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
14981	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
14982	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
14983	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
14984	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
14985	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
14986	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
14987	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
14988	2024-10-08	Causality-inspired crop pest recognition based on Decoupled Feature Learning 2024-Nov, Pest management science IF:3.8Q1 DOI:10.1002/ps.8314 PMID:39022822	研究论文	本文提出了一种基于解耦特征学习的因果关系启发式作物害虫识别框架	利用因果推断技术处理训练数据集偏差，通过分类置信度构建不同的训练域，并使用中心三重损失学习类核心特征	NA	提高作物害虫识别的准确性和可靠性	作物害虫	计算机视觉	NA	深度学习	解耦特征学习框架	图像	在Li、DFSPD和IP102数据集上分别进行了测试
14989	2024-10-08	Prediction of surgery-first approach orthognathic surgery using deep learning models 2024-Nov, International journal of oral and maxillofacial surgery IF:2.2Q2 DOI:10.1016/j.ijom.2024.05.003 PMID:38821731	研究论文	本研究利用深度学习模型预测正颌手术中手术优先方法的治疗方式，并评估其临床准确性	深度学习为加速工作流程、自动化辅助决策和个性化治疗计划提供了新方法	NA	利用深度学习预测正颌手术中手术优先方法的治疗方式	正颌手术患者	计算机视觉	NA	深度学习	卷积神经网络 (CNN)	图像	228名骨性III类错颌患者
14990	2024-10-08	Deep Variational Network Toward Blind Image Restoration 2024-Nov, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3365745 PMID:38349822	研究论文	本文提出了一种新的盲图像恢复方法，结合了经典模型方法和深度学习方法的优点	构建了一个通用的贝叶斯生成模型来描述盲图像恢复中的退化过程，并设计了一种变分推断算法，将所有期望的后验分布参数化为深度神经网络	NA	旨在解决盲图像恢复问题，并结合经典模型方法和深度学习方法的优点	盲图像恢复中的图像退化和恢复过程	计算机视觉	NA	变分推断算法	深度神经网络	图像	NA
14991	2024-10-08	Joint segmentation of tumors in 3D PET-CT images with a network fusing multi-view and multi-modal information 2024-Oct-07, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad7f1b PMID:39317235	研究论文	本文提出了一种用于3D PET-CT图像中肿瘤联合分割的深度学习算法	提出了多视图信息增强和多模态特征融合网络（MIEMFF-Net），结合动态多模态融合策略和多视图信息增强策略，有效利用PET和CT图像的代谢和解剖信息	未提及	解决现有方法在PET-CT图像肿瘤分割中忽略多模态和多视图信息的问题	3D PET-CT图像中的肿瘤	计算机视觉	软组织肉瘤	深度学习	MIEMFF-Net	图像	Soft Tissue Sarcomas数据集和AutoPET数据集
14992	2024-10-08	An adaptive weight ensemble approach to forecast influenza activity in an irregular seasonality context 2024-Oct-04, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-52504-1 PMID:39366942	研究论文	本文开发了一种自适应权重集成方法，用于预测香港等热带和亚热带地区的不规则季节性流感活动	提出了自适应权重混合集成模型（AWBE），动态更新模型贡献，显著提高了预测准确性	NA	开发和比较不同模型在预测流感活动中的表现，特别是在不规则季节性的地区	香港地区的流感活动	机器学习	流感	NA	集成模型	时间序列数据	32次流行病，时间跨度为1998年至2019年
14993	2024-10-08	Meta-learning for real-world class incremental learning: a transformer-based approach 2024-Oct-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-71125-8 PMID:39367098	研究论文	本文提出了一种基于Transformer的元学习方法，用于解决现实世界中的类增量学习问题	本文的创新点在于将元学习应用于类增量学习，并提出了一种基于Transformer的聚合函数，能够在不重新训练的情况下完成任务	NA	本文的研究目的是将元学习应用于更贴近现实世界的类增量学习问题	本文的研究对象是类增量学习问题	自然语言处理	NA	元学习	Transformer	文本	NA
14994	2024-10-08	Advanced mathematical modeling of mitigating security threats in smart grids through deep ensemble model 2024-Oct-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-74733-6 PMID:39367158	研究论文	研究通过深度集成模型进行高级数学建模，以减轻智能电网中的安全威胁	提出了一种基于山羚优化和深度集成学习的入侵检测技术（MGODEL-ID），用于智能电网环境中的入侵检测	NA	开发一种新的入侵检测技术，以提高智能电网对网络攻击的可靠性和韧性	智能电网中的安全威胁和入侵检测	机器学习	NA	深度学习	深度集成模型	网络数据	NA
14995	2024-10-08	Tabular deep learning: a comparative study applied to multi-task genome-wide prediction 2024-Oct-04, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-024-05940-1 PMID:39367318	研究论文	本文比较了多种深度学习架构在多任务全基因组预测中的应用	首次系统性地比较了多种深度学习架构在表格数据上的表现，并应用于全基因组预测	实验仅限于特定的基因数据集，结果可能不适用于所有类型的基因数据	提高基因选择和疾病风险预测的准确性	多种深度学习架构在全基因组预测中的表现	机器学习	NA	深度学习	LassoNet	表格数据	三个多特征回归数据集和两个多类分类数据集
14996	2024-10-08	Leveraging explainable deep learning methodologies to elucidate the biological underpinnings of Huntington's disease using single-cell RNA sequencing data 2024-Oct-04, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-024-10855-5 PMID:39367331	研究论文	利用可解释深度学习方法解析亨廷顿病生物学基础的单细胞RNA测序数据	使用残差神经网络（ResNet）模型有效模拟亨廷顿病细胞，并利用SHapley Additive exPlanations（SHAP）算法识别影响亨廷顿病预测的基因	测试集的F1分数为96.53%，仍有提升空间	阐明亨廷顿病病理学的潜在机制	亨廷顿病细胞与健康细胞的差异基因表达模式	机器学习	神经退行性疾病	单细胞RNA测序	残差神经网络（ResNet）	基因表达数据	NA
14997	2024-10-08	The power of deep learning in simplifying feature selection for hepatocellular carcinoma: a review 2024-Oct-04, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02682-1 PMID:39367397	综述	本文综述了深度学习技术在肝细胞癌（HCC）特征选择中的应用	深度学习技术在简化HCC特征选择过程中展示了显著的进步	将深度学习的潜力转化为临床现实仍面临挑战	综述深度学习模型和算法在HCC特征选择中的应用，并讨论其在临床实践中的潜力	肝细胞癌（HCC）的特征选择	机器学习	肝癌	深度学习	NA	NA	NA
14998	2024-10-06	Development of brain tumor radiogenomic classification using GAN-based augmentation of MRI slices in the newly released gazi brains dataset 2024-Oct-04, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02699-6 PMID:39367444	研究论文	本文提出使用StyleGANv2-ADA模型对脑部MRI切片进行数据增强，以提高脑肿瘤分类模型的性能	首次在Gazi Brains 2020数据集上使用StyleGANv2-ADA进行数据增强，显著提高了脑肿瘤分类的准确率	NA	提高脑肿瘤分类模型的准确性	脑肿瘤的分类	计算机视觉	脑肿瘤	StyleGANv2-ADA	GAN	图像	使用了Gazi Brains 2020、BRaTS 2021和Br35h数据集
14999	2024-10-08	Deep learning to estimate response of concurrent chemoradiotherapy in non-small-cell lung carcinoma 2024-Oct-04, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-024-05708-4 PMID:39367461	研究论文	本文构建了一个深度学习模型，用于预测非小细胞肺癌患者在接受同步放化疗后的反应	首次使用深度学习模型预测非小细胞肺癌患者对同步放化疗的反应，并探索了相关的生物信号通路	NA	开发和验证一个深度学习模型，用于预测非小细胞肺癌患者在接受同步放化疗后的反应	非小细胞肺癌患者及其在接受同步放化疗后的反应	机器学习	肺癌	深度学习	ResNet50	图像	229名非小细胞肺癌患者
15000	2024-10-08	Artificial intelligence and telemedicine in epilepsy and EEG: A narrative review 2024-Oct, Seizure DOI:10.1016/j.seizure.2024.08.024 PMID:39222613	综述	本文综述了人工智能和远程医疗在癫痫和脑电图诊断与管理中的应用	人工智能通过机器学习和深度学习提高了脑电图解释和癫痫发作预测的准确性	技术应用受到设备兼容性、临床工作流程整合、数据偏差和数据可用性等限制	探讨人工智能和远程医疗在癫痫和脑电图护理中的应用及其对未来癫痫护理的影响	癫痫患者和脑电图数据	机器学习	癫痫	机器学习	卷积神经网络 (CNN)	脑电图 (EEG)	NA