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
14361	2024-10-09	Large-scale annotation dataset for fetal head biometry in ultrasound images 2023-Dec, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2023.109708 PMID:38020431	数据集	本文介绍了一个大规模的胎儿头部超声图像标注数据集	该数据集提供了多种格式的兼容性，适用于多种计算机视觉任务，并经过严格的验证过程	NA	为医学影像和计算机视觉领域的研究提供一个高质量的标注数据集	胎儿头部超声图像及其解剖区域的标注	计算机视觉	NA	NA	NA	图像	3832张高分辨率超声图像
14362	2024-10-09	Multi-class deep learning architecture for classifying lung diseases from chest X-Ray and CT images 2023-11-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-46147-3 PMID:37938631	研究论文	本文提出了一种用于从胸部X光和CT图像中分类多种肺部疾病的自动化系统	本文提出了一种新的图像增强算法，使用k-符号Lerch超越函数模型，并结合定制的卷积神经网络（CNN）和两个预训练的深度学习模型（AlexNet和VGG16Net）进行图像分类	NA	开发一种自动化的系统，用于从胸部X光和CT图像中检测多种肺部疾病	胸部X光和CT图像中的肺部疾病	计算机视觉	肺部疾病	卷积神经网络（CNN）	CNN	图像	公开可用的图像数据集（CT和X光图像数据集）
14363	2024-10-09	Identification of hybrids between the Japanese giant salamander (Andrias japonicus) and Chinese giant salamander (Andrias cf. davidianus) using deep learning and smartphone images 2023-Nov, Ecology and evolution IF:2.3Q2 DOI:10.1002/ece3.10698 PMID:37953985	研究论文	本研究利用深度学习和智能手机图像识别日本大鲵和中国大鲵的杂交个体	首次采用EfficientNetV2模型和智能手机图像进行杂交个体的识别	样本数量有限，仅包括11个日本大鲵和20个杂交个体的图像	开发一种基于深度学习的方法，用于识别日本大鲵和中国大鲵的杂交个体，以保护生物多样性	日本大鲵和中国大鲵的杂交个体	计算机视觉	NA	深度学习	EfficientNetV2	图像	11个日本大鲵和20个杂交个体的图像
14364	2024-10-09	Super-resolution segmentation network for inner-ear tissue segmentation 2023-Oct, Simulation and synthesis in medical imaging : ... International Workshop, SASHIMI ..., held in conjunction with MICCAI ..., proceedings. SASHIMI (Workshop) DOI:10.1007/978-3-031-44689-4_2 PMID:38560492	研究论文	本文提出了一种基于深度学习的超分辨率分割网络，用于内耳组织分割	本文提出的方法能够使用患者CT图像获得μCT级别的组织标签，并在内耳组织分割任务中表现优异	NA	研究如何使用深度学习方法从CT图像中提取高分辨率的内耳组织信息	内耳组织	计算机视觉	NA	深度学习	超分辨率分割网络	图像	NA
14365	2024-10-09	Assessment of Risk Factors and Clinical Importance of Enlarged Perivascular Spaces by Whole-Brain Investigation in the Multi-Ethnic Study of Atherosclerosis 2023-04-03, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2023.9196 PMID:37093602	研究论文	本研究通过全脑调查评估了扩大血管周围间隙（ePVSs）的风险因素及其在多民族动脉粥样硬化研究中的临床重要性	首次在全脑范围内研究ePVSs，并使用深度学习算法自动量化ePVSs的体积	这是一项横断面研究，无法确定因果关系	评估ePVSs的风险因素及其在全脑范围内的临床重要性	扩大血管周围间隙（ePVSs）及其与年龄、种族、血压等因素的关系	NA	NA	磁共振成像（MRI）	深度学习算法	图像	1026名参与者
14366	2024-10-09	Deep Learning Based Detection of Enlarged Perivascular Spaces on Brain MRI 2023-Mar, Neuroimage. Reports DOI:10.1016/j.ynirp.2023.100162 PMID:37035520	研究论文	研究提出了一种基于深度学习的框架，用于检测脑MRI中的扩大血管周围间隙（ePVS），并寻找最佳的MRI序列组合以支持深度学习量化	研究引入了一种轻量级U-Net模型，专门用于ePVS检测，并探讨了不同MRI序列组合对检测准确性的影响	研究主要集中在MRI序列的选择和组合上，未涉及其他可能影响检测的因素	旨在通过深度学习技术提高脑MRI中ePVS的检测准确性和效率	研究对象为脑MRI图像中的扩大血管周围间隙（ePVS）	计算机视觉	NA	深度学习	U-Net	图像	NA
14367	2024-10-09	Predictive Diagnostic Approach to Dementia and Dementia Subtypes Using Wireless and Mobile Electroencephalography: A Pilot Study 2022-Mar, Bioelectricity IF:1.6Q4 DOI:10.1089/bioe.2021.0030 PMID:39372226	研究论文	本研究探讨了使用无线和移动脑电图（wmEEG）对痴呆及其亚型进行预测性诊断的可行性	首次使用无线和移动脑电图技术对痴呆及其亚型进行预测性诊断，并展示了其在不同任务下的分类准确性	本研究为初步研究，样本量较小，需要进一步验证和扩大样本以提高结果的普适性	开发一种用于老年人群轻度认知障碍筛查的方法，并基于此方法早期干预痴呆的进展	痴呆患者及其亚型与非痴呆对照组	神经科学	老年疾病	无线和移动脑电图（wmEEG）	深度学习	脑电图数据	101名痴呆患者和非痴呆对照组
14368	2024-10-09	Enhancing deep-learning training for phase identification in powder X-ray diffractograms 2021-May-01, IUCrJ IF:2.9Q3 DOI:10.1107/S2052252521002402 PMID:33953927	研究论文	本文提出了一种生成合成粉末X射线衍射图谱的方法，用于增强深度学习模型在相位识别任务中的训练	开发了一种生成合成XRD扫描图谱的框架，模拟真实测量中的典型效应，用于训练机器或深度学习模型	需要数千个训练样本才能使模型达到可靠性能，但可用样本不足	提高深度学习模型在粉末X射线衍射图谱相位识别任务中的性能	铁矿石和水泥化合物	机器学习	NA	粉末X射线衍射（XRD）	卷积神经网络（CNN）	衍射图谱	数千个合成XRD扫描图谱
14369	2024-10-09	Machine learning and deep learning to predict mortality in patients with spontaneous coronary artery dissection 2021-04-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-88172-0 PMID:33903608	研究论文	本文探讨了机器学习和深度学习技术在预测自发性冠状动脉夹层患者住院期间死亡率中的应用	首次应用深度神经网络模型从电子健康记录中提取信息，预测自发性冠状动脉夹层患者的住院死亡率，并展示了该模型在预测准确性和区分能力上优于传统的机器学习模型	研究样本量较小，且仅限于一个城市健康系统的数据，可能影响模型的普适性	探索机器学习和深度学习技术在预测自发性冠状动脉夹层患者死亡率中的应用价值	自发性冠状动脉夹层患者	机器学习	心血管疾病	机器学习 (ML) 和深度学习 (DL)	深度神经网络	电子健康记录 (EHR)	375名自发性冠状动脉夹层患者
14370	2024-10-09	SMORE: A Self-Supervised Anti-Aliasing and Super-Resolution Algorithm for MRI Using Deep Learning 2021-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2020.3037187 PMID:33170776	研究论文	本文提出了一种基于卷积神经网络的自监督抗锯齿和超分辨率算法SMORE，用于提高MRI图像的质量	该方法无需外部训练数据，利用图像本身的高分辨率和低分辨率数据进行自监督训练	NA	提高MRI图像的分辨率和减少锯齿伪影	MRI图像	计算机视觉	NA	卷积神经网络	CNN	图像	广泛收集的MRI数据，包括滤波和下采样的图像以及实际采集的低分辨率图像
14371	2024-10-09	Deep Neural Networks Offer Morphologic Classification and Diagnosis of Bacterial Vaginosis 2021-01-21, Journal of clinical microbiology IF:6.1Q1 DOI:10.1128/JCM.02236-20 PMID:33148709	研究论文	本文开发并优化了一种卷积神经网络（CNN）模型，用于自动识别和分类显微镜图像中的Nugent评分，以诊断细菌性阴道病	本文首次使用深度学习模型进行细菌性阴道病的形态学分类和诊断，模型在准确性和稳定性上优于人类医疗从业者	本文未详细讨论模型的泛化能力在不同医院或不同设备上的表现	开发一种自动化的方法来诊断细菌性阴道病，以替代传统的人工诊断方法	细菌性阴道病的诊断和分类	计算机视觉	妇科疾病	卷积神经网络（CNN）	CNN	图像	验证图像5,815张，独立测试图像1,082张
14372	2024-10-09	Prediction of COVID-19 with Computed Tomography Images using Hybrid Learning Techniques 2021, Disease markers DOI:10.1155/2021/5522729 PMID:33968281	研究论文	本文使用混合学习模型对COVID-19、社区获得性肺炎（CAP）和正常CT图像进行分类	提出了一种混合学习模型，相比其他机器学习和深度学习分类器，在COVID-19分类中表现更优	未提及具体限制	提高COVID-19早期诊断的准确性	COVID-19、社区获得性肺炎（CAP）和正常CT图像	计算机视觉	COVID-19	混合学习技术	混合学习模型	CT图像	未提及具体样本数量
14373	2024-10-09	Deep learning-based medical image segmentation with limited labels 2020-11-20, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abc363 PMID:33086205	研究论文	本文提出了一种基于深度学习的医学图像分割方法，利用变形图像配准技术生成伪轮廓，以减少对大量标注数据的依赖	本文创新性地使用变形图像配准技术生成伪轮廓，结合少量标注数据训练深度学习模型，提高了在有限标注数据情况下的分割精度	本文仅在特定数据集上进行了验证，尚未在更广泛的数据集上进行测试	研究如何在有限标注数据的情况下，利用深度学习技术实现准确的医学图像分割	本文主要研究了下颌骨、腮腺和下颌下腺的分割	计算机视觉	NA	变形图像配准	深度学习模型	医学图像	10个标注的TCIA数据集和50个未标注的CT扫描图像
14374	2024-10-09	Role of intelligent computing in COVID-19 prognosis: A state-of-the-art review 2020-Sep, Chaos, solitons, and fractals DOI:10.1016/j.chaos.2020.109947 PMID:32836916	综述	本文综述了机器学习和深度学习方法在COVID-19诊断和预测中的应用	比较了机器学习与其他竞争方法（如数学和统计模型）在COVID-19问题上的影响	NA	探讨智能计算在COVID-19预后中的作用	COVID-19的诊断和预测	机器学习	COVID-19	机器学习、深度学习	NA	NA	NA
14375	2024-10-09	Early triage of critically ill COVID-19 patients using deep learning 2020-07-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-17280-8 PMID:32669540	研究论文	本文展示了基于深度学习的生存模型可以预测COVID-19患者发展为重症的风险	开发了一种基于深度学习的生存模型，用于早期识别COVID-19患者发展为重症的风险	NA	早期识别COVID-19患者发展为重症的风险	COVID-19患者	机器学习	COVID-19	深度学习	生存模型	临床特征	1590名患者，来自575家医疗中心，并在武汉、湖北和广东省的三个独立队列中验证，共1393名患者
14376	2024-10-09	Efficient Pneumonia Detection in Chest Xray Images Using Deep Transfer Learning 2020-Jun-19, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics10060417 PMID:32575475	研究论文	提出了一种基于深度迁移学习的模型，用于在胸部X光图像中高效检测肺炎	引入了一种加权分类器，结合了多种最先进的深度学习模型（如ResNet18、Xception、InceptionV3、DenseNet121和MobileNetV3）的加权预测，以优化诊断效果	NA	提高肺炎诊断的准确性，辅助放射科医生的决策过程	胸部X光图像中的肺炎检测	计算机视觉	肺炎	深度迁移学习	加权分类器	图像	使用了来自广州妇女儿童医疗中心的肺炎数据集
14377	2024-10-09	Artificial Intelligence and COVID-19: Deep Learning Approaches for Diagnosis and Treatment 2020, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/ACCESS.2020.3001973 PMID:34192103	研究论文	本文探讨了利用人工智能和深度学习方法来诊断和治疗COVID-19	本文介绍了多种深度学习方法，如生成对抗网络（GANs）、极限学习机（ELM）和长短期记忆网络（LSTM），用于构建诊断和治疗COVID-19的AI平台	NA	开发基于人工智能的平台，以加速COVID-19的诊断和治疗	COVID-19的诊断和治疗	机器学习	传染病	深度学习	生成对抗网络（GANs）、极限学习机（ELM）、长短期记忆网络（LSTM）	临床数据、医学影像	NA
14378	2024-10-09	Infer Cause of Death for Population Health Using Convolutional Neural Network 2017-Aug, ACM-BCB ... ... : the ... ACM Conference on Bioinformatics, Computational Biology and Biomedicine. ACM Conference on Bioinformatics, Computational Biology and Biomedicine DOI:10.1145/3107411.3107447 PMID:32642743	研究论文	本文利用卷积神经网络（CNN）推断人口死亡原因，以改善公共卫生报告和提高患者护理质量	采用数据驱动的方法分析和改进死亡报告流程，构建了先进的深度学习模型CNN，并提供了模型解释	模型准确率为75%，仍有提升空间	推断人口死亡原因，改善公共卫生报告和患者护理质量	人口死亡原因	机器学习	NA	卷积神经网络（CNN）	卷积神经网络（CNN）	医疗数据	未明确提及具体样本数量
14379	2024-10-09	Deep Filter Banks for Texture Recognition, Description, and Segmentation 2016, International journal of computer vision IF:11.6Q1 DOI:10.1007/s11263-015-0872-3 PMID:27471340	研究论文	本文提出了一种新的纹理属性词汇，并开发了相应的基准测试，同时研究了在现实成像条件下识别材料和纹理属性的问题，并探讨了深度学习背景下经典纹理表示的效率和泛化性能	提出了一个人类可解释的纹理属性词汇，并开发了新的基准测试；在深度学习背景下重新审视了经典纹理表示，并展示了其在卷积层作为滤波器时的效率和泛化性能	未提及	改进纹理识别、描述和分割的方法	纹理属性和材料识别	计算机视觉	NA	深度学习	卷积神经网络 (CNN)	图像	基于OpenSurfaces数据集的纹理图像
14380	2024-10-08	Enhancing practicality of deep learning for crop disease identification under field conditions: insights from model evaluation and crop-specific approaches 2024-Nov, Pest management science IF:3.8Q1 DOI:10.1002/ps.8317 PMID:39030887	研究论文	研究评估了在实验室、田间和混合条件下使用深度学习模型进行作物病害识别的准确性，并探讨了模型架构和作物特异性模型对准确性的影响	研究了不同条件下（实验室、田间和混合）的作物病害识别准确性，并探讨了作物特异性模型对减少跨作物病害误分类的影响	尽管作物特异性模型减少了跨作物病害误分类，但也导致了同种作物内病害误分类的轻微增加	评估在不同条件下使用深度学习模型进行作物病害识别的准确性，并探讨模型架构和作物特异性模型的影响	苹果、马铃薯和番茄的14种病害	计算机视觉	NA	卷积神经网络 (CNN)	DenseNets, ResNets, MobileNetV3, EfficientNet, VGG Nets	图像	包含苹果、马铃薯和番茄的14种病害的数据集