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
9801	2024-12-28	Dynamic Structure-Aware Modulation Network for Underwater Image Super-Resolution 2024-Dec-19, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics9120774 PMID:39727778	研究论文	本文提出了一种动态结构感知调制网络（DSMN），用于高效且准确的水下图像超分辨率	提出了一种结合结构感知Transformer块和多头Transformer块的混合Transformer，以及动态信息调制模块（DIMM）和混合注意力融合模块（HAFM），以增强水下图像恢复的细节	未提及具体局限性	解决水下图像超分辨率问题，提升图像恢复质量	水下图像	计算机视觉	NA	深度学习	Transformer, DSMN	图像	基准数据集
9802	2024-12-28	DSE-HNGCN: Predicting the frequencies of drug-side effects based on heterogeneous networks with mining interactions between drugs and side effects 2024-Dec-16, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168916 PMID:39694183	研究论文	本文提出了一种基于异质网络的DSE-HNGCN方法，用于预测药物副作用频率	首次利用异质网络同时建模药物与副作用之间的多种关系，并引入层重要性组合策略以解决图卷积网络中的过平滑问题	未提及具体的数据集规模或实验环境的限制	提高药物副作用频率预测的准确性	药物与副作用之间的关系	机器学习	NA	多层图卷积网络	GCN	网络数据	NA
9803	2024-12-28	An Ensemble Deep Learning Approach for EEG-Based Emotion Recognition Using Multi-Class CSP 2024-Dec-14, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics9120761 PMID:39727765	研究论文	本文提出了一种基于EEG信号的情绪识别方法，使用多类CSP技术和集成深度学习模型	提出了一种新的多类CSP技术，并结合了三个带有CNN层的自编码器的集成模型，显著提高了情绪分类的准确率	数据集仅来自16名参与者，样本量较小，可能影响模型的泛化能力	通过EEG信号实现情绪识别，提升脑机接口（BCI）应用中的情绪检测可靠性	16名参与者的EEG信号，对应由音乐刺激引发的三种情绪状态（积极、消极、中性）	脑机接口	NA	多类CSP技术	集成模型（包含三个带有CNN层的自编码器）	EEG信号	16名参与者
9804	2024-12-28	Enhancing Sensitivity of Point-of-Care Thyroid Diagnosis via Computational Analysis of Lateral Flow Assay Images Using Novel Textural Features and Hybrid-AI Models 2024-Dec-13, Biosensors DOI:10.3390/bios14120611 PMID:39727875	研究论文	本研究通过利用纹理特征和混合人工智能模型，提高了侧流层析检测在甲状腺疾病诊断中的灵敏度和准确性	提出了一种改进的灰度共生矩阵（Averaged Horizontal Multiple Offsets Gray-Level Co-occurrence Matrix）用于计算生物传感器图像的纹理特征，并结合深度学习卷积神经网络（CNN）与传统机器学习模型，构建了混合人工智能模型	NA	提高侧流层析检测在甲状腺疾病诊断中的性能	甲状腺刺激激素生物标志物	数字病理学	甲状腺疾病	侧流层析检测	CNN, 混合人工智能模型	图像	NA
9805	2024-12-28	DAT: Deep Learning-Based Acceleration-Aware Trajectory Forecasting 2024-Dec-13, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10120321 PMID:39728218	研究论文	本文提出了一种基于深度学习的加速度感知轨迹预测模型（DAT），用于自动驾驶系统中的物体检测和轨迹预测	DAT模型的核心创新在于其新颖的预测模块，该模块利用加速度数据来增强轨迹预测，并考虑了多种代理运动模型	NA	提升自动驾驶系统的安全性，特别是通过改进物体检测和轨迹预测来预防潜在碰撞	自动驾驶系统中的车辆和行人	计算机视觉	NA	深度学习	DAT	传感器数据	NuScenes数据集
9806	2024-12-28	Deep learning insights into distinct patterns of polygenic adaptation across human populations 2024-Dec-11, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkae1027 PMID:39558170	研究论文	本文介绍了一种名为RAISING的两阶段深度学习框架，用于检测人类基因组中的多基因适应模式	RAISING框架通过超参数调优优化神经网络架构，并在特征选择和预测任务中表现出色，显著提高了检测遗传适应的真阳性率，并减少了计算时间	尽管RAISING在复杂的人口模拟中表现出色，但其在高维基因组数据中的计算挑战仍需进一步解决	研究人类基因组中多基因适应的不同模式	非洲、欧洲、南亚和东亚人群的基因组数据	机器学习	NA	深度学习	神经网络	基因组数据	非洲、欧洲、南亚和东亚人群的基因组数据
9807	2024-12-28	A multimodal ensemble approach for clear cell renal cell carcinoma treatment outcome prediction 2024-Dec-10, ArXiv PMID:39713797	研究论文	本文开发了一种多模态集成模型（MMEM），用于预测透明细胞肾细胞癌（ccRCC）患者的总体生存率（OS）和无病生存率（DFS）	首次开发了整合五种不同数据模态的多模态预测模型MMEM，用于ccRCC患者的预后预测	研究结果需要独立验证以确认其有效性	开发可靠的癌症预后模型，以个性化治疗ccRCC患者	透明细胞肾细胞癌（ccRCC）患者	数字病理学	肾癌	多组学数据分析，全切片图像（WSI）分析	多模态集成模型（MMEM），Cox比例风险模型（CPH），ResNet，UNI	临床信息，多组学数据，全切片图像（WSI）	226名来自TCGA-KIRC数据集的ccRCC患者
9808	2024-12-28	Toward Closing the Loop in Image-to-Image Conversion in Radiotherapy: A Quality Control Tool to Predict Synthetic Computed Tomography Hounsfield Unit Accuracy 2024-Dec-10, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10120316 PMID:39728213	研究论文	本文提出了一种基于深度学习的框架，用于预测合成CT图像的准确性，无需真实CT图像作为参考	首次提出了一种独立评估合成CT图像质量的策略，无需真实CT图像作为参考，并生成了逐片的体积图以预测平均绝对误差	研究仅在头颈癌患者的两组不同成像模态数据上进行训练和测试，样本量相对较小	开发一种用于预测合成CT图像准确性的工具，以支持放射治疗中的图像转换质量控制	头颈癌患者的MR和CBCT扫描数据	数字病理学	头颈癌	深度学习	级联多模型架构	图像	27例MR扫描和33例CBCT扫描
9809	2024-12-28	State-of-the-Art Deep Learning Methods for Microscopic Image Segmentation: Applications to Cells, Nuclei, and Tissues 2024-Dec-06, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10120311 PMID:39728208	综述	本文系统回顾了过去六年中用于显微图像分割的最先进深度学习方法，并分析了这些方法在细胞、细胞核和组织分割中的具体应用	本文首次系统性地总结了深度学习方法在显微图像分割中的最新进展，并指出了现有方法的不足和未来研究方向	本文主要关注过去六年的研究，可能未涵盖更早期的相关进展	探讨深度学习方法在显微图像分割中的应用，以提高诊断准确性和研究效率	细胞、细胞核和组织	数字病理	NA	深度学习	NA	图像	NA
9810	2024-12-28	UV Hyperspectral Imaging with Xenon and Deuterium Light Sources: Integrating PCA and Neural Networks for Analysis of Different Raw Cotton Types 2024-Dec-05, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10120310 PMID:39728207	研究论文	本研究评估了使用氙弧灯和氘灯的紫外高光谱成像技术在不同类型原棉分类和质量评估中的应用	结合主成分分析（PCA）和全连接神经网络，比较了氙弧灯和氘灯在紫外高光谱成像中的效果，并提高了分类准确率	研究仅针对特定类型的原棉和麻类植物，未涉及其他纺织材料	确定哪种光源在紫外高光谱成像中能更好地区分不同类型的原棉	原棉、麻类植物	计算机视觉	NA	紫外高光谱成像	全连接神经网络	图像	多种类型的原棉和麻类植物样本
9811	2024-12-28	Overview of Computational Toxicology Methods Applied in Drug and Green Chemical Discovery 2024-Dec-04, Journal of xenobiotics IF:6.8Q1 DOI:10.3390/jox14040101 PMID:39728409	综述	本文介绍了计算毒理学在药物和绿色化学发现中的应用，重点讨论了机器学习和深度学习方法	强调了机器学习和深度学习在毒理学领域的重要性，并介绍了多种计算毒理学方法	未提及具体方法的局限性	探讨计算毒理学在药物和绿色化学发现中的应用	化学结构和毒性预测	计算化学	NA	机器学习和深度学习	NA	化学结构数据	NA
9812	2024-12-28	Predicting the Performance of Students Using Deep Ensemble Learning 2024-Dec-03, Journal of Intelligence IF:2.8Q1 DOI:10.3390/jintelligence12120124 PMID:39728092	研究论文	本文提出了一种基于深度集成学习的方法来预测学生表现	提出了一种新的特征排序机制，并采用加权投票策略和参数优化技术来提高预测准确性	未提及具体的数据集规模或多样性限制	预测学生的学术表现，以提高学术成果并减少学生流失	学生	机器学习	NA	深度集成学习	深度神经网络	NA	NA
9813	2024-12-28	Electrocardiogram-Based Deep Learning to Predict Mortality in Repaired Tetralogy of Fallot 2024-Dec, JACC. Clinical electrophysiology DOI:10.1016/j.jacep.2024.07.015 PMID:39297841	研究论文	本研究开发并外部验证了一种基于深度学习的AI-ECG模型，用于预测修复性法洛四联症患者的5年死亡率	首次将AI-ECG分析应用于修复性法洛四联症患者的死亡率预测，并通过外部验证证明了其有效性	研究样本主要来自两个医疗中心，可能存在地域和人群的局限性	开发并验证一种AI-ECG模型，用于预测修复性法洛四联症患者的5年死亡率	修复性法洛四联症患者	机器学习	心血管疾病	深度学习	卷积神经网络（CNN）	心电图（ECG）	内部测试队列包括1,054名患者（13,077份ECG），外部验证队列包括335名患者（5,014份ECG）
9814	2024-12-28	Application and Prospects of Deep Learning Technology in Fracture Diagnosis 2024-Dec, Current medical science IF:2.0Q3 DOI:10.1007/s11596-024-2928-5 PMID:39551854	综述	本文综述了深度学习技术在骨折诊断中的最新研究进展，并探讨了其在该领域的应用价值	深度学习技术能够有效处理高维医学影像数据，优化骨折诊断的性能	NA	探讨深度学习技术在骨折诊断中的应用及其发展前景	骨折诊断	数字病理学	骨科疾病	深度学习	NA	医学影像	NA
9815	2024-12-28	Deep learning for early diagnosis of oral cancer via smartphone and DSLR image analysis: a systematic review 2024-Dec, Expert review of medical devices IF:2.9Q3 DOI:10.1080/17434440.2024.2434732 PMID:39587051	系统综述	本文综述了基于智能手机和DSLR图像分析的深度学习在口腔癌早期诊断中的应用	聚焦于手持AI工具，特别是卷积神经网络（CNNs）及其高级架构在口腔癌诊断中的影响	面临标注数据集有限和数据不平衡等挑战	探讨深度学习在口腔癌早期诊断中的应用及其效果	口腔癌	计算机视觉	口腔癌	深度学习	CNN, DenseNet121, VGG19, EfficientNet-B0, EfficientNet-B4, Inception-V4, Faster R-CNN	图像	25篇论文
9816	2024-12-28	Integrating Machine Learning in Metabolomics: A Path to Enhanced Diagnostics and Data Interpretation 2024-Dec, Small methods IF:10.7Q1 DOI:10.1002/smtd.202400305 PMID:38682615	研究论文	本文探讨了机器学习与代谢组学的结合，以提高代谢物识别、数据效率和诊断方法	提出了用于准确峰值识别、从代谢谱中进行稳健疾病分类以及改进代谢物注释的新算法，并展示了机器学习在多组学整合中的潜力	NA	提升代谢组学数据分析的效率和诊断方法的准确性	代谢组学数据	机器学习	NA	NMR, MS	深度学习, 传统机器学习	代谢组学数据	NA
9817	2024-12-28	Revolutionizing Epithelial Differentiability Analysis in Small Airway-on-a-Chip Models Using Label-Free Imaging and Computational Techniques 2024-Nov-29, Biosensors DOI:10.3390/bios14120581 PMID:39727846	研究论文	本文提出了一种与小型气道芯片系统兼容的无标记形态成像平台，通过深度学习和图像识别技术分析人类小气道上皮细胞的分化能力	结合深度学习和无标记成像技术，显著提高了小型气道芯片模型的效率和稳定性，并开发了自动处理纤毛细胞跳动图像和计算跳动频率的定制MATLAB程序	NA	提高小型气道芯片模型的效率和稳定性，并研究人类小气道上皮细胞的分化能力	人类小气道上皮细胞（HSAECs）	数字病理学	NA	无标记成像、深度学习、图像识别	深度学习	图像	NA
9818	2024-12-28	Deep Learning-Based Method for Detecting Traffic Flow Parameters Under Snowfall 2024-Nov-22, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10120301 PMID:39728198	研究论文	本文提出了一种基于深度学习的方法，用于在降雪条件下从交通流视频中提取交通流参数	提出了一个包含四个阶段的框架，专门针对降雪条件下的图像退化和交通流参数识别精度下降问题，其中前两个阶段提出了一种深度学习网络用于去除雪粒和雪痕，后两个阶段结合了yolov5车辆识别和虚拟线圈方法进行交通流参数估计	NA	提高在降雪条件下交通流参数检测的准确性和速度	降雪条件下的交通流视频	计算机视觉	NA	深度学习	yolov5	视频	NA
9819	2024-12-28	Evaluating Brain Tumor Detection with Deep Learning Convolutional Neural Networks Across Multiple MRI Modalities 2024-Nov-21, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging10120296 PMID:39728193	研究论文	本研究评估了使用深度学习卷积神经网络（CNN）在多种MRI模态下检测脑肿瘤的效果	通过四种不同的CNN架构结合迁移学习技术，评估了六种基本MRI序列在检测脑肿瘤中的诊断性能，并识别了MRI模态与神经网络的最佳组合	样本量相对较小，仅包含62名患者的1646个MRI切片	提高MRI在脑肿瘤检测中的诊断准确性	脑肿瘤患者和正常人的MRI切片	计算机视觉	脑肿瘤	MRI	CNN	图像	62名患者的1646个MRI切片
9820	2024-12-28	Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction 2024-11, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3406559 PMID:38805327	研究论文	本文提出了一种利用T1加权图像加速T2加权图像获取的端到端深度学习框架	采用最优传输（OT）方法进行跨模态合成，有效缓解空间错位效应，并通过重建任务与跨模态合成任务的交替迭代框架优化最终结果	需要迭代实验和调整参数，可能增加计算复杂度	加速T2加权图像的获取，提高多模态MRI图像分析的质量	T1加权图像和T2加权图像	计算机视觉	NA	深度学习，最优传输（OT）	端到端深度学习框架	MRI图像	FastMRI和内部数据集