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
15061	2024-09-30	BEMD-3DCNN-based method for COVID-19 detection 2022-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.105188 PMID:34998222	研究论文	提出了一种基于BEMD-3DCNN的方法用于COVID-19检测	使用3D表示的数据作为输入，结合BEMD技术分解图像并构建视频，通过3DCNN模型进行分类和检测，利用CAA模块处理上下文信息以提高检测性能	未提及具体限制	开发一种快速诊断和检测系统以阻止COVID-19的传播	COVID-19病毒的检测	计算机视觉	COVID-19	Bi-dimensional Empirical Mode Decomposition (BEMD)	3DCNN	图像	6484张X光图像，包括1802例COVID-19阳性病例，1910例正常病例和2772例肺炎病例
15062	2024-09-30	Deep learning via LSTM models for COVID-19 infection forecasting in India 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0262708 PMID:35089976	研究论文	本文使用LSTM等循环神经网络模型对印度的COVID-19感染进行短期预测	采用LSTM、双向LSTM和编码器-解码器LSTM模型进行多步短期COVID-19感染预测	数据可靠性问题以及难以捕捉人口密度、物流和社会文化等因素	重新审视COVID-19感染情况，使用可靠数据源和创新预测模型	印度各州的COVID-19感染情况	机器学习	NA	NA	LSTM	时间序列	印度各州的COVID-19热点地区
15063	2024-09-30	Malignant thoracic lymph node classification with deep convolutional neural networks on real-time endobronchial ultrasound (EBUS) images 2022-Jan, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-21-870 PMID:35242624	研究论文	本研究旨在利用深度卷积神经网络对实时内窥镜超声图像中的恶性胸淋巴结进行分类	本研究首次将深度卷积神经网络应用于实时内窥镜超声图像中恶性胸淋巴结的自动分类，并提出了一种新的损失函数以提高分类性能	本研究的样本量相对较小，且仅限于特定医院的患者数据	开发一种能够自动分类恶性胸淋巴结的深度卷积神经网络，以提高肺癌诊断和治疗的准确性	胸淋巴结的恶性分类	计算机视觉	肺癌	深度卷积神经网络	CNN	图像	共收集了2,394张内窥镜超声图像，包括1,459个良性淋巴结和935个恶性淋巴结，涉及370名患者
15064	2024-09-30	A COMPARATIVE STUDY OF X-RAY AND CT IMAGES IN COVID-19 DETECTION USING IMAGE PROCESSING AND DEEP LEARNING TECHNIQUES 2022, Computer methods and programs in biomedicine update DOI:10.1016/j.cmpbup.2022.100054 PMID:35281724	review	本文综述了使用图像处理和深度学习技术在COVID-19检测中比较X射线和CT图像的最新深度学习方法	本文总结了卷积神经网络（CNN）在从医学图像中检测COVID-19的最流行深度学习算法，并讨论了预处理、迁移学习和数据增强技术在处理数据稀缺问题中的应用	NA	探讨深度学习技术在COVID-19早期诊断中的应用	COVID-19的早期诊断	computer vision	传染病	图像处理和深度学习	CNN	image	NA
15065	2024-09-30	Facial Mask Detection Using Depthwise Separable Convolutional Neural Network Model During COVID-19 Pandemic 2022, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2022.855254 PMID:35321193	研究论文	本文提出了一种基于Depthwise Separable Convolution的MobileNet模型用于COVID-19疫情期间的面部口罩检测	采用Depthwise Separable Convolution层替代传统的2D卷积层，减少了可训练参数数量并提高了学习性能	依赖于有限的训练数据集	解决面部图像中口罩识别的问题	面部口罩检测	计算机视觉	NA	深度学习	深度卷积神经网络	图像	使用基准数据集进行测试
15066	2024-09-30	Recent Technical Advances in Accelerating the Clinical Translation of Small Animal Brain Imaging: Hybrid Imaging, Deep Learning, and Transcriptomics 2022, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2022.771982 PMID:35402436	综述	本文综述了近期在加速小动物脑成像临床转化方面的技术进展，重点介绍了混合成像、深度学习和转录组学等技术	本文介绍了混合成像技术、单细胞转录组学和深度学习图像分析等新方法，以提高小动物脑成像的转化能力	本文讨论了从临床前脑成像向临床转化过程中存在的物种间差异和成像技术障碍等挑战	总结近期小动物神经成像技术的发展，以提高其临床转化能力	小动物脑成像技术及其临床转化	计算机视觉	NA	混合成像、深度学习、转录组学	深度学习	图像	NA
15067	2024-09-30	Deep Generative Learning-Based 1-SVM Detectors for Unsupervised COVID-19 Infection Detection Using Blood Tests 2022, IEEE transactions on instrumentation and measurement IF:5.6Q1 DOI:10.1109/TIM.2021.3130675 PMID:35582656	研究论文	本文介绍了一种基于深度生成学习的无监督COVID-19感染检测方法，使用血液检测样本	本文结合了变分自编码器（VAE）的特征提取能力和一类支持向量机（1SVM）的检测敏感性，提出了一种新的深度混合模型	本文的研究主要基于两个医院的血液检测样本，样本量有限，可能影响模型的泛化能力	开发一种快速、低成本且易于访问的无监督COVID-19感染检测方法	COVID-19感染检测	机器学习	COVID-19	变分自编码器（VAE），一类支持向量机（1SVM）	深度混合模型	血液检测数据	两个医院的常规血液检测样本
15068	2024-09-30	Neural Network Training With Asymmetric Crosspoint Elements 2022, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2022.891624 PMID:35615470	研究论文	本文探讨了使用不对称交叉点元件进行神经网络训练的问题，并提出了一种新的全并行训练算法	提出了一种新的全并行训练算法，利用设备不对称性作为有用特征，通过调整网络参数来最小化系统的总能量（哈密顿量）	NA	解决实际电阻器件不对称电导调制对传统算法训练网络分类性能的负面影响	不对称交叉点元件和深度神经网络训练	机器学习	NA	NA	深度神经网络	NA	NA
15069	2024-09-30	Detection of Small-Sized Insects in Sticky Trapping Images Using Spectral Residual Model and Machine Learning 2022, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2022.915543 PMID:35837447	研究论文	本文提出了一种基于光谱残差模型和机器学习的自动化方法，用于在温室条件下检测粘性陷阱图像中的小型昆虫	该方法无需高性能硬件支持，相比基于深度学习的方法更具实用性	NA	开发一种基于视觉的识别系统，以快速收集温室农业中小型害虫数量的信息，并可靠地估计总体种群密度	温室中的粉虱和蓟马	计算机视觉	NA	光谱残差模型	支持向量机	图像	NA
15070	2024-09-30	Detection of unknown strawberry diseases based on OpenMatch and two-head network for continual learning 2022, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2022.989086 PMID:36186017	研究论文	本文研究了在植物病害识别过程中区分已知和未知病害的两种深度学习技术：开放集识别（OSR）和分布外检测（OoD）	本文分析了OoD检测模型中的双头网络和与OSR技术相关的半监督OpenMatch，并调整了它们的训练过程以进行比较	OSR技术在细粒度识别任务中仍不成熟，OoD检测需要有意准备的异常数据进行训练	研究在植物病害识别中区分已知和未知病害的方法	草莓病害的检测	计算机视觉	NA	深度学习	双头网络	图像	8种草莓病害的图像数据集
15071	2024-09-30	A review of generative adversarial network applications in optical coherence tomography image analysis 2022, Journal of optometry IF:2.2Q2 DOI:10.1016/j.optom.2022.09.004 PMID:36241526	综述	本文综述了生成对抗网络（GANs）在光学相干断层扫描（OCT）图像分析中的应用及其进展	GANs作为一种深度学习方法，能够在OCT图像分析中实现其他深度学习方法难以实现的新应用，具有提供更准确和稳健分析的潜力	NA	探讨GANs在OCT图像处理中的应用及其未来发展潜力	光学相干断层扫描（OCT）图像	计算机视觉	NA	生成对抗网络（GANs）	生成对抗网络（GANs）	图像	NA
15072	2024-09-30	MSeg-Net: A Melanoma Mole Segmentation Network Using CornerNet and Fuzzy K-Means Clustering 2022, Computational and mathematical methods in medicine DOI:10.1155/2022/7502504 PMID:36276999	研究论文	提出了一种使用CornerNet和模糊K均值聚类的黑色素瘤痣分割网络MSeg-Net	利用CornerNet模型进行黑色素瘤病变的检测，并通过模糊K均值聚类进行分割，能够处理任意形状和方向的痣，并有效应对噪声、模糊和亮度变化	NA	开发一种自动化的系统，用于及时识别黑色素瘤	黑色素瘤痣的检测和分割	计算机视觉	皮肤癌	深度学习	CornerNet	图像	使用了ISIC-2017和ISIC-2018两个标准数据库进行评估
15073	2024-09-30	EEG-based emotion recognition using hybrid CNN and LSTM classification 2022, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2022.1019776 PMID:36277613	研究论文	本文研究了基于脑电图（EEG）信号的情感识别，提出了一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合分类方法	本文提出了一种新的自动化CNN-LSTM与ResNet-152算法，相比现有技术，该方法在情感识别中达到了98%的高准确率	本文未提及具体的研究局限性	旨在通过脑电图信号分析情感反应，特别是创伤后应激障碍（PTSD）的影响	研究对象为脑电图信号和情感分析	机器学习	NA	脑电图（EEG）	卷积神经网络（CNN）和长短期记忆网络（LSTM）	脑电图信号	未提及具体样本数量
15074	2024-09-30	The spike gating flow: A hierarchical structure-based spiking neural network for online gesture recognition 2022, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2022.923587 PMID:36408382	研究论文	本文提出了一种基于层次结构的新型脉冲神经网络系统，用于在线手势识别	开发了一种名为脉冲门控流（SGF）的新型脑启发脉冲神经网络系统，用于在线动作学习，具有较高的准确性和较低的训练/推理数据比率	NA	解决当前深度学习在动作识别应用中面临的计算成本高和学习效率低的问题	在线手势识别	机器学习	NA	脉冲神经网络（SNN）	脉冲神经网络（SNN）	图像	使用了标准动态视觉传感器（DVS）手势分类作为基准，具体样本数量未明确提及
15075	2024-09-30	Enhanced You Only Look Once X for surface defect detection of strip steel 2022, Frontiers in neurorobotics IF:2.6Q3 DOI:10.3389/fnbot.2022.1042780 PMID:36479529	研究论文	本文提出了一种轻量级的YOLOX表面缺陷检测网络，并引入了多尺度特征融合注意力模块（MFFAM），用于提高带钢表面缺陷检测的准确性和效率	引入多尺度特征融合注意力模块（MFFAM）和轻量级CSP结构，优化了网络的骨干部分，显著提高了小目标的检测准确性	文章未提及具体的局限性	提高带钢表面缺陷检测的准确性和效率	带钢表面缺陷	计算机视觉	NA	深度学习	YOLOX	图像	未提及具体样本数量
15076	2024-09-30	Bio-mimetic high-speed target localization with fused frame and event vision for edge application 2022, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2022.1010302 PMID:36507348	研究论文	本文提出了一种结合事件相机和帧相机的高速目标定位系统，通过融合事件和帧管道的互补时空优势，实现了在边缘应用中的高效目标定位	设计了一种受果蝇自我运动补偿机制启发的SNN滤波器，并集成了神经启发的多管道处理与任务优化的多神经元通路结构	NA	开发一种能够在资源受限的边缘机器人系统中实现高速目标定位的新方法	事件相机、帧相机、SNN、CNN	计算机视觉	NA	卷积神经网络（CNN）、脉冲神经网络（SNN）	卷积神经网络（CNN）、脉冲神经网络（SNN）	图像	多无人机模拟和真实世界多无人机设置中的实际传感器数据
15077	2024-09-30	A comparative study of gastric histopathology sub-size image classification: From linear regression to visual transformer 2022, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2022.1072109 PMID:36569152	研究论文	本文比较了多种算法在胃癌病理图像分类中的性能，旨在将集成学习应用于实际的胃癌分类问题	本文引入了基于Transformer的分类器，并探讨了多种分类器在机器性能不足时的互补性	本文未详细讨论集成学习在实际应用中的具体实现方法	比较不同算法在胃癌病理图像分类中的性能，探索集成学习在胃癌分类中的应用	胃癌病理图像分类	数字病理	胃癌	机器学习	Transformer	图像	GasHisSDB数据库中的大量病理图像
15078	2024-09-30	Explainable artificial intelligence model to predict brain states from fNIRS signals 2022, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2022.1029784 PMID:36741783	研究论文	本文介绍了一种可解释的人工智能模型，用于从fNIRS信号中预测大脑状态	提出了一个包含分类模块和解释模块的可解释人工智能系统，能够分解深度学习模型的输出，并解释输入变量对fNIRS信号分类的贡献	NA	开发一种能够解释深度学习模型输出并预测大脑状态的可解释人工智能系统	fNIRS信号的分类和解释	机器学习	NA	fNIRS信号分析	1-D CNN 和 LSTM	fNIRS信号	3名受试者的运动任务数据和29名受试者的运动想象数据
15079	2024-09-30	[Research progress of epileptic seizure predictions based on electroencephalogram signals] 2021-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202105052 PMID:34970903	综述	本文综述了基于脑电图信号的癫痫发作预测研究进展	强调了机器学习和深度学习在癫痫发作预测中的贡献，特别是深度学习在特征选择和模型泛化方面的优势	尽管取得了显著进展，但仍需更多努力才能实现临床应用	探讨如何利用脑电图信号预测癫痫发作，并促进其在临床中的应用	癫痫发作预测及其相关技术	机器学习	癫痫	脑电图（EEG）	深度学习（DL）	脑电图信号	NA
15080	2024-09-30	Epileptic Seizures Detection in EEG Signals Using Fusion Handcrafted and Deep Learning Features 2021-Nov-19, Sensors (Basel, Switzerland) DOI:10.3390/s21227710 PMID:34833780	研究论文	本文提出了一种基于手工特征和深度学习特征融合的计算机辅助诊断系统，用于自动检测脑电图信号中的癫痫发作	本文创新性地结合了手工特征和深度学习特征，提出了一种基于CNN-RNN的分类方法，显著提高了癫痫发作检测的准确性	本文未详细讨论模型的泛化能力和在其他数据集上的表现	开发一种自动检测脑电图信号中癫痫发作的计算机辅助诊断系统	脑电图信号中的癫痫发作	机器学习	癫痫	Tunable-Q Wavelet Transform (TQWT)	CNN-RNN	信号	Bonn和Freiburg数据集