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
12501	2024-10-29	Reproducibility and interpretability in radiomics: a critical assessment 2024-Oct-21, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.4274/dir.2024.242719 PMID:39463040	综述	本文对放射组学领域的可重复性和可解释性进行了批判性评估	NA	本文指出了放射组学研究中由于成像和后续统计分析的变异性导致的可重复性问题，以及模型可解释性受限的问题	评估放射组学领域的可重复性和可解释性问题	放射组学研究中的成像和统计分析	数字病理学	NA	放射组学	机器学习方法和深度学习方法	图像	小样本量
12502	2024-10-29	Wearable Biosensor Smart Glasses Based on Augmented Reality and Eye Tracking 2024-Oct-20, Sensors (Basel, Switzerland) DOI:10.3390/s24206740 PMID:39460220	研究论文	研究开发基于增强现实和眼动追踪技术的智能眼镜，实现实时场景感知和用户意图分析	结合增强现实和眼动追踪技术，通过深度学习方法和几何模型提升系统在复杂环境中的用户行为和环境信息感知能力	未来研究需要进一步优化智能眼镜的算法和硬件性能	优化可穿戴生物传感器技术的性能，提高数据交互准确性	基于增强现实和眼动追踪技术的智能眼镜	NA	NA	增强现实、眼动追踪、深度学习	NA	NA	NA
12503	2024-10-29	Investigation of Unsafe Construction Site Conditions Using Deep Learning Algorithms Using Unmanned Aerial Vehicles 2024-Oct-20, Sensors (Basel, Switzerland) DOI:10.3390/s24206737 PMID:39460217	研究论文	利用无人机和深度学习算法监测建筑工地安全状况，特别是工人是否佩戴安全帽	开发了一种利用无人机和Faster R-CNN算法实时检测工人是否佩戴安全帽的系统，显著提高了建筑工地的安全性	NA	通过无人机技术提高建筑工地的安全性	建筑工地的安全状况，特别是工人是否佩戴安全帽	计算机视觉	NA	tensorflow	Faster R-CNN	图像	NA
12504	2024-10-29	Vision-Based Real-Time Bolt Loosening Detection by Identifying Anti-Loosening Lines 2024-Oct-20, Sensors (Basel, Switzerland) DOI:10.3390/s24206747 PMID:39460227	研究论文	本文提出了一种基于视觉的实时螺栓松动检测方法，通过识别螺栓连接处的防松线标记来检测螺栓松动	该方法采用YOLOv10-S深度学习模型进行高精度实时螺栓检测，并结合Fast-SCNN图像分割技术，有效隔离螺栓和螺母区域，准确提取防松线标记，相比传统方法和其他视觉方法，具有非接触测量、实时检测能力、降低检测误差和广泛适应性等优势	NA	确保设备安全运行	螺栓松动检测	计算机视觉	NA	深度学习	YOLOv10-S	图像	2048 × 1024像素的高分辨率图像
12505	2024-10-29	Vehicle Localization Method in Complex SAR Images Based on Feature Reconstruction and Aggregation 2024-Oct-20, Sensors (Basel, Switzerland) DOI:10.3390/s24206746 PMID:39460226	研究论文	本文提出了一种基于特征重构和聚合的复杂SAR图像车辆定位方法	本文创新性地结合了空间-通道重构模块和渐进交叉融合机制，有效提升了SAR图像中车辆特征的提取质量	NA	提高SAR图像中车辆定位的准确性	SAR图像中的车辆目标	计算机视觉	NA	NA	CNN	图像	复杂场景SAR图像车辆数据集
12506	2024-10-29	Predicting drug outcome of population via clinical knowledge graph 2024-Oct-19, medRxiv : the preprint server for health sciences DOI:10.1101/2024.03.06.24303800 PMID:38496488	研究论文	本文介绍了一种基于临床知识图谱的几何深度学习框架PlaNet，用于预测药物在人群中的效果	PlaNet框架能够处理任何亚人群、任何药物及其组合、任何疾病，并应用于广泛的药理学任务，包括预测药物疗效和不良事件	NA	实现AI在医疗领域的应用，设计能够捕捉患者异质性和相关生物医学知识的系统	药物在人群中的效果，包括药物疗效和不良事件	机器学习	NA	几何深度学习	PlaNet	临床知识图谱	NA
12507	2024-10-29	A Deep Learning-Based Two-Branch Generative Adversarial Network for Image De-Raining 2024-Oct-19, Sensors (Basel, Switzerland) DOI:10.3390/s24206724 PMID:39460204	研究论文	本文提出了一种基于深度学习的双分支生成对抗网络用于图像去雨	创新点在于提出了一个包含生成网络和对抗网络的双分支生成对抗网络，其中生成网络采用传统卷积网络结构和U-Net架构，对抗网络采用相对判别器结合均方误差损失，有效防止梯度消失	NA	研究目的是通过减少雨滴对图像的影响来提高图像质量	研究对象是受雨滴影响的图像	计算机视觉	NA	生成对抗网络	GAN	图像	研究使用了三个已建立的雨图像数据集进行视觉和定量比较
12508	2024-10-29	An Adaptive Parameter Optimization Deep Learning Model for Energetic Liquid Vision Recognition Based on Feedback Mechanism 2024-Oct-19, Sensors (Basel, Switzerland) DOI:10.3390/s24206733 PMID:39460211	研究论文	本文提出了一种基于反馈机制的自适应参数优化深度学习模型，用于高精度实时液体表面指针检测	引入了DBN-AGS-FLSS集成深度学习模型，结合了深度信念网络、反馈最小二乘SVM分类器和自适应遗传选择器，并通过反馈机制动态优化模型参数	NA	解决工业过程和环境监测中液体流动和粘度精确检测的挑战	液体样本的多样性和高能液体的复杂反射特性	计算机视觉	NA	深度学习	深度信念网络	图像	NA
12509	2024-10-29	AI Survival Prediction Modeling: The Importance of Considering Treatments and Changes in Health Status over Time 2024-Oct-18, Cancers IF:4.5Q1 DOI:10.3390/cancers16203527 PMID:39456622	研究论文	本文探讨了在预测局部乳腺癌患者生存率时，考虑治疗和健康状况随时间变化的重要性，并提出了一种改进的深度学习模型	本文的创新点在于扩展了现有的深度学习生存预测模型，使其能够同时考虑时间固定和时间变化的协变量，从而显著提高了预测精度	NA	改进局部乳腺癌患者的生存预测模型，考虑时间固定和时间变化的协变量	局部乳腺癌患者的生存预测	机器学习	乳腺癌	深度学习	深度学习模型（DeepSurv, DeepHit, Nnet-survival, Cox-Time）	数据集（SEER-Medicare linked dataset）	1991年至2016年间诊断为I-III期乳腺癌并符合Medicare资格的女性患者
12510	2024-10-29	Deep Learning-Based Reconstruction of 3D Morphology of Geomaterial Particles from Single-View 2D Images 2024-Oct-18, Materials (Basel, Switzerland) DOI:10.3390/ma17205100 PMID:39459805	研究论文	本文利用深度学习技术从单视角2D图像重建地质材料颗粒的3D形态	提出了一种基于体素表示和多维卷积神经网络的深度学习方法，用于从2D图像快速上采样和重建颗粒形态	NA	研究目的是快速有效地重建颗粒的三维形态	研究对象包括自然形成的颗粒（沙漠沙）、人工制造的颗粒（月球土壤模拟物）和数值生成的数字颗粒	计算机视觉	NA	深度学习	卷积神经网络	图像	超过100,000个颗粒样本，来自三个来源
12511	2024-10-29	An Efficient Ship Detection Method Based on YOLO and Ship Wakes Using High-Resolution Optical Jilin1 Satellite Imagery 2024-Oct-18, Sensors (Basel, Switzerland) DOI:10.3390/s24206708 PMID:39460188	研究论文	提出了一种基于YOLO和船迹的高分辨率光学吉林1号卫星图像船舶检测方法	结合深度学习和特征图像处理，利用船体和船迹检测相结合的方法，解决了传统方法无法检测被云层遮挡或超出图像边界的船舶的问题	未提及具体局限性	开发一种实用且高效的遥感图像船舶检测方案	遥感图像中的船舶及其航迹	计算机视觉	NA	深度卷积神经网络	CNN	图像	在真实遥感数据集中，成功检测到超过93.5%的船舶和超过70%的无可见船体目标
12512	2024-10-29	Elucidating the neuropathological and molecular heterogeneity of amyloid-beta and tau in Alzheimer's disease through machine learning and transcriptomic integration 2024-Oct-18, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.16.618708 PMID:39463964	研究论文	通过机器学习和转录组整合揭示阿尔茨海默病中淀粉样β和tau的神经病理和分子异质性	采用深度学习方法结合功能磁共振成像和转录组数据，解析了阿尔茨海默病中淀粉样β和磷酸化tau的特定脑网络变化及其分子机制	研究仅限于使用功能磁共振成像和转录组数据，未涵盖其他可能影响结果的生物标志物或技术	理解阿尔茨海默病中淀粉样β和磷酸化tau与认知衰退及分子机制的关联	阿尔茨海默病患者的脑网络变化和分子通路	机器学习	阿尔茨海默病	功能磁共振成像	深度学习	图像	289名受试者，包括129名淀粉样β阳性（A+）和160名淀粉样β阴性（A-）的正常老年人
12513	2024-10-29	Early Detection of Lumpy Skin Disease in Cattle Using Deep Learning-A Comparative Analysis of Pretrained Models 2024-Oct-17, Veterinary sciences IF:2.0Q2 DOI:10.3390/vetsci11100510 PMID:39453102	研究论文	研究利用深度学习技术开发自动化系统，用于牛群中LSD的早期检测，并比较了多种预训练模型的性能	首次系统比较了多种预训练深度学习模型在LSD检测中的应用，并展示了VGG16和MobileNetV2在准确性和敏感性方面的优越性	尽管模型在特定条件下表现良好，但临床应用中仍需考虑敏感性和特异性的平衡	开发和评估用于牛群中LSD早期检测的深度学习模型，以提高检测的准确性和敏感性	牛群中的LSD和其他疾病的图像数据	计算机视觉	NA	深度学习	CNN	图像	两个公开数据集，包含健康牛和LSD牛的图像，以及受其他疾病影响的牛的图像
12514	2024-10-29	Advances in Portable Optical Microscopy Using Cloud Technologies and Artificial Intelligence for Medical Applications 2024-Oct-17, Sensors (Basel, Switzerland) DOI:10.3390/s24206682 PMID:39460161	综述	本文综述了便携式光学显微镜在医疗应用中利用云计算和人工智能技术的最新进展	介绍了将物联网（IoT）和云计算与3D打印设备集成的新技术，以及使用深度学习算法进行自动化图像处理的方法	缺乏对整个显微镜采集链的全面研究	探讨物联网和人工智能在便携式显微镜中的潜力，强调从便携性到图像分析的全面方法的重要性	便携式光学显微镜及其在医疗应用中的集成技术	计算机视觉	NA	深度学习	NA	图像	NA
12515	2024-10-29	New Method for Tomato Disease Detection Based on Image Segmentation and Cycle-GAN Enhancement 2024-Oct-17, Sensors (Basel, Switzerland) DOI:10.3390/s24206692 PMID:39460172	研究论文	本文提出了一种基于图像分割和Cycle-GAN增强的新方法，用于番茄病害检测	设计了一种自动叶分割算法（AISG），结合Cycle-GAN网络进行跨类别图像转换，提高了模型对病害特征的提取能力	NA	解决番茄病害检测中数据集有限和模型性能不足的问题	番茄病害	计算机视觉	NA	图像分割	Cycle-GAN, MobileNet	图像	涉及十种番茄病害的分类实验
12516	2024-10-29	A Depth Awareness and Learnable Feature Fusion Network for Enhanced Geometric Perception in Semantic Correspondence 2024-Oct-17, Sensors (Basel, Switzerland) DOI:10.3390/s24206680 PMID:39460160	研究论文	本文提出了一种深度感知和可学习特征融合网络，用于增强语义对应中的几何感知	本文创新性地将深度信息集成到特征图中，并利用可学习权重进行特征融合，以提高模型在语义对应任务中的表达能力	本文未提及模型在加速推理和优化轻量化方面的具体进展	本文旨在解决现有自监督学习和生成模型在捕捉和理解对象几何结构方面的局限性，并通过深度信息增强特征融合	本文研究对象为RGB图像中的语义对应问题	计算机视觉	NA	深度估计	深度感知和可学习特征融合网络	图像	本文在SPair-71K和AP-10K数据集上进行了实验，分别取得了81.8和83.3的PCK得分
12517	2024-10-29	A Distributed VMD-BiLSTM Model for Taxi Demand Forecasting with GPS Sensor Data 2024-Oct-17, Sensors (Basel, Switzerland) DOI:10.3390/s24206683 PMID:39460164	研究论文	本文提出了一种基于分布式VMD-BiLSTM模型的出租车需求预测方法	结合了变分模式分解（VMD）算法和双向长短期记忆（BiLSTM）模型，并在Spark分布式平台上实现，以提高计算效率和预测精度	NA	解决现有模型在处理大规模轨迹传感器数据时的计算成本高和效率低的问题	出租车需求预测	机器学习	NA	变分模式分解（VMD）、双向长短期记忆（BiLSTM）	BiLSTM	GPS传感器数据	使用真实世界的数据集进行测试
12518	2024-10-29	ViTDroid: Vision Transformers for Efficient, Explainable Attention to Malicious Behavior in Android Binaries 2024-Oct-17, Sensors (Basel, Switzerland) DOI:10.3390/s24206690 PMID:39460170	研究论文	本文提出了一种基于视觉变换器的模型ViTDroid，用于分析Android恶意软件样本的操作码序列	ViTDroid模型不仅能够高精度地分类恶意软件，还能提供可解释的预测，指出导致恶意行为的指令	本文主要贡献在于模型的可解释性，而非性能的显著提升	开发一种能够有效且可解释地识别Android恶意软件的深度学习模型	Android恶意软件样本的操作码序列	计算机视觉	NA	深度学习	视觉变换器	操作码序列	来自大型真实世界数据集的Android恶意软件样本
12519	2024-10-29	Inertial Measurement Unit-Based Frozen Shoulder Identification from Daily Shoulder Tasks Using Machine Learning Approaches 2024-Oct-16, Sensors (Basel, Switzerland) DOI:10.3390/s24206656 PMID:39460136	研究论文	本文提出了一种基于惯性测量单元（IMU）的肩周炎（FS）自动识别系统，用于日常肩部任务的客观评估	首次使用IMU和机器学习技术进行肩周炎的自动识别，并比较了多种机器学习和深度学习模型的性能	样本量较小，且仅限于肩周炎患者和健康对照组	开发一种客观的肩周炎临床评估方法	肩周炎患者和健康对照组的日常肩部任务	机器学习	肩周炎	惯性测量单元（IMU）	卷积神经网络（CNN）、多层感知器（MLP）	时间域统计特征、运动学特征	24名肩周炎患者和20名健康受试者
12520	2024-10-29	Unsupervised Denoising in Spectral CT: Multi-Dimensional U-Net for Energy Channel Regularisation 2024-Oct-16, Sensors (Basel, Switzerland) DOI:10.3390/s24206654 PMID:39460134	研究论文	研究了在光谱CT中使用无监督深度学习模型进行去噪的方法	提出了基于多维U-Net的无监督深度学习模型，并结合块状训练方法和能量通道正则化，显著提高了去噪效果	仅在模拟数据和真实生物样本上进行了实验验证，未涉及更多实际应用场景	解决光谱CT中由于能量通道增加导致的噪声问题	光谱CT图像的去噪	计算机视觉	NA	光谱CT	U-Net	图像	两个模拟光谱CT体模和一个真实生物样本扫描