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
12901	2024-08-04	Automated MR Image Prescription of the Liver Using Deep Learning: Development, Evaluation, and Prospective Implementation 2023-08, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28564 PMID:36583550	研究论文	本文介绍了一种基于人工智能的肝脏图像自动处方方法。	提出了一种全自动的肝脏磁共振成像处方系统，使用YOLOv3模型进行物体检测。	研究主要依赖于回顾性数据和小样本的前瞻性评估，可能限制了结果的广泛适用性。	开发和评估一种基于人工智能的肝脏图像自动处方方法。	570名女性和469名男性患者以及6名健康志愿者。	数字病理学	NA	深度学习	YOLOv3	图像	总共1039个三平面定位采集 (26,929 slices)
12902	2024-08-04	Rapid 3D T1 mapping using deep learning-assisted Look-Locker inversion recovery MRI 2023-08, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.29672 PMID:37125662	研究论文	本文提出了一种深度学习辅助的快速3D T1映射方法。	该方法通过深度学习学习从有效T1与T1之间的转化，无需延迟时间(TD)，提高了3D LLIR成像的效率。	研究中未提及样本的多样性以及在临床环境中的验证。	研究目的是提高3D LLIR T1映射的效率和准确性。	研究对象为经历不同延迟时间的GraspT1数据集。	数字病理学	NA	GraspT1成像	深度学习网络	图像	39个GraspT1数据集用于训练和14个GraspT1数据集用于测试
12903	2024-08-04	Employing Multiple Low-Dose PET Images (at Different Dose Levels) as Prior Knowledge to Predict Standard-Dose PET Images 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00815-y PMID:36988836	研究论文	本文探讨了利用多种低剂量PET图像作为先验知识来预测标准剂量PET图像的方法	该研究首次整合多个不同剂量水平的PET图像作为输入，以改善医学成像的预测精度	未提及数据集的多样性及其对模型泛化能力的影响	研究低剂量PET图像在预测标准剂量PET图像中的应用	使用不同剂量的PET图像对标准剂量PET图像进行预测	数字病理学	NA	NA	ResNet	图像	使用多个低剂量PET图像，包括6%、4%和2% L-PET图像
12904	2024-08-04	Discrimination Between Glioblastoma and Solitary Brain Metastasis Using Conventional MRI and Diffusion-Weighted Imaging Based on a Deep Learning Algorithm 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00838-5 PMID:37156977	研究论文	本研究旨在开发和验证一个深度学习模型，以区分胶质母细胞瘤与孤立性脑转移。	本研究结合常规MRI和扩散加权成像，开发了多种深度学习模型，并展示了组合模型的分类性能优于单一MRI序列模型。	本研究的样本来自于回顾性数据收集，可能存在选择偏差。	研究的目的是提高胶质母细胞瘤与孤立性脑转移的鉴别能力。	研究对象为202名孤立性脑肿瘤患者，包括104例胶质母细胞瘤和98例脑转移。	数字病理学	胶质母细胞瘤	MRI，扩散加权成像（DWI）	3D残差网络-18	医学影像	202名患者（104名胶质母细胞瘤和98名脑转移）
12905	2024-08-04	Deep-Learning-Based Contrast Synthesis From MRF Parameter Maps in the Knee Joint 2023-08, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28573 PMID:36562500	研究论文	本研究探讨了如何从MRF量化数据中合成对比加权的MR图像，以提高MRF的临床实用性	使用经过训练的U-net网络结合L1和感知损失函数进行对比合成，是改善MRF成像的一种新方法	还需要更多研究来验证这些合成图像的诊断准确性	通过合成对比加权的MR图像来提高磁共振指纹技术的临床应用价值	来自1986年北芬兰出生队列的184名受试者的膝关节MRI数据	数字病理学	NA	磁共振成像，磁共振指纹技术	U-net	图像	184名受试者的膝关节MRI数据
12906	2024-08-04	The role of anatomical context in soft-tissue multi-organ segmentation of cadaveric non-contrast-enhanced whole body CT 2023-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.16330 PMID:36847064	研究论文	本文探讨了在尸体非对比全身CT图像中，解剖上下文在软组织多脏器分割中的重要性	首次比较了2D UNet和3D VNet算法在尸体CT图像分割中的有效性，并强调了解剖上下文在分割中的作用	没有涉及尸体CT图像以外的其他类型的图像分割	旨在确定2D和3D分割算法在尸体非对比增强CT图像处理中的有效性	研究对象为尸体CT图像中的肾脏和肝脏	计算机视觉	NA	CT成像	UNet和VNet	图像	NA
12907	2024-08-04	Toward Automated Detection of Silent Cerebral Infarcts in Children and Young Adults With Sickle Cell Anemia 2023-08, Stroke IF:7.8Q1 DOI:10.1161/STROKEAHA.123.042683 PMID:37387218	研究论文	本文探讨了如何使用深度学习自动检测镰状细胞贫血儿童和年轻成人的无声脑梗死。	本研究创新性地应用UNet深度学习模型，实现了无声脑梗死的全自动分割，提供了一种新的早期诊断工具。	尽管UNet在检测小型无声脑梗死方面表现敏感，但仍需进一步训练以提升准确性。	研究的目的是探索深度学习在自动诊断镰状细胞贫血患者无声脑梗死中的应用。	研究对象为镰状细胞贫血的儿童和年轻成人。	数字病理学	NA	磁共振成像	UNet	成像	SIT试验926名参与者（平均年龄8.9岁），外部验证80名参与者（平均年龄11.5岁）
12908	2024-08-04	Smart IoT in Breast Cancer Detection Using Optimal Deep Learning 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00834-9 PMID:37221422	研究论文	本研究开发了一种基于物联网的智能医疗系统，用于乳腺癌的分类。	提出了反馈人工群搜索（FACS）与牧羊卷积神经网络（ShCNN）相结合的方法用于乳腺癌检测	缺乏对其他疾病或数据集的验证	研究基于物联网的智能医疗在乳腺癌检测中的应用	乳腺癌分类与特征提取	计算机视觉	乳腺癌	深度学习	卷积神经网络（CNN）	图像	NA
12909	2024-08-04	Tensor-RT-Based Transfer Learning Model for Lung Cancer Classification 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00822-z PMID:37059889	研究论文	本研究提出了一种基于Tensor-RT的转移学习框架，用于肺癌CT图像的良性和恶性分类	提出了一个高效的实时转移学习框架，采用加权VGG深度网络并在Nvidia Tensor-RT中进行模型推理	尽管该模型表现良好，但仍可能面临动态环境下的实时分类挑战	改善肺癌CT图像的实时分类性能	肺癌的CT图像，特别是CT扫描肺切片	计算机视觉	肺癌	卷积神经网络 (CNN)	加权VGG深度网络 (WVDN)	图像	19419个计算机断层扫描肺切片
12910	2024-08-04	A Lightweight and Robust Framework for Circulating Genetically Abnormal Cells (CACs) Identification Using 4-Color Fluorescence In Situ Hybridization (FISH) Image and Deep Refined Learning 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00843-8 PMID:37231288	研究论文	本研究开发了一种轻量级和稳健的深度学习网络用于循环基因异常细胞的识别	提出了一种基于4色FISH图像的深度学习网络，并设计了新的信号标准化方法和在线重复训练策略	未提及具体的限制因素	提高循环基因异常细胞的识别精度和临床检测率	循环基因异常细胞（CACs）	数字病理学	癌症	4色荧光原位杂交（FISH）	FISH-Net	临床样本数据	853名患者的临床样本来自10个中心
12911	2024-08-04	Fully Automated Longitudinal Assessment of Renal Stone Burden on Serial CT Imaging Using Deep Learning 2023-08, Journal of endourology IF:2.9Q1 DOI:10.1089/end.2023.0066 PMID:37310890	研究论文	使用深度学习自动化测量和跟踪肾结石在连续CT扫描中的负担	首次利用深度学习模型实现肾结石负担的完全自动化评估	仅包含来自单一医疗中心的回顾性数据，可能限制了研究的广泛适用性	研究旨在自动化肾结石负担的测量与追踪	113名接受肾结石治疗的患者的259个CT扫描	计算机视觉	NA	深度学习	NA	影像	259个CT扫描，来自113名患者
12912	2024-08-04	Skin Lesion Segmentation in Dermoscopic Images with Noisy Data 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00819-8 PMID:37020149	研究论文	本文提出了一种深度学习方法用于在皮肤镜图像中分割皮肤病变	提出了一种利用预训练的EfficientNet模型和压缩激励残差结构的网络架构	实验结果表明测试集中的噪声标签会对评估得分产生不利影响	研究深度学习在皮肤病变分割中的应用	应用于国际皮肤成像合作（ISIC）2017挑战赛皮肤病变分割数据集	计算机视觉	皮肤疾病	深度学习	EfficientNet	图像	ISIC 2017挑战赛皮肤病变分割数据集
12913	2024-08-04	Glomerulus Detection Using Segmentation Neural Networks 2023-08, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00764-y PMID:37020148	研究论文	本研究提出了一种基于深度学习的肾小球检测方法	创新点在于使用多种卷积神经网络模型进行肾小球区域的检测	未提及具体在临床应用中的限制	提高肾脏移植前的准确诊断和疾病识别	数字化肾脏幻灯片中的肾小球部分	数字病理学	NA	卷积神经网络	ResNet, UNet, LinkNet, EfficientNet	图像	使用了NIH HuBMAP肾脏全幻灯片图像数据集
12914	2024-08-04	A neural ordinary differential equation model for visualizing deep neural network behaviors in multi-parametric MRI-based glioma segmentation 2023-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.16286 PMID:36840621	研究论文	开发了一种神经普通微分方程（ODE）模型，用于可视化深度神经网络在基于多参数MRI的胶质瘤分割中的行为	提出了一种新的深度学习模型Neural ODE，通过神经网络参数化的ODE实现深度特征提取，增强了深度学习的可解释性	比较模型基于少数关键MRI模态进行分割时与全模态结果的差异较小且无显著性	研究深度神经网络在多参数MRI胶质瘤分割中的表现与可视化	369名胶质瘤患者的多参数MRI数据	数字病理学	胶质瘤	多参数MRI协议	Neural ODE	医学影像	369名胶质瘤患者
12915	2024-08-04	Predicting Visual Field Worsening with Longitudinal OCT Data Using a Gated Transformer Network 2023-08, Ophthalmology IF:13.1Q1 DOI:10.1016/j.ophtha.2023.03.019 PMID:37003520	研究论文	本研究旨在利用门控变换网络(GTN)从纵向OCT数据中识别视野恶化。	该研究引入了一种新方法，通过多种标准定义视野恶化，并使用GTN进行预测。	对于基线更严重的青光眼患者，GTN的性能较差。	研究的目的是通过分析OCT数据预测视野恶化。	研究对象为4211只眼睛的纵向OCT数据和视野结果。	数字病理学	青光眼	OCT	门控变换网络(GTN)	眼部扫描数据	4211只眼睛（2666名患者）
12916	2024-08-07	Multi-class deep learning segmentation and automated measurements in periodontal sonograms of a porcine model 2022-Mar-01, Dento maxillo facial radiology DOI:10.1259/dmfr.20210363 PMID:34762512	研究论文	本研究利用深度学习技术对牙周超声图像进行多类别分割和软组织高度自动测量	本研究首次将深度学习应用于牙周超声图像的自动分割和软组织高度测量，提高了识别牙周结构的准确性	研究样本仅限于猪模型，且测试集包括不同品种的猪，未来需在更多物种和品种中验证模型效果	探索深度学习在牙周超声图像识别和测量中的应用潜力	牙周超声图像中的软组织、骨和牙冠	机器学习	NA	深度学习	多类别分割模型	图像	627帧图像来自111个独立的电影循环，涉及8头猪的样本
12917	2024-08-07	Deep representation learning of patient data from Electronic Health Records (EHR): A systematic review 2021-03, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2020.103671 PMID:33387683	综述	本文对从电子健康记录（EHR）中学习患者数据的深度表示进行了系统性综述，提供了方法学角度的定性和定量分析	强调了学习患者EHR数据综合表示的重要性和可行性，并探讨了未来利用EHR数据丰富性和潜力的方向	现有的预测模型主要关注单一疾病的预测，而非从整体角度考虑患者的复杂机制	系统性综述患者表示学习领域，并从方法学角度进行定性和定量分析	从EHR中学习患者数据的深度表示	机器学习	NA	深度学习方法	循环神经网络（长短期记忆：13项研究，门控循环单元：11项研究）	结构化EHR数据	49项研究
12918	2024-08-07	Deep learning-assisted comparative analysis of animal trajectories with DeepHL 2020-10-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-19105-0 PMID:33082335	研究论文	本研究介绍了DeepHL平台，一个利用深度学习辅助进行动物运动轨迹比较分析的工具	DeepHL平台采用基于注意力机制的深度神经网络，自动检测并突出显示轨迹中特定于某个群体的特征段，帮助生物学家揭示这些特征段的潜在意义	NA	旨在通过深度学习技术辅助生物学家进行动物行为轨迹的比较分析	多种动物（如蠕虫、昆虫、老鼠、熊和海鸟）的运动轨迹	机器学习	NA	深度学习	基于注意力机制的深度神经网络	轨迹数据	多种动物的运动轨迹，范围从毫米到数百公里
12919	2024-08-07	Non-invasive decision support for NSCLC treatment using PET/CT radiomics 2020-10-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-19116-x PMID:33067442	研究论文	本文报道了一种基于F-FDG-PET/CT的深度学习模型，用于非小细胞肺癌（NSCLC）治疗决策支持，特别是EGFR突变状态的预测。	该研究开发了一种非侵入性的深度学习评分（EGFR-DLS），能够精确量化NSCLC患者的EGFR突变状态，有助于指导治疗选择。	NA	旨在开发一种新的方法来帮助指导非小细胞肺癌的治疗选择。	非小细胞肺癌（NSCLC）患者的治疗决策支持。	机器学习	肺癌	PET/CT	深度学习模型	图像	多个机构的患者群体
12920	2024-08-07	Exploration into biomarker potential of region-specific brain gene co-expression networks 2020-10-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-73611-1 PMID:33051491	研究论文	本研究利用GTEx项目的RNA表达数据构建了正常大脑的基因共表达网络（GCN），并基于大脑结构将其整合为六个大脑迷你GCN，以探索其作为生物标志物的潜力	首次构建了基于大脑区域的基因共表达网络，并发现这些网络中的基因在肿瘤中显示出更高的突变率	NA	探索大脑区域特异性基因共表达网络作为生物标志物的潜力	大脑区域特异性基因共表达网络及其在肿瘤中的突变情况	基因组学	脑肿瘤	RNA表达分析	深度学习分类器（Gene Oracle）	基因表达数据	来自GTEx项目的多个大脑区域样本