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
14221	2024-10-11	Deep learning with noisy labels: Exploring techniques and remedies in medical image analysis 2020-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2020.101759 PMID:32623277	研究论文	本文探讨了在医学图像分析中使用深度学习处理噪声标签的技术和补救措施	本文开发了新的方法来对抗噪声标签的负面影响，并提供了针对不同类型噪声标签的缓解方法的建议	本文主要集中在噪声标签的处理上，未涉及其他可能影响深度学习模型性能的因素	帮助医学图像分析研究人员和开发者选择和设计有效处理深度学习中噪声标签的新技术	医学图像分析中的噪声标签问题	计算机视觉	NA	深度学习	深度模型	图像	三个医学影像数据集
14222	2024-10-11	Faster RCNN-based detection of cervical spinal cord injury and disc degeneration 2020-Sep, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.13001 PMID:32797664	研究论文	本研究利用深度神经网络结合Faster R-CNN模型，通过MRI图像检测颈椎脊髓损伤和椎间盘退变	首次将Faster R-CNN应用于MRI图像中颈椎疾病的分类和检测	研究样本仅限于1500名患者，且数据集划分存在不平衡	探索深度学习在MRI图像中颈椎疾病检测的应用	颈椎脊髓损伤和椎间盘退变	计算机视觉	脊髓疾病	MRI	Faster R-CNN	图像	1500名患者，分为椎间盘组（800例）、损伤组（200例）和正常组（500例）
14223	2024-10-11	Objective assessment of stored blood quality by deep learning 2020-09-01, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2001227117 PMID:32839303	研究论文	本文展示了使用无标签成像流式细胞术和深度学习来评估储存红细胞损伤的方法	本文提出了一种基于深度学习的无标签成像流式细胞术方法，用于客观评估储存红细胞的质量，并展示了其在分类红细胞形态方面的优越性	该方法尚未在多个站点、协议和仪器上进行广泛的临床测试	开发一种自动化且客观的方法来评估储存红细胞的质量	储存红细胞的损伤评估	机器学习	NA	深度学习	神经网络	图像	NA
14224	2024-10-11	Knowledge-primed neural networks enable biologically interpretable deep learning on single-cell sequencing data 2020-08-03, Genome biology IF:10.1Q1 DOI:10.1186/s13059-020-02100-5 PMID:32746932	研究论文	本文介绍了一种知识引导的神经网络（KPNNs），用于在单细胞测序数据上进行可解释的深度学习	KPNNs结合了深度学习的预测能力和生物网络的可解释性，通过在多层网络中分配有意义的权重，增强了模型的可解释性	本文仅在单细胞测序数据上验证了KPNNs的应用，未来需要在其他领域进一步验证其广泛适用性	开发一种结合深度学习预测能力和生物网络可解释性的方法	单细胞RNA测序数据，包括癌症和免疫细胞	机器学习	NA	单细胞RNA测序	神经网络	基因表达数据	五个生物应用中的单细胞RNA测序数据
14225	2024-10-11	Revealing architectural order with quantitative label-free imaging and deep learning 2020-07-27, eLife IF:6.4Q1 DOI:10.7554/eLife.55502 PMID:32716843	研究论文	本文报道了使用定量无标记成像和深度学习技术揭示未标记活细胞和组织切片中结构密度、各向异性和方向的方法	结合定量无标记成像（QLIPP）和深度神经网络，预测多种细胞和组织结构的荧光图像，并开发了多通道2.5D U-Net架构和数据归一化方法	NA	揭示未标记活细胞和组织切片中的结构密度、各向异性和方向，并预测荧光图像	未标记的活细胞和组织切片	计算机视觉	NA	定量无标记成像（QLIPP）	多通道2.5D U-Net	图像	NA
14226	2024-10-11	Machine Learning for 3D Kinematic Analysis of Movements in Neurorehabilitation 2020-06-15, Current neurology and neuroscience reports IF:4.8Q1 DOI:10.1007/s11910-020-01049-z PMID:32542455	综述	本文综述了机器学习，特别是深度学习在神经康复中3D运动学分析的应用	深度学习方法在人体姿势和运动分类中的应用，以及便携式立体摄像系统在临床环境中进行3D姿态估计的可能性	目前这些技术在运动康复领域的应用尚未广泛	探讨机器学习在3D运动学分析中的应用及其对神经康复的影响	机器学习在神经康复中的应用	机器学习	NA	深度学习	卷积神经网络	图像	NA
14227	2024-10-11	DePicT Melanoma Deep-CLASS: a deep convolutional neural networks approach to classify skin lesion images 2020-Mar-11, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-020-3351-y PMID:32164530	研究论文	提出了一种基于深度卷积神经网络的皮肤病变图像分类方法，用于早期检测黑色素瘤	采用深度卷积神经网络构建了DePicT Melanoma Deep-CLASS系统，显著提高了图像分类效率和推荐质量	NA	开发一种基于深度学习的皮肤病变分类方法，用于早期检测黑色素瘤	皮肤病变图像	计算机视觉	黑色素瘤	深度学习	卷积神经网络（CNN）	图像	1796张皮肤镜图像
14228	2024-10-11	Multi-resolution convolutional neural networks for fully automated segmentation of acutely injured lungs in multiple species 2020-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2019.101592 PMID:31760194	研究论文	本文提出了一种多分辨率卷积神经网络用于自动分割多物种中急性损伤肺部	本文创新性地使用多分辨率卷积神经网络，通过级联低分辨率到高分辨率网络，避免了在高分辨率和全局上下文之间的权衡	本文的局限性在于依赖于有限的训练数据集，并使用了迁移学习来弥补这一不足	研究目的是开发一种自动分割急性损伤肺部的方法	研究对象是多物种中急性呼吸窘迫综合征（ARDS）损伤的肺部	计算机视觉	呼吸系统疾病	卷积神经网络	多分辨率卷积神经网络	CT图像	287个动物数据集
14229	2024-10-11	Spatiotemporal Imputation of MAIAC AOD Using Deep Learning with Downscaling 2020-Feb, Remote sensing of environment IF:11.1Q1 DOI:10.1016/j.rse.2019.111584 PMID:32158056	研究论文	本文提出了一种利用深度学习进行降尺度处理的方法，用于填补MAIAC AOD数据的缺失值	本文创新性地使用深度学习结合降尺度技术，通过残差连接和参数共享来提高学习效果并减少过拟合，同时采用bagging方法降低误差方差	NA	研究目的是填补MAIAC AOD数据的缺失值，以提高空气质量建模的可靠性	研究对象是MAIAC AOD数据及其在加利福尼亚州的时空变异性	机器学习	NA	深度学习	深度残差网络	空间数据	研究涵盖了2000年至2016年加利福尼亚州的MAIAC AOD数据
14230	2024-10-11	Impact of a deep learning assistant on the histopathologic classification of liver cancer 2020, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-020-0232-8 PMID:32140566	研究论文	研究开发了一种基于深度学习的助手，用于帮助病理学家区分肝细胞癌和胆管癌，并评估其对诊断性能的影响	首次评估了深度学习助手在临床工作流程中对病理学家诊断性能的实际影响	研究样本量较小，且仅限于两种肝癌亚型	探讨深度学习助手在肝癌病理分类中的应用及其对病理学家诊断准确性的影响	肝细胞癌和胆管癌的病理分类，以及深度学习助手对病理学家诊断性能的影响	数字病理学	肝癌	深度学习	NA	图像	验证集26个全切片图像，独立测试集80个全切片图像，11名病理学家
14231	2024-10-11	Real-time colorectal cancer diagnosis using PR-OCT with deep learning 2020, Theranostics IF:12.4Q1 DOI:10.7150/thno.40099 PMID:32194821	研究论文	本文设计了一种基于深度学习的模式识别光学相干断层扫描（PR-OCT）系统，用于实时诊断结直肠癌	本文的创新点在于将深度学习技术应用于PR-OCT系统，实现了对结直肠癌的实时自动诊断	本文的局限性在于样本量相对较小，未来需要更大规模的数据集进行验证	本文的研究目的是开发一种能够实时诊断结直肠癌的新技术	本文的研究对象是结直肠癌及其相关组织	计算机视觉	结直肠癌	光学相干断层扫描（OCT）	卷积神经网络（CNN）	图像	约26,000张OCT图像，来自20个肿瘤区域、16个良性区域和6个其他异常区域
14232	2024-10-11	Automated identification of retinopathy of prematurity by image-based deep learning 2020, Eye and vision (London, England) DOI:10.1186/s40662-020-00206-2 PMID:32766357	研究论文	本研究开发了一种基于深度学习的智能系统，用于自动识别早产儿视网膜病变（ROP）的严重程度	本研究首次使用101层卷积神经网络（ResNet）和更快的区域卷积神经网络（Faster-RCNN）进行图像分类和识别，并实现了对ROP严重程度的四级分类	NA	开发一种能够自动分类ROP严重程度并检测ROP阶段和plus病变的智能系统	早产儿视网膜病变（ROP）的严重程度分类和病变检测	计算机视觉	NA	卷积神经网络（CNN）	ResNet和Faster-RCNN	图像	36,231张眼底图像
14233	2024-10-11	Predicting risk of late age-related macular degeneration using deep learning 2020, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-020-00317-z PMID:32904246	研究论文	本文利用深度学习和生存分析预测晚期年龄相关性黄斑变性的风险	本文首次展示了深度学习与生存分析结合的方法，能够准确预测晚期年龄相关性黄斑变性的风险，并在独立数据集上验证了其高预测准确性	本文的模型尚未在其他独立数据集上进行广泛验证，其泛化能力仍需进一步研究	开发一种能够准确预测晚期年龄相关性黄斑变性风险的深度学习模型，以辅助临床决策	年龄相关性黄斑变性患者	计算机视觉	眼科疾病	深度学习	深度学习模型	图像	3298名参与者（超过80,000张图像）
14234	2024-10-11	Deep Learning Applications to Combat Novel Coronavirus (COVID-19) Pandemic 2020, SN computer science DOI:10.1007/s42979-020-00383-w PMID:33163975	综述	本文综述了深度学习在抗击新型冠状病毒（COVID-19）大流行中的应用	本文探讨了深度学习在医疗影像、疾病追踪、蛋白质结构分析、药物发现和病毒严重性与传染性分析等多个方面的创新应用	尽管深度学习算法在多个研究中得到应用，但在实际问题中的应用仍存在一些限制和挑战	讨论深度学习在控制新型冠状病毒（COVID-19）大流行中的贡献	深度学习在医疗影像、疾病追踪、蛋白质结构分析、药物发现和病毒严重性与传染性分析等领域的应用	机器学习	新型冠状病毒（COVID-19）	深度学习	NA	NA	NA
14235	2024-10-11	Development and evaluation of inexpensive automated deep learning-based imaging systems for embryology 2019-12-21, Lab on a chip IF:6.1Q2 DOI:10.1039/c9lc00721k PMID:31755505	研究论文	开发并评估了一种基于深度学习的低成本自动化成像系统，用于胚胎学中的胚胎评估	开发了两种低成本的自动化成像平台，利用人工智能技术进行快速、可靠和准确的胚胎形态质量评估	仅在低分辨率图像数据上进行了测试，未提及高分辨率图像数据的效果	开发一种成本效益高且易于使用的硬件和软件系统，用于胚胎图像数据的采集和分析，以提高胚胎评估的效率	胚胎的形态质量评估	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	272和319张胚胎图像
14236	2024-10-11	Illuminating Clues of Cancer Buried in Prostate MR Image: Deep Learning and Expert Approaches 2019-10-30, Biomolecules IF:4.8Q1 DOI:10.3390/biom9110673 PMID:31671711	研究论文	本文通过可解释模型比较了深度学习和人类专家在前列腺MR图像中识别癌症区域的方法	本文首次通过3D重建病理图像，比较了深度学习关注的区域与放射科医生和病理学家识别的癌症位置的重叠情况	本文仅使用了307张前列腺MR图像和896张病理图像，样本量有限	比较深度学习和人类专家在前列腺MR图像中识别癌症区域的方法，并探讨深度学习在癌症诊断中的潜力	前列腺MR图像和病理图像	计算机视觉	前列腺癌	深度学习	深度神经网络	图像	307张前列腺MR图像和896张病理图像
14237	2024-10-11	Higher SNR PET image prediction using a deep learning model and MRI image 2019-05-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab0dc0 PMID:30844784	研究论文	本文提出了一种使用深度神经网络和MRI图像提高PET图像信噪比的方法	本文创新性地使用深度神经网络和MRI图像来提高PET图像的信噪比，而不需要在训练中使用高信噪比的PET图像	本文主要在数字脑模型上进行验证，尚未在真实临床数据上进行广泛验证	提高PET图像的信噪比	PET图像和MRI图像	计算机视觉	NA	深度神经网络	U-Net	图像	使用了来自BrainWeb的数字脑模型进行评估，模拟了6分钟的脑PET扫描
14238	2024-10-11	Visualizing histopathologic deep learning classification and anomaly detection using nonlinear feature space dimensionality reduction 2018-05-16, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-018-2184-4 PMID:29769044	研究论文	本文利用t-SNE技术降低特征空间的维度，展示卷积神经网络（CNN）在组织病理学中的分类和异常检测	开发了一种量化和透明的方法，在softmax压缩之前可视化分类决策，并使用t-SNE图上的类间关系进行统计驱动的多类分类	NA	探索如何利用深度学习在组织病理学中进行计算机视觉，并开发更通用的工具来可视化基于组织学的深度学习推断和决策	组织病理学图像的分类和异常检测	数字病理学	NA	t-SNE	CNN	图像	NA
14239	2024-10-11	Deep Learning in Nuclear Medicine and Molecular Imaging: Current Perspectives and Future Directions 2018-Apr, Nuclear medicine and molecular imaging IF:1.3Q3 DOI:10.1007/s13139-017-0504-7 PMID:29662559	综述	本文综述了深度学习在核医学和分子影像学中的应用现状及未来发展方向	探讨了深度学习在分子影像学中的独特应用，特别是生物标志物开发方面	未提及具体的技术细节或实验结果	介绍深度学习在分子影像学中的应用，并讨论其对临床决策和专家角色的潜在影响	核医学和分子影像学中的深度学习应用	计算机视觉	NA	深度学习	NA	图像	NA
14240	2024-10-11	Opportunities and obstacles for deep learning in biology and medicine 2018-04, Journal of the Royal Society, Interface DOI:10.1098/rsif.2017.0387 PMID:29618526	研究论文	本文探讨了深度学习在生物学和医学领域的应用及其面临的机遇和挑战	深度学习在生物医学领域的应用显示出有希望的进展，尽管改进相对温和，但提供了加速或辅助人类研究的有价值手段	深度学习尚未彻底改变生物医学领域，且在解释模型预测、数据标注不足以及法律和隐私限制方面存在挑战	探讨深度学习在生物医学领域的应用潜力及其面临的挑战	深度学习在患者分类、基本生物过程和患者治疗中的应用	机器学习	NA	深度学习	神经网络	数据	NA