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
12881	2024-12-11	SKGC: A General Semantic-Level Knowledge Guided Classification Framework for Fetal Congenital Heart Disease 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3426068 PMID:38985556	研究论文	提出了一种基于语义级知识引导的分类框架SKGC，用于胎儿先天性心脏病的诊断	SKGC框架结合了语义级知识提取模块、多知识融合模块和分类模块，通过少量标注掩码显著提高了分类准确率	实验仅在两个数据集上进行了验证，可能需要更多数据集的验证以证明其通用性	开发一种新的方法来提高胎儿先天性心脏病超声图像的分类准确率	胎儿四腔心超声图像的正常与异常分类	计算机视觉	先天性心脏病	深度学习	CNN	图像	使用了NA-4CH和FEST两个数据集，具体样本数量未明确提及
12882	2024-12-11	OVAR-BPnet: A General Pulse Wave Deep Learning Approach for Cuffless Blood Pressure Measurement 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3423461 PMID:38963748	研究论文	本文提出了一种基于深度学习的无袖带血压测量方法，名为OVAR-BPnet，用于从多种脉搏波中捕捉复杂特征并进行血压估计	首次验证了深度学习方法在三种脉搏波（光电容积描记法、前额成像光电容积描记法和桡动脉脉搏波形）上的血压估计性能，并采用了数据增强策略和标签序列正则化策略	NA	开发一种通用的脉搏波深度学习方法，用于无袖带血压测量	脉搏波特征和血压估计	机器学习	心血管疾病	深度学习	CNN、Vision Transformer、多层感知器	脉搏波	多种类型的脉搏波数据
12883	2024-12-11	MS-DINO: Masked Self-Supervised Distributed Learning Using Vision Transformer 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3423797 PMID:38968015	研究论文	本文提出了一种名为MS-DINO的自监督掩码采样蒸馏技术，适用于视觉Transformer架构，旨在解决医疗领域中数据稀缺、隐私问题和数据所有权争议	提出了MS-DINO方法，通过自监督掩码采样蒸馏技术，减少了通信需求，增强了隐私保护，并减轻了客户端设备的计算负担	未提及具体限制	解决医疗领域中数据稀缺、隐私问题和数据所有权争议，同时减少通信和计算开销	自监督分布式学习方法在医疗领域的应用	计算机视觉	NA	自监督学习	Transformer	图像	未提及具体样本数量
12884	2024-12-11	Review of Machine Learning Techniques in Soft Tissue Biomechanics and Biomaterials 2024-Oct, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-024-00737-y PMID:38956008	综述	本文综述了机器学习技术在软组织生物力学和生物材料中的应用，重点介绍了心血管工程中的应用	机器学习技术在软组织生物力学领域的应用相较于传统方法具有显著优势，尤其是在评估软生物组织和生物材料的机械特性方面	本文主要基于现有文献进行综述，未提出新的算法或模型，且未涉及具体实验验证	探讨机器学习技术在软组织生物力学和生物材料中的应用，尤其是心血管工程中的应用	软生物组织和生物材料的机械特性评估	机器学习	心血管疾病	机器学习	神经网络	图像	NA
12885	2024-12-11	PSTNet: Enhanced Polyp Segmentation With Multi-Scale Alignment and Frequency Domain Integration 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3421550 PMID:38954569	研究论文	提出了一种名为PSTNet的新型网络，通过多尺度对齐和频率域集成来增强结肠息肉的分割	引入了频率域信息，并设计了三个关键模块（FCAM、FSAM和CPM）来提高息肉分割的准确性	未提及	提高结肠镜图像中结肠息肉的分割准确性，从而更有效地诊断和管理结直肠癌	结肠息肉的分割	计算机视觉	结直肠癌	深度学习	PSTNet	图像	未提及
12886	2024-12-11	Cross-Anatomy Transfer Learning via Shape-Aware Adaptive Fine-Tuning for 3D Vessel Segmentation 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3422177 PMID:38954568	研究论文	本文提出了一种跨解剖结构的迁移学习框架，用于3D血管分割，通过形状感知的自适应微调策略来克服不同解剖结构之间的域偏移问题	提出了一个形状感知的自适应微调策略，并开发了基于高斯的有符号距离图来显式编码血管特定的形状上下文，以辅助分割网络捕捉几何感知知识	实验仅在冠状动脉和脑部血管的小规模数据集上进行了验证，尚未在大规模多解剖结构数据集上进行广泛测试	解决跨解剖结构血管分割中的域偏移问题，提高分割精度	跨解剖结构的血管分割，特别是肝脏、冠状动脉和脑部血管	计算机视觉	NA	迁移学习	3D分割网络	3D图像	两个小规模数据集，包括冠状动脉和脑部血管
12887	2024-12-11	Development of a Miniaturized Mechanoacoustic Sensor for Continuous, Objective Cough Detection, Characterization and Physiologic Monitoring in Children With Cystic Fibrosis 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3415479 PMID:38885105	研究论文	本文开发了一种微型力声传感器，用于在囊性纤维化儿童中连续、客观地检测、表征咳嗽并监测生理参数	本文首次在儿童中应用力声传感器，并通过深度学习算法提高了咳嗽检测和分类的准确性，同时改进了设备的便携性和数据管理	这是一项单中心试点研究，样本量较小，需要进一步的多中心研究验证	开发一种客观、自动化的咳嗽检测工具，用于囊性纤维化儿童的长期监测	36名囊性纤维化儿童	NA	囊性纤维化	深度学习算法	深度学习模型	生理信号	36名囊性纤维化儿童
12888	2024-12-11	Deep Learning-Based Microscopic Cell Detection Using Inverse Distance Transform and Auxiliary Counting 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3417229 PMID:38900626	研究论文	本文提出了一种基于深度学习的显微细胞检测框架，通过逆距离变换和辅助计数网络提高细胞检测的准确性	引入了一种新的逆距离变换检测图生成方法，并结合辅助计数网络和自定义的计数辅助细胞中心提取策略，显著提高了细胞检测的准确性	未提及具体限制	提高显微细胞检测的自动化程度和准确性	显微图像中的细胞检测	计算机视觉	NA	深度学习	深度学习模型	图像	使用了VGG、MBM和ADI数据集进行评估
12889	2024-12-11	NuSEA: Nuclei Segmentation With Ellipse Annotations 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3418106 PMID:38913516	研究论文	本文提出了一种名为NuSEA的高效核注释工具，用于实现准确的核分割	提出了轻量级的U-Light网络和Elliptical Field Loss及Texture Loss来增强边缘分割和平滑度约束	NA	提高病理微环境定量分析中核分割的效率和准确性	病理图像中的细胞核	数字病理学	NA	深度学习	U-Light	图像	118,857个标注的细胞核来自12个器官的全切片图像
12890	2024-12-11	Exploratory Training for Universal Lesion Detection: Enhancing Lesion Mining Quality Through Temporal Verification 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3417274 PMID:38905094	研究论文	本文提出了一种基于探索性训练的通用病变检测方法（ET-ULD），通过时间验证提高挖掘病变质量	本文的创新点在于引入时间验证机制，通过记录挖掘时间戳并进行多轮训练，筛选出可靠的挖掘病变用于重新训练	本文未提及具体的局限性	研究目的是提高通用病变检测的准确性，特别是在标注数据不完整的情况下	研究对象是不同器官的多种病变	计算机视觉	NA	深度学习	教师-学生检测模型	图像	两个不同的病变图像数据集
12891	2024-12-11	Frequency Domain Deep Learning With Non-Invasive Features for Intraoperative Hypotension Prediction 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3403109 PMID:38768003	研究论文	本文提出了一种基于频域深度学习的非侵入性特征模型，用于术中低血压预测	本文创新性地利用频域信息，结合多种生物信号模态，提出了一种深度学习方法，显著提升了非侵入性数据上的预测性能	本文主要针对术中低血压预测，未涉及其他临床应用场景	开发一种新的深度学习框架，用于术中低血压的预测	术中低血压的预测	机器学习	心血管疾病	离散傅里叶变换	深度学习模型	生物信号数据	3226名患者的数据，共构建了75994个片段
12892	2024-12-11	Real-Time Non-Invasive Imaging and Detection of Spreading Depolarizations through EEG: An Ultra-Light Explainable Deep Learning Approach 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3370502 PMID:38412076	研究论文	本文提出了一种超轻量级的可解释深度学习方法，通过脑电图（EEG）进行实时非侵入性成像和扩散去极化（SD）的检测	首次将SD识别问题从1维时间序列波的检测任务转化为在顺序2维渲染图像上的任务，并提出了一种超轻量级的多模态深度学习网络，融合EEG频谱图成像和时间功率向量，以提高每个电极上的SD识别准确性	本文仅提供了初步证据支持SD在频率轮廓上可能显示隐含特征的假设，仍需进一步研究验证	旨在通过非侵入性方法实时检测扩散去极化，以预防继发性脑损伤	扩散去极化（SD）的非侵入性检测	机器学习	NA	深度学习	多模态深度学习网络	脑电图（EEG）频谱图	NA
12893	2024-12-11	Simultaneous Estimation of Digit Tip Forces and Hand Postures in a Simulated Real-Life Condition With High-Density Electromyography and Deep Learning 2024-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3350239 PMID:39361489	研究论文	研究使用高密度表面肌电图（HD-sEMG）和深度学习技术，在模拟真实生活条件下同时估计手指尖力与手部姿势的可行性	提出了结合三维卷积神经网络（3DCNN）和长短期记忆网络（LSTM）的框架，能够可靠且连续地估计手指尖力和分类不同手部姿势	研究仅在模拟真实生活条件下进行，未涉及实际应用中的复杂环境	探讨在日常活动场景中，连续估计多个自由度的可行性	手指尖力与手部姿势	机器学习	NA	高密度表面肌电图（HD-sEMG）	三维卷积神经网络（3DCNN）与长短期记忆网络（LSTM）	肌电信号	四种类型的日常抓握方式，多种物体
12894	2024-12-11	Convolutional Neural Networks in the Diagnosis of Cervical Myelopathy 2024-Oct, Revista brasileira de ortopedia DOI:10.1055/s-0044-1779317 PMID:39649041	研究论文	本研究评估了卷积神经网络在颈椎病诊断中的有效性，并与传统的颈椎核磁共振成像进行了比较	本研究展示了深度学习技术在脊柱手术中的显著改进，尤其是在颈椎病诊断中的高准确性	NA	评估卷积神经网络在颈椎病诊断中的有效性	颈椎病患者和正常人的核磁共振成像图像	计算机视觉	颈椎病	卷积神经网络	CNN	图像	125名参与者，包括242张轴向视图图像和249张矢状视图图像
12895	2024-12-11	Geometrical and dosimetrical evaluation of different interpretations of a european consensus delineation guideline for the internal mammary lymph node chain in breast cancer patients 2024-Oct, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2024.100676 PMID:39649154	研究论文	本研究评估了不同解释下欧洲共识指南对乳腺癌患者内乳淋巴结链勾画的剂量学和几何学影响	使用深度学习模型作为指南的第二种解释，并与传统解释进行比较	仅分析了95名左侧乳腺癌患者的病例，样本量有限	研究不同解释下内乳淋巴结勾画指南对心脏平均剂量的影响	左侧乳腺癌患者的内乳淋巴结勾画	NA	乳腺癌	深度学习	NA	图像	95名左侧乳腺癌患者
12896	2024-12-11	Multi-Task Collaborative Pre-Training and Adaptive Token Selection: A Unified Framework for Brain Representation Learning 2024-09, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3416038 PMID:38889024	研究论文	提出了一种结合多任务协同预训练和自适应标记选择的脑表示学习统一框架MCPATS，用于从结构磁共振成像中学习脑的通用表示	创新点在于提出了MCPATS框架，结合多任务协同预训练和自适应标记选择，能够同时捕捉脑结构的细粒度细节和全局结构，并显式表达隐含在局部-全局图像特征中的认知信息	NA	研究目的是从结构磁共振成像中学习脑的通用表示，以捕捉与个体认知变异性相关的高级表示	研究对象是脑的结构磁共振成像数据，以及其中隐含的认知信息	机器学习	NA	结构磁共振成像	MCPATS框架	图像	使用了三个不同的公开数据集进行验证
12897	2024-12-11	Time-Frequency-Space EEG Decoding Model Based on Dense Graph Convolutional Network for Stroke 2024-09, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3411646 PMID:38857138	研究论文	本文提出了一种基于密集图卷积网络的时间-频率-空间域脑电图解码模型，用于中风康复	结合改进的S变换（MST）和密集图卷积网络（DenseGCN）算法，提高了基于运动想象的脑机接口在中风康复中的性能	NA	提高基于运动想象的脑机接口在中风康复中的性能	中风患者的脑电信号	机器学习	中风	密集图卷积网络（DenseGCN）	密集图卷积网络（DenseGCN）	脑电图（EEG）	NA
12898	2024-12-11	Real-Time Automatic M-Mode Echocardiography Measurement With Panel Attention 2024-09, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3413628 PMID:38865231	研究论文	本文提出了一种实时自动M模式超声心动图测量方案RAMEM，通过深度学习技术提高诊断效率和准确性	本文的创新点包括：1) 提供了首个M模式超声心动图数据集MEIS；2) 提出了带有面板注意力嵌入的UPANets V2卷积骨干网络，用于实时实例分割；3) 引入了自动M模式超声心动图测量算法AMEM	NA	开发一种自动化的实时M模式超声心动图测量方案，以提高诊断效率和准确性	M模式超声心动图的心脏尺寸和射血分数测量	计算机视觉	心血管疾病	深度学习	CNN	图像	首个M模式超声心动图数据集MEIS
12899	2024-12-11	BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+ Breast Cancer Through Multifeature and Multimodal Data Fusion 2024-09, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3418341 PMID:38913518	研究论文	本文提出了BioFusionNet，一个基于深度学习的框架，通过融合图像特征、遗传和临床数据，对ER+乳腺癌患者进行生存风险分层	引入了多特征和多模态数据融合的深度学习框架，使用自监督特征提取器、变分自编码器和自注意力网络，并设计了加权Cox损失函数来处理不平衡的生存数据	未提及具体的局限性	开发一种能够准确进行生存风险分层的深度学习模型，以指导个性化治疗决策	ER+乳腺癌患者的生存风险	数字病理学	乳腺癌	深度学习	自注意力网络	图像、遗传数据、临床数据	未提及具体样本数量
12900	2024-12-11	A Generalisable Heartbeat Classifier Leveraging Self-Supervised Learning for ECG Analysis During Magnetic Resonance Imaging 2024-09, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3411792 PMID:38857140	研究论文	本文提出了一种利用自监督学习进行心电图分析的可推广心跳分类器，用于磁共振成像期间的心电图信号分类	本文创新性地使用了孪生网络和自监督学习技术，利用大量未标注的心电图数据进行预训练，提高了模型在磁共振成像环境下对心电图信号的分类能力	本文的局限性在于仅在磁共振成像环境下进行了测试，未涉及其他环境下的心电图信号分类	研究目的是开发一种在磁共振成像环境下能够有效分类心电图信号的深度学习模型	研究对象是在磁共振成像期间获取的心电图信号	机器学习	心血管疾病	自监督学习	孪生网络	信号	使用了大量未标注的心电图数据进行预训练，具体样本数量未提及