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
10621	2024-12-20	A systematic review of machine learning-based tumor-infiltrating lymphocytes analysis in colorectal cancer: Overview of techniques, performance metrics, and clinical outcomes 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108306 PMID:38554659	综述	本文系统回顾了基于机器学习的结直肠癌肿瘤浸润淋巴细胞分析，概述了技术、性能指标和临床结果	本文探讨了机器学习在结直肠癌病理图像中分析肿瘤浸润淋巴细胞的潜力，特别是深度学习和非深度学习技术的应用	需要一个大规模的多机构结直肠癌数据集，包含多样化和多民族人群，以推广机器学习方法	系统回顾基于机器学习的结直肠癌肿瘤浸润淋巴细胞分析	结直肠癌病理图像中的肿瘤浸润淋巴细胞	数字病理学	结直肠癌	机器学习	深度学习	图像	需要大规模多机构和多民族的结直肠癌数据集
10622	2024-12-20	Glass box machine learning for retrospective cohort studies using many patient records. The complex example of bleeding peptic ulcer 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108085 PMID:38513393	研究论文	本文提出了一种称为“玻璃盒机器学习”的部分监督数据挖掘和预测技术，并将其应用于回顾性队列研究中，以帮助选择未来队列研究和类似临床试验的候选患者	本文的创新点在于将传统的神经网络权重替换为有意义的“概率知识元素”，并结合深度学习方法，提供了一种具有解释性的研究设计	本文的局限性在于其方法主要适用于回顾性队列研究，且需要大量的结构化医疗记录	研究目的是开发一种新的机器学习方法，用于回顾性队列研究，并帮助分析深度学习方法	研究对象是出血性消化性溃疡，这是一种复杂的疾病，具有许多影响因素	机器学习	消化系统疾病	玻璃盒机器学习	神经网络	结构化医疗记录	大量患者记录
10623	2024-12-20	PHE-SICH-CT-IDS: A benchmark CT image dataset for evaluation semantic segmentation, object detection and radiomic feature extraction of perihematomal edema in spontaneous intracerebral hemorrhage 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108342 PMID:38522249	研究论文	本文介绍了一个名为PHE-SICH-CT-IDS的公开CT图像数据集，用于评估自发性脑出血中周围血肿水肿的语义分割、目标检测和放射组学特征提取	本文首次公开了一个用于自发性脑出血中周围血肿水肿的数据集，涵盖了多种数据格式，适用于不同的医学场景	NA	建立一个公开的CT图像数据集，用于评估自发性脑出血中周围血肿水肿的分割、检测和放射组学特征提取方法	自发性脑出血中的周围血肿水肿	数字病理学	脑血管疾病	CT扫描	NA	图像	120个脑部CT扫描和7,022张CT图像
10624	2024-12-20	Linear semantic transformation for semi-supervised medical image segmentation 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108331 PMID:38522252	研究论文	本文提出了一种新的半监督学习框架，通过线性语义变换实现医学图像分割	提出了线性语义变换方法，结合自监督学习和半监督学习，从多样化的语义中构建广义表示，实现医学图像分割	实验仅在五个医学分割数据集上进行了测试，未来可能需要在更多数据集上验证其泛化能力	开发一种高效的半监督学习方法，用于医学图像分割	医学图像的语义表示和分割	计算机视觉	NA	深度学习	自监督学习框架	图像	五个医学分割数据集
10625	2024-12-20	Extensive T1-weighted MRI preprocessing improves generalizability of deep brain age prediction models 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108320 PMID:38531250	研究论文	本文研究了T1加权磁共振图像（T1w MRI）预处理对深度学习脑龄预测模型性能的影响	本文发现广泛的T1w预处理可以提高模型在新数据集上的预测误差，这与现有研究认为最小预处理更适用于未见过的扫描仪的结论相反	本文仅评估了四种预处理管道和四种深度学习模型，可能未涵盖所有可能的预处理方法和模型	研究T1w MRI预处理对深度学习脑龄预测模型性能的影响	T1加权磁共振图像（T1w MRI）和深度学习脑龄预测模型	计算机视觉	NA	深度学习	深度学习模型（未具体说明模型类型）	图像	未具体说明样本数量
10626	2024-12-20	Dual-TranSpeckle: Dual-pathway transformer based encoder-decoder network for medical ultrasound image despeckling 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108313 PMID:38531247	研究论文	提出了一种基于双路径Transformer的编码-解码网络Dual-TranSpeckle，用于医学超声图像去噪	引入了双路径（语义路径和像素路径）来并行传输图像特征信息，并设计了Dual Block和Merge Block模块来增强特征交互和自注意力计算	未提及具体限制	提高医学超声图像去噪效果	医学超声图像	计算机视觉	NA	Transformer	编码-解码网络	图像	使用了两个公开数据集和一个私有数据集
10627	2024-12-20	Applying image features of proximal paracancerous tissues in predicting prognosis of patients with hepatocellular carcinoma 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108365 PMID:38537563	研究论文	本研究探讨了近端癌旁组织图像特征在预测肝细胞癌患者预后和肿瘤复发中的作用	首次将癌旁组织微环境的图像特征纳入肝细胞癌预后预测模型，并发现与免疫细胞浸润和纤维化反应相关的特征是最重要的预测因素	样本量相对较小，且仅限于两个数据集，未来需要更大规模的研究验证	探讨癌旁组织微环境图像特征在肝细胞癌预后预测中的作用	肝细胞癌患者的预后和肿瘤复发	数字病理学	肝细胞癌	深度学习	Lasso Cox生存模型	图像	146名肝细胞癌患者（SYSM数据集）和225名肝细胞癌患者（TCGA-LIHC数据集）
10628	2024-12-20	FLP: Factor lattice pattern-based automated detection of Parkinson's disease and specific language impairment using recorded speech 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108280 PMID:38547655	研究论文	本文提出了一种基于因子晶格模式（FLP）的特征工程模型，用于自动检测帕金森病（PD）和特定语言障碍（SLI），通过分析录音的语音信号	本文创新性地引入了一种量子启发式的因子晶格模式（FLP）特征提取方法，并开发了一种自组织特征工程模型，能够动态选择最优特征模式	本文未详细讨论模型的计算复杂度和实际应用中的可扩展性	开发一种准确且计算轻量级的模型，用于通过语音信号检测帕金森病和特定语言障碍	帕金森病（PD）和特定语言障碍（SLI）患者的语音信号	机器学习	神经退行性疾病	因子晶格模式（FLP）特征提取	支持向量机（SVM）和k近邻（k-NN）	语音信号	三个包含帕金森病和特定语言障碍患者的语音数据集
10629	2024-12-20	Global attention based GNN with Bayesian collaborative learning for glomerular lesion recognition 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108369 PMID:38552283	研究论文	本文提出了一种基于全局注意力机制的图神经网络（GNN），结合贝叶斯协同学习（BCL）用于肾小球病变识别	创新点包括使用全局注意力池化（GAP）提取高层次语义特征，结合贝叶斯协同学习增强节点特征的微调和融合，并引入软分类头以缓解纯硬分类带来的语义模糊问题	NA	开发一种高效且准确的模型用于肾小球病变识别，并推广到其他病理图像分类任务	肾小球病变图像	数字病理学	肾脏疾病	图神经网络（GNN）	GNN	图像	491张全切片图像（WSIs）和9030张图像
10630	2024-12-20	Image-based profiling and deep learning reveal morphological heterogeneity of colorectal cancer organoids 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108322 PMID:38554658	研究论文	本文通过基于图像的分析和深度学习揭示了结直肠癌类器官的形态异质性	本文首次通过图像分析和深度学习模型识别了结直肠癌类器官的两种形态亚型，并验证了这些亚型与功能参数的相关性，提出了一种基于生成模型的凋亡强度预测方法	本文主要基于图像分析和单细胞RNA测序，未涉及其他类型的实验验证	研究结直肠癌类器官的形态异质性及其与功能参数的关系	结直肠癌类器官的形态亚型及其与存活率和凋亡水平的关系	数字病理学	结直肠癌	图像分析、单细胞RNA测序	生成模型、目标检测神经网络	图像	31360张明场图像和17000多张匹配的荧光图像
10631	2024-12-20	Dual-Channel in Spatial-Frequency Domain CycleGAN for perceptual enhancement of transcranial cortical vascular structure and function 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108377 PMID:38569233	研究论文	本文提出了一种名为空间-频域双通道CycleGAN（SF-CycleGAN）的无监督深度学习方法，用于增强经颅皮质血管结构和功能的感知质量	SF-CycleGAN能够在不进行开颅手术的情况下，非侵入性地提高激光散斑对比成像（LSCI）的信噪比，并实现对小皮质血管的功能观察	NA	开发一种无监督深度学习方法，以提高经颅皮质血管结构和功能的感知质量	经颅皮质血管结构和功能	计算机视觉	NA	激光散斑对比成像（LSCI）	CycleGAN	图像	NA
10632	2024-12-20	Robust deep learning from incomplete annotation for accurate lung nodule detection 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108361 PMID:38569236	研究论文	本文探讨了在不完全标注的数据集上进行肺结节检测，并提出了FULFIL算法，通过图卷积网络和教师-学生框架实现自适应标注和学习	提出了FULFIL算法，利用图卷积网络发现标注与未标注结节之间的关系，并通过教师-学生框架进行自适应学习，设计了双视角损失函数以增强模型的鲁棒性和泛化能力	实验仅使用了LUNA数据集，且仅使用了10%的实例级标注，可能限制了算法的普适性和性能	探索在不完全标注的数据集上进行肺结节检测，并提出一种新的算法以降低标注成本并提高检测性能	肺结节检测	计算机视觉	肺癌	图卷积网络	图卷积网络	图像	使用了LUNA数据集，仅使用了10%的实例级标注
10633	2024-12-20	LRFNet: A real-time medical image fusion method guided by detail information 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108381 PMID:38569237	研究论文	本文提出了一种名为LRFNet的实时多模态医学图像融合方法，通过轻量级残差融合网络提升图像融合的效率和细节保留	设计了三分支特征提取框架和轻量级残差单元，提出基于小波变换高频图像信息自适应加权的损失函数策略	未提及具体局限性	提升多模态医学图像融合的效率和细节保留	MRI和功能图像的多模态医学图像融合	计算机视觉	NA	小波变换	轻量级残差融合网络	图像	未提及具体样本数量
10634	2024-12-20	SG-Transunet: A segmentation-guided Transformer U-Net model for KRAS gene mutation status identification in colorectal cancer 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108293 PMID:38574528	研究论文	本文提出了一种名为SG-Transunet的分割引导Transformer U-Net模型，用于结直肠癌中KRAS基因突变状态的识别	本文的创新点在于结合了卷积神经网络和Transformer的优势，设计了频率域补充块和聚合注意力模块，以增强空间-频率域特征的判别能力，并引入了相互约束的损失函数	本文的局限性在于使用了小规模数据集，可能存在过拟合风险	本文的研究目的是提高结直肠癌中KRAS基因突变状态识别的准确性	本文的研究对象是结直肠癌患者的KRAS基因突变状态	计算机视觉	结直肠癌	卷积神经网络（CNN）、Transformer	SG-Transunet	图像	小规模数据集
10635	2024-12-20	Prediction of protein N-terminal acetylation modification sites based on CNN-BiLSTM-attention model 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108330 PMID:38588617	研究论文	本文提出了一种基于CNN-BiLSTM-attention模型的蛋白质N端乙酰化修饰位点预测方法	本文创新性地结合了卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制，构建了一个深度学习模型DeepCBA，用于预测蛋白质N端乙酰化修饰位点	NA	准确识别蛋白质N端乙酰化修饰位点，以深入了解细胞过程和其他可能的功能机制	蛋白质N端乙酰化修饰位点	机器学习	NA	卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）、注意力机制	CNN-BiLSTM-attention	蛋白质序列	从Uniport数据库中选择低冗余蛋白质序列，并通过CD-HIT工具进一步减少冗余
10636	2024-12-20	A feature-enhanced network for stroke lesion segmentation from brain MRI images 2024-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108326 PMID:38599066	研究论文	提出了一种用于脑MRI图像中卒中病变分割的特征增强网络FRPNet	引入了双注意力门（TAG）和多维度注意力池化（MAP）模块，分别用于提取病变的全局和局部特征，并减少编码过程中特征的损失	当前深度学习方法在注意力结构和下采样过程中存在局限性	提高卒中病变分割的准确性和速度，以辅助医生进行准确的诊断和及时的治疗	脑MRI图像中的卒中病变	计算机视觉	卒中	深度学习	FRPNet	图像	两个包含所有卒中阶段和多个序列卒中图像的缺血性卒中数据集
10637	2024-12-20	Efficient Supervised Pretraining of Swin-Transformer for Virtual Staining of Microscopy Images 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3337253 PMID:38010933	研究论文	本文提出了一种基于Swin-Transformer模型的虚拟染色方法，并通过高效的监督预训练技术提升了模型性能	本文创新性地采用了基于掩码自编码器（MAE）的监督预训练方法，通过下采样和网格采样减少了计算量和数据依赖，并设计了多风格染色预测的监督代理任务	本文主要基于公开数据集进行实验，未来可能需要验证其在更多私有数据集上的泛化能力	开发一种高效的虚拟染色方法，减少对大规模预训练的依赖	显微镜图像的虚拟染色	计算机视觉	NA	Swin-Transformer	Swin-Transformer	图像	三个公开数据集
10638	2024-12-20	EAG-RS: A Novel Explainability-Guided ROI-Selection Framework for ASD Diagnosis via Inter-Regional Relation Learning 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3337362 PMID:38015693	研究论文	提出了一种新的可解释性引导的ROI选择框架EAG-RS，通过学习脑区间的高阶非线性关系来诊断自闭症谱系障碍	引入了一种新的可解释性引导的ROI选择框架，通过随机种子网络掩蔽和可解释连接相关性评分来识别高阶非线性功能关联，并选择具有分类信息的脑区进行诊断	现有研究使用线性低阶功能连接作为模型输入，缺乏足够信息，未考虑患者个体差异，且决策过程不可解释	解决现有自闭症诊断方法的局限性，提出一种新的框架来提高诊断准确性和可解释性	自闭症谱系障碍患者的功能磁共振成像数据	机器学习	自闭症谱系障碍	功能磁共振成像	NA	图像	使用Autism Brain Imaging Data Exchange (ABIDE)数据集进行验证
10639	2024-12-20	A Learnable Counter-Condition Analysis Framework for Functional Connectivity-Based Neurological Disorder Diagnosis 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3337074 PMID:38019623	研究论文	本文提出了一种可学习的反条件分析框架，用于基于功能连接的神经功能障碍诊断	本文创新性地提出了一种统一的框架，将诊断和解释系统性地整合在一起，并设计了自适应注意力网络进行特征选择，提出了功能网络关系编码器来学习功能连接的全局拓扑属性，并引入了反条件分析方法进行神经科学解释	本文未提及具体的局限性	研究目的是开发一种新的框架，用于基于功能连接的神经功能障碍诊断，并提供神经科学解释	研究对象是基于功能连接的神经功能障碍诊断	机器学习	NA	功能磁共振成像 (fMRI)	自适应注意力网络，功能网络关系编码器	功能连接数据	使用了两个大型静息态功能磁共振成像数据集，分别是Autism Brain Imaging Data Exchange (ABIDE) 和 REST-meta-MDD
10640	2024-12-20	Semi-Supervised Medical Image Segmentation Using Cross-Style Consistency With Shape-Aware and Local Context Constraints 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3338269 PMID:38032771	研究论文	提出了一种基于交叉风格一致性和形状感知与局部上下文约束的半监督医学图像分割框架	设计了形状无关和形状感知两个并行网络，通过交叉风格一致性策略和局部上下文约束来提高半监督学习的效果，并有效利用未标注数据	未明确提及	解决半监督医学图像分割中标注数据不足的问题，提升分割精度和形状感知能力	医学图像的分割	计算机视觉	NA	深度学习	NA	图像	三个不同数据集的医学图像