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
14801	2024-08-05	Ensemble Deep Learning-Based Image Classification for Breast Cancer Subtype and Invasiveness Diagnosis from Whole Slide Image Histopathology 2024-Jun-14, Cancers IF:4.5Q1 DOI:10.3390/cancers16122222 PMID:38927927	研究论文	本研究提出了一种基于集成深度学习的乳腺癌亚型和侵袭性诊断的方法	引入了一种新的图像补丁技术来预处理高分辨率图像，并采用集成策略结合了多种深度学习模型以提高分类精度	仅使用了来自两个不同中心的现有数据集，可能不足以涵盖所有类型的乳腺癌	研究旨在改进乳腺癌的诊断和分类，提升患者管理和治疗规划的有效性	研究对象为乳腺癌的组织病理学图像，包含来自BACH和BreakHis数据集的样本	数字病理学	乳腺癌	深度学习	VGG16, ResNet34, ResNet50	图像	BACH数据集400个全幻灯片图像，BreakHis数据集8个类别的显微镜图像
14802	2024-08-05	Empowering Modern Dentistry: The Impact of Artificial Intelligence on Patient Care and Clinical Decision Making 2024-Jun-14, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14121260 PMID:38928675	综述	这篇文章阐述了人工智能在提升牙科诊断和治疗计划中的潜在作用	本文创新性地探讨了人工智能在牙科各个领域应用的深度及其对患者护理标准的提升	文章指出将人工智能整合到临床实践中面临数据安全和结果透明度等挑战	本研究旨在探索人工智能在现代牙科中的应用及其对临床决策的影响	研究对象是不同牙科领域中人工智能的应用案例	数字病理学	NA	深度学习	卷积神经网络	NA	NA
14803	2024-08-05	A Study on the Robustness and Stability of Explainable Deep Learning in an Imbalanced Setting: The Exploration of the Conformational Space of G Protein-Coupled Receptors 2024-Jun-14, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms25126572 PMID:38928278	研究论文	本研究探讨了在不平衡设置中可解释深度学习的鲁棒性和稳定性	该研究通过评估不同的不平衡缓解技术下的深度学习预测，扩展了之前的分析，解决了类别不平衡带来的挑战	由于缺乏具体的实验数据和样本细节，可能限制了结果的普遍适用性	研究旨在提高深度学习在GPCR构象状态识别中的可靠性和鲁棒性	研究对象为G蛋白偶联受体（GPCRs），特别是β2-肾上腺素受体	计算机视觉	NA	分子动力学模拟（MD）和机器学习（ML）	深度学习（DL）	NA	NA
14804	2024-08-05	Virtual Experience Toolkit: An End-to-End Automated 3D Scene Virtualization Framework Implementing Computer Vision Techniques 2024-Jun-13, Sensors (Basel, Switzerland) DOI:10.3390/s24123837 PMID:38931621	研究论文	介绍了一个自动化的用户友好的框架，用于虚拟化现实世界的室内场景。	提出了虚拟体验工具包（VET），结合深度学习和先进的计算机视觉技术，实现室内场景的高效自动化虚拟化。	NA	旨在提高虚拟现实中用户体验的真实感和互动性。	虚拟化现实世界的室内场景。	计算机视觉	NA	深度学习，计算机视觉	NA	3D场景	使用多样化的数据集，包括ScanNet数据集
14805	2024-08-05	Diagnosis of Citrus Greening Using Artificial Intelligence: A Faster Region-Based Convolutional Neural Network Approach with Convolution Block Attention Module-Integrated VGGNet and ResNet Models 2024-Jun-13, Plants (Basel, Switzerland) DOI:10.3390/plants13121631 PMID:38931063	研究论文	本研究利用人工智能诊断柑橘黄龙病，提出了一种基于区域的卷积神经网络方法，并集成了卷积块注意模块的VGGNet和ResNet模型	提出了一种通过集成CBAM提高柑橘黄龙病检测精度的深度学习模型	目前尚无针对该疾病的直接控制措施，依赖于综合管理措施	研究如何高效检测柑橘黄龙病感染的树木	柑橘黄龙病感染的柑橘树	计算机视觉	NA	深度学习	Faster R-CNN	图像	NA
14806	2024-08-05	Human Joint Angle Estimation Using Deep Learning-Based Three-Dimensional Human Pose Estimation for Application in a Real Environment 2024-Jun-13, Sensors (Basel, Switzerland) DOI:10.3390/s24123823 PMID:38931606	研究论文	该研究比较了四种基于深度学习的三维人体姿态估计方法在真实环境中的应用	提出了关节位置修正技术，以消除日常动作中的左右反转和虚假检测	当前的三维姿态估计方法在真实环境中面临训练数据有限和深度模糊等挑战	旨在提高在真实环境中对人类活动进行准确识别的能力	研究对象为日常生活中的关节动作及角度变化	计算机视觉	NA	深度学习	NA	视频	三种自由手体操练习的运动数据
14807	2024-08-05	Explicit Image Caption Reasoning: Generating Accurate and Informative Captions for Complex Scenes with LMM 2024-Jun-13, Sensors (Basel, Switzerland) DOI:10.3390/s24123820 PMID:38931605	研究论文	本文介绍了一种名为显式图像标题推理（ECR）的新方法，能够为复杂场景生成准确且信息丰富的标题。	引入了显式图像标题推理（ECR），采用增强推理链分析传感器捕获的图像，以深入理解对象关系。	可能未详细探讨ECR在不同类型复杂场景的通用性或适用性。	提升复杂场景的图像标题生成的准确性和信息量。	传感器捕获的复杂场景图像。	计算机视觉	NA	未提及具体技术，但涉及传感器技术和深度学习	多模态模型（ECRMM）	图像	使用了优化的ICICD数据集，具体样本数量未说明
14808	2024-08-05	Analysis of Varroa Mite Colony Infestation Level Using New Open Software Based on Deep Learning Techniques 2024-Jun-13, Sensors (Basel, Switzerland) DOI:10.3390/s24123828 PMID:38931612	研究论文	本文提出了一种基于深度学习技术的新软件，用于分析蜂群中的瓦螨侵染水平	提出了一种新的深度学习方法，用于通过手机相机拍摄的粘性板图像定位和计数瓦螨	图像数据集包含模糊和伪影，使得任务具有挑战性	控制瓦螨侵染并提高蜂群健康以保护全球食品供应	分析蜜蜂群体中的瓦螨数量	计算机视觉	NA	深度学习	两阶段检测器（feature pyramid networks）	图像	构建了一个包含多种伪影和模糊部分的新数据集
14809	2024-08-05	Improving Surgical Scene Semantic Segmentation through a Deep Learning Architecture with Attention to Class Imbalance 2024-Jun-13, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines12061309 PMID:38927516	研究论文	本文探讨了腹腔镜手术图像的语义分割，特别强调少数观察结构的分割。	提出了深度神经网络架构的调整参数，提高了手术场景中所有结构的鲁棒性分割。	未明确指出本文的具体局限性	提高腹腔镜手术图像中的结构语义分割准确性。	研究对象为腹腔镜手术图像中的不同结构。	计算机视觉	NA	深度学习	U-Net5ed, SegNet-VGG19, DeepLabv3+	图像	NA
14810	2024-08-05	Machine Learning and Deep Learning Methods for Fast and Accurate Assessment of Transthoracic Echocardiogram Image Quality 2024-Jun-13, Life (Basel, Switzerland) DOI:10.3390/life14060761 PMID:38929743	研究论文	本研究旨在开发、验证和比较机器学习和深度学习算法，以准确和自动地评估经胸超声心动图像质量	提出了一种新方法，通过从原始图像计算的块直方图训练经典机器学习算法	可能未讨论深度学习模型的可解释性和临床适用性	研究如何提高经胸超声心动图像质量评估的准确性和自动化水平	使用来自3530名成年患者的4090帧单张二维经胸超声心动图像	机器学习	心血管疾病	图像处理算法和卷积神经网络	CNN	图像	4090张二维经胸超声心动图像
14811	2024-08-05	MCP: Multi-Chicken Pose Estimation Based on Transfer Learning 2024-Jun-12, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani14121774 PMID:38929393	研究论文	本研究主要分析了一种基于深度学习的多鸡姿态估计方法	首次使用迁移学习进行多只鸡的姿态估计	关于该方法的具体应用范围和在实际场景中的表现尚不明确	旨在通过姿态估计改进家禽行为分析	多只鸡的姿态估计	计算机视觉	NA	迁移学习	姿态估计网络	图像	NA
14812	2024-08-05	Performance Comparison of Convolutional Neural Network-Based Hearing Loss Classification Model Using Auditory Brainstem Response Data 2024-Jun-12, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14121232 PMID:38928647	研究论文	本研究评估了多种卷积神经网络（CNN）模型在使用听觉脑干反应（ABR）图像数据进行听力损失分类中的有效性	采用多种CNN架构进行听力损失分类，对各模型进行了系统性比较，发现AlexNet模型在准确性和计算效率上表现最佳	未探讨其他潜在影响因素对模型性能的影响，且未提供模型在不同人群中的适用性分析	研究旨在自动化诊断听力损失，优化深度学习模型的性能	研究对象为7990个预处理的ABR图像数据样本	计算机视觉	听力损失	卷积神经网络（CNN）	AlexNet等多个模型	图像	7990个预处理的ABR图像
14813	2024-08-05	Bridging the Diagnostic Gap between Histopathologic and Hysteroscopic Chronic Endometritis with Deep Learning Models 2024-Jun-12, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina60060972 PMID:38929589	研究论文	这篇文章探讨了使用深度学习模型弥补慢性子宫内膜炎的组织病理学与宫腔镜诊断之间的差距	文章提出了一种新的基于宫腔镜图像的深度学习预测工具，用于诊断慢性子宫内膜炎	研究可能未能覆盖所有类型的慢性子宫内膜炎病例，样本量和多样性需要进一步增加	本研究旨在开发更少侵入性的慢性子宫内膜炎诊断工具	研究对象为不明原因的不孕妇女中患有慢性子宫内膜炎的个体	计算机视觉	妇科疾病	深度学习	NA	图像	NA
14814	2024-08-05	SDC-Net++: End-to-End Crash Detection and Action Control for Self-Driving Car Deep-IoT-Based System 2024-Jun-12, Sensors (Basel, Switzerland) DOI:10.3390/s24123805 PMID:38931589	研究论文	本研究提出了一种增强版的SDC-Net++系统，可以检测事故位置并传递控制动作	通过替换分类网络为检测网络、调整数据集标签和通过IoT共享事故位置，提升了系统的功能	研究依赖于CARLA模拟器生成的数据集，可能与真实环境存在差异	提高自动驾驶汽车在事故识别和控制响应方面的能力	自动驾驶汽车及其在事故情况下的控制行为	计算机视觉	NA	深度学习, IoT	多任务网络	图像	相同的训练、验证和测试样本
14815	2024-08-05	Enhancing Histopathological Image Classification Performance through Synthetic Data Generation with Generative Adversarial Networks 2024-Jun-11, Sensors (Basel, Switzerland) DOI:10.3390/s24123777 PMID:38931561	研究论文	本研究通过使用生成对抗网络（GANs）进行数据增强，提升了组织病理图像分类的模型性能	使用生成对抗网络代替传统数据增强技术来生成图像，从而改善小型数据集下的模型性能	未讨论生成的数据对实际临床诊断的影响	提升组织病理图像分类的模型表现	组织病理图像	数字病理学	乳腺癌	生成对抗网络	NA	图像	使用相对较小的训练集生成图像
14816	2024-08-05	ESMSec: Prediction of Secreted Proteins in Human Body Fluids Using Protein Language Models and Attention 2024-Jun-09, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms25126371 PMID:38928078	研究论文	本研究提出了一种名为ESMSec的深度学习框架，用于预测人类体液中的分泌蛋白。	引入了基于深度学习的蛋白质语言模型和注意力机制，提高了对分泌蛋白的预测准确性。	未提及具体的模型局限性或潜在偏差。	研究人类体液中分泌蛋白的预测，以便作为疾病生物标志物。	关注于三种分泌于人类体液中的蛋白质。	计算机视觉	NA	深度学习，蛋白质语言模型	ESM2，注意力网络	蛋白质序列数据	三个重要的人类体液数据集
14817	2024-08-05	The Improved Biometric Identification of Keystroke Dynamics Based on Deep Learning Approaches 2024-Jun-09, Sensors (Basel, Switzerland) DOI:10.3390/s24123763 PMID:38931547	研究论文	本文探讨了基于深度学习的按键动态生物识别方法的改进	提出了一种创新的深度学习方法来增强按键动态识别的准确性和可靠性	尽管结果表明了深度学习的有效性，但按键动态分析仍未得到广泛应用	研究旨在探讨按键动态作为生物识别方法的潜力	研究对象是基于按键动态的生物识别系统	计算机视觉	NA	深度学习	NA	开放研究数据集	NA
14818	2024-08-05	Accurate Identification of Spatial Domain by Incorporating Global Spatial Proximity and Local Expression Proximity 2024-Jun-09, Biomolecules IF:4.8Q1 DOI:10.3390/biom14060674 PMID:38927077	研究论文	本研究提出了一种基于深度学习的方法SECE，用于准确识别空间域	SECE结合了局部和全球的空间关系，通过表达相似性和空间相似性聚合信息，超越了现有方法的局限性	NA	旨在提高空间转录组数据中空间域的识别准确性	使用六个真实的空间转录组数据集进行基准测试	数字病理学	NA	深度学习	NA	空间转录组数据	六个数据集
14819	2024-08-05	Test Platform for Developing New Optical Position Tracking Technology towards Improved Head Motion Correction in Magnetic Resonance Imaging 2024-Jun-08, Sensors (Basel, Switzerland) DOI:10.3390/s24123737 PMID:38931521	研究论文	本文描述了一种新型光学位置追踪技术的发展平台，用于改善磁共振成像中的头部运动校正	提出了基于深度学习的无标记头部姿态估计方法，并和高保真度的有标记系统结合，解决了传统标记系统的诸多局限性	在临床应用中的实施仍然面临诸如漫长的校准和设置时间等挑战	开发和训练用于磁共振成像中的头部运动校正的新型光学追踪技术	研究对象包括健康成年人，在定量评估的过程中采集的头部运动数据	计算机视觉	NA	深度学习	卷积神经网络	图像	1名健康成年人
14820	2024-08-05	Segmentation and Multi-Timepoint Tracking of 3D Cancer Organoids from Optical Coherence Tomography Images Using Deep Neural Networks 2024-Jun-08, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14121217 PMID:38928633	研究论文	本文提出了一种基于深度学习的管道，能够实现3D癌症类器官的分割和多时间点跟踪	创新点在于提出了一种自动化深度学习驱动的管道，结合了优化的预处理、最先进的深度学习模型和后处理方法	由于各种因素，OCT图像中准确识别和量化类器官仍然面临挑战	研究旨在通过光学相干成像提高类器官的分析性能	研究对象为来自干细胞或患者肿瘤细胞的三维类器官	数字病理学	癌症	光学相干成像（OCT）	卷积神经网络（CNN）	图像	在13天内的多时间点跟踪实验