024-05-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-61561-x PMID:38734727	研究论文	本研究探讨了使用深度学习模型从彩色眼底图像中检测非灌注区域（NPA），并评估了从彩色眼底图像生成的合成荧光素血管造影（FA）的效用	本研究创新性地使用深度学习模型从彩色眼底图像中检测NPA，避免了侵入性和繁重的FA评估方法，并探索了合成FA的实用性	尽管深度学习模型能以合理准确度检测NPA，但预测稳定性稍低，彩色眼底模型显示出比其他模型更高的不确定性	研究目的是开发一种非侵入性的方法来评估分支视网膜静脉阻塞（BRVO）患者的视网膜非灌注区域	研究对象为319名BRVO患者的403组彩色眼底和FA图像	计算机视觉	视网膜疾病	深度学习	CNN	图像	403组彩色眼底和FA图像，来自319名BRVO患者
24386	2024-08-07	Deep learning-based classification of anti-personnel mines and sub-gram metal content in mineralized soil (DL-MMD) 2024-May-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-60592-8 PMID:38734748	研究论文	本文提出了一种基于深度学习的脉冲感应金属地雷探测器（DL-MMD）架构，用于提高地雷探测系统的准确性和效率	利用深度神经网络区分九种不同材料，实现了93.5%的验证准确率，能够区分无金属板的人体地雷并检测0.2克垂直纸针	NA	提高地雷探测系统的准确性和效率	人体地雷和微量金属含量的矿化土壤	机器学习	NA	深度学习	深度神经网络	材料数据	九种不同材料
24387	2024-08-07	Dense Sample Deep Learning 2024-May-10, Neural computation IF:2.7Q3 DOI:10.1162/neco_a_01666 PMID:38669696	研究论文	本文探讨了深度学习在密集样本任务中的应用，通过大规模深度学习网络分析了类别结构和特征构建的涌现过程	提出了一种基于结果的复杂特征构建新理论	训练集的组合复杂性未知，且网络机制难以通过可视化揭示	深入理解深度学习网络的学习机制和表示方法	深度学习网络在密集样本任务中的表现	机器学习	NA	深度学习	CNN	文本	1.24百万权重VGG网络，5个独特标记，每个标记超过500个样本
24388	2024-08-07	InsectSound1000 An insect sound dataset for deep learning based acoustic insect recognition 2024-May-09, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03301-4 PMID:38724595	research paper	介绍了一个名为InsectSound1000的数据集，包含超过169000个标记的昆虫声音样本，用于基于深度学习的声学昆虫识别	InsectSound1000数据集具有显著的规模和高质量录音，可用于训练数据需求量大的深度学习模型	NA	探索声学昆虫识别技术，为自动化害虫监测和生态监测提供基础	12种昆虫的声音样本	machine learning	NA	深度学习	深度学习模型	声音	超过169000个标记的声音样本，来自超过1000小时的录音
24389	2024-08-07	Deep Learning-Based Design Method for Acoustic Metasurface Dual-Feature Fusion 2024-May-06, Materials (Basel, Switzerland) DOI:10.3390/ma17092166 PMID:38730972	研究论文	本文提出了一种基于深度学习的声学超表面双特征融合设计方法	首次采用集成学习方法构建超表面物理结构参数与声场之间的正向映射关系模型，并提出基于卷积神经网络的双特征融合模型（DFCNN）	NA	旨在快速准确地设计声学超表面	声学超表面的物理结构参数与声场之间的关系	机器学习	NA	深度学习	卷积神经网络	声场数据	90%的集成学习模型误差小于3 dB，93%的DFCNN模型误差小于5 dB
24390	2024-08-07	Identification of Novel Regulators of Leaf Senescence Using a Deep Learning Model 2024-May-05, Plants (Basel, Switzerland) DOI:10.3390/plants13091276 PMID:38732491	研究论文	本文开发了一种名为DEGRN的深度学习模型，用于解析植物基因相互作用，并通过大量RNA-Seq和scRNA-Seq数据成功识别了大量高质量的基因交互作用。	DEGRN模型能够利用高维表达数据，揭示包括叶片衰老在内的复杂生物过程中的新型调控因子。	NA	探索和解析植物基因调控网络，特别是叶片衰老过程中的基因相互作用。	植物基因调控网络，特别是转录因子及其目标基因在叶片衰老过程中的作用。	机器学习	NA	RNA-Seq	深度学习模型	表达数据	涉及1430个转录因子和13,739个非转录因子基因，共3,053,363个高质量交互作用。
24391	2024-08-07	Computed tomography-based 3D convolutional neural network deep learning model for predicting micropapillary or solid growth pattern of invasive lung adenocarcinoma 2024-May, La Radiologia medica DOI:10.1007/s11547-024-01800-3 PMID:38512613	研究论文	研究基于CT的深度学习模型预测侵袭性肺腺癌中的微乳头状或实性生长模式	使用自步学习3D网络模型，该模型在预测侵袭性肺腺癌的微乳头状或实性生长模式方面表现优于其他模型	NA	探讨基于CT的深度学习模型预测侵袭性肺腺癌中微乳头状或实性生长模式的价值	侵袭性肺腺癌患者的CT扫描图像	计算机视觉	肺腺癌	深度学习	3D卷积神经网络	图像	617名侵袭性肺腺癌患者用于训练和内部验证，353名患者用于外部验证
24392	2024-08-07	A Novel Method for the Object Detection and Weight Prediction of Chinese Softshell Turtles Based on Computer Vision and Deep Learning 2024-May-01, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani14091368 PMID:38731372	研究论文	本文提出了一种基于计算机视觉和深度学习的新方法，用于中国软壳龟的目标检测和重量预测	本文提出了一种颜色空间模型来有效分离龟与背景，并使用改进的深度学习目标检测网络提取龟甲和背甲的特征，实现了高精度的检测结果	NA	研究自动化龟分类中的视觉识别和重量预测	中国软壳龟	计算机视觉	NA	深度学习	CNN	图像	未具体说明样本数量
24393	2024-08-07	The Integration of Deep Learning in Radiotherapy: Exploring Challenges, Opportunities, and Future Directions through an Umbrella Review 2024-Apr-30, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090939 PMID:38732351	综述	本研究通过叙述性综述探讨了深度学习（DL）在放射治疗领域的变革性影响，特别是在COVID-19大流行加速发展的情况下。	研究强调了DL算法在优化治疗计划、图像分析和患者结果预测方面的革命性潜力。	研究指出需要进一步探索特定研究领域以解锁DL技术的全部能力。	探讨深度学习在放射治疗中的挑战、机遇和未来方向。	研究对象包括深度学习算法在放射治疗中的应用及其对患者护理和治疗策略的影响。	机器学习	NA	深度学习	NA	图像	NA
24394	2024-08-07	Deep Learning-Based Classification and Semantic Segmentation of Lung Tuberculosis Lesions in Chest X-ray Images 2024-Apr-30, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090952 PMID:38732366	研究论文	本文提出了一种基于深度学习网络的方法，用于检测和语义分割胸部X光图像中的两种特定类型的肺结核病变	使用多种U-Net模型的增强版本和集成方法，以提高病变分类和分割的准确性	NA	开发一种辅助临床医生检查胸部X光图像中肺结核病变的诊断工具	胸部X光图像中的肺结核病变	计算机视觉	肺结核	深度学习	U-Net, Attention U-Net, U-Net++, Attention U-Net++, PSP Attention U-Net++	图像	110训练图像，14验证图像，98测试图像
24395	2024-08-07	Analysis and Comparison of New-Born Calf Standing and Lying Time Based on Deep Learning 2024-Apr-29, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani14091324 PMID:38731328	research paper	本研究提出了一种基于深度学习的计算机视觉方法，用于非侵入性地监测新生牛犊的站立和躺卧行为	使用YOLOv8n模型进行行为检测，实现了高精度和快速推理	NA	旨在通过自动测量牛犊的站立和躺卧时间来了解其健康状况	新生牛犊的站立和躺卧行为	computer vision	NA	深度学习	YOLOv8n	视频	六头牛犊，连续六天
24396	2024-08-07	A Multi-Stage Approach for Cardiovascular Risk Assessment from Retinal Images Using an Amalgamation of Deep Learning and Computer Vision Techniques 2024-Apr-29, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090928 PMID:38732342	研究论文	本文提出了一种利用深度学习和计算机视觉技术从视网膜图像中评估心血管风险的多阶段方法	该研究结合了手工特征和人工智能模型提取的视网膜血管模式，以提高心血管疾病风险预测的准确性和可靠性	未来的工作将集中在提高解决方案的稳健性，探索额外的风险因素，并在更多样化的临床环境中验证其性能	开发一种用于早期检测心血管疾病的预测模型，通过评估视网膜血管参数	视网膜图像和血管参数	计算机视觉	心血管疾病	深度学习	二元分类模型	图像	包含临床试验中的眼底图像和全面元数据的数据集
24397	2024-08-07	Accurate categorization and rapid pathological diagnosis correction with Micro-Raman technique in human lung adenocarcinoma infiltration level 2024-Apr-29, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-24-168 PMID:38736487	研究论文	本研究探讨了使用微拉曼技术对人类肺腺癌浸润程度进行精确分类和快速病理诊断校正的方法	本研究采用了微拉曼技术结合卷积神经网络模型，提供了一种快速、精确且临床相关的分析方法，显著提高了诊断的准确性和一致性	NA	旨在开发和验证一种针对不同浸润程度的肺腺癌病理诊断的工作流程	人类肺腺癌样本	数字病理	肺腺癌	微拉曼技术	CNN	组织图像	具体样本数量未在摘要中提及
24398	2024-08-07	Development and validation of a deep learning-based model to predict response and survival of T790M mutant non-small cell lung cancer patients in early clinical phase trials using electronic medical record and pharmacokinetic data 2024-Apr-29, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-23-737 PMID:38736496	研究论文	开发并验证了一种基于深度学习的模型，用于预测T790M突变型非小细胞肺癌患者在早期临床试验中的反应和生存率，使用电子病历和药代动力学数据	结合了混合专家模型（MoE）和Cox算法，能够预测疗效并细分EGFR突变型非小细胞肺癌患者的生存情况	NA	开发一种新的工具，补充EGFR基因型检测，以预测第三代EGFR-TKI治疗的疗效并细分EGFR突变患者的预后	T790M突变型非小细胞肺癌患者	机器学习	肺癌	深度学习	混合专家模型（MoE）和Cox算法	电子病历和药代动力学数据	326名T790M突变型非小细胞肺癌患者
24399	2024-08-07	Innovative Machine Learning Strategies for Early Detection and Prevention of Pregnancy Loss: The Vitamin D Connection and Gestational Health 2024-Apr-28, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090920 PMID:38732334	研究论文	本研究利用机器学习技术提高早期妊娠丢失（EPL）的预测准确性，并区分正常妊娠与高风险妊娠	采用深度学习和多层感知器等先进机器学习模型，以及线性判别分析和二次判别分析算法，实现了高达98%的预测准确率	NA	提高早期妊娠丢失的预测准确性，改善妊娠健康结果	早期妊娠丢失及妊娠健康	机器学习	妊娠疾病	机器学习	深度学习, 多层感知器, 线性判别分析, 二次判别分析	数值数据	未明确提及具体样本数量
24400	2024-08-07	Promoting Artificial Intelligence for Global Breast Cancer Risk Prediction and Screening in Adult Women: A Scoping Review 2024-Apr-25, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm13092525 PMID:38731054	综述	本文通过范围综述探讨了人工智能技术在乳腺癌风险预测和筛查中的应用及其面临的障碍	本文介绍了多种人工智能技术和模型在乳腺癌风险检测和预防中的应用	研究中存在缺乏外部效度和有限的可推广性，以及由于样本量小或数据缺失导致的偏倚问题	旨在识别在应用创新人工智能技术进行乳腺癌风险预测和促进筛查行为中遇到的障碍	成人女性乳腺癌风险预测和筛查	机器学习	乳腺癌	机器学习和深度学习模型	ML-DL模型	NA	研究中存在样本量小或数据缺失的问题