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
15901	2024-09-19	Deep learning-based reconstruction for 3-dimensional heavily T2-weighted fat-saturated magnetic resonance (MR) myelography in epidural fluid detection: image quality and diagnostic performance 2024-Sep-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-455 PMID:39281122	研究论文	本研究比较了基于深度学习的重建（DLR）与传统重建（CR）在三维重度T2加权脂肪抑制磁共振脊髓造影（MRM）中检测硬膜外液的诊断性能和图像质量	本研究首次将基于深度学习的重建技术应用于三维重度T2加权脂肪抑制磁共振脊髓造影，显著提高了图像质量和诊断性能	本研究为回顾性研究，样本量较小，且仅限于临床怀疑颅内低压的患者	比较传统重建与基于深度学习的重建在三维重度T2加权脂肪抑制磁共振脊髓造影中检测硬膜外液的诊断性能和图像质量	三维重度T2加权脂肪抑制磁共振脊髓造影图像	计算机视觉	NA	磁共振成像	深度学习	图像	21名患者，共21次磁共振脊髓造影检查
15902	2024-09-19	A paradigm shift in oncology imaging: a prospective cross-sectional study to assess low-dose deep learning image reconstruction versus standard-dose iterative reconstruction for comprehensive lesion detection in dual-energy computed tomography 2024-Sep-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-197 PMID:39281146	研究论文	本研究评估了低剂量深度学习图像重建（DLIR）与标准剂量迭代重建（IR）在双能计算机断层扫描（DECT）中检测肿瘤病灶的能力	首次评估了低剂量低千电子伏特（keV）虚拟单色图像（VMIs）使用深度学习图像重建（DLIR）在胸腹盆腔DECT中检测多种肿瘤病灶的能力	对于小尺寸（≤0.5 cm）和低对比度的肝脏病灶，低剂量DLIR的检测能力不如标准剂量IR	评估低剂量深度学习图像重建（DLIR）与标准剂量迭代重建（IR）在肿瘤患者中检测多种类型病灶的能力	肿瘤患者中的肺结节、淋巴结和肝脏病灶	计算机视觉	肿瘤	深度学习图像重建（DLIR）	深度学习模型	图像	56名肿瘤患者
15903	2024-09-19	Denoising of volumetric magnetic resonance imaging using multi-channel three-dimensional convolutional neural network with applications on fast spin echo acquisitions 2024-Sep-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-625 PMID:39281152	研究论文	本文提出了一种基于多通道三维卷积神经网络的磁共振成像去噪方法	本文创新性地使用了多通道三维卷积神经网络，利用多次激发（NEX）采集中的固有噪声信息进行去噪	NA	开发一种基于深度学习的方法，用于去噪三维快速自旋回波磁共振成像	三维快速自旋回波磁共振成像	计算机视觉	NA	磁共振成像	三维卷积神经网络	图像	合成数据和真实膝关节数据
15904	2024-09-19	Instance segmentation of cells and nuclei from multi-organ cross-protocol microscopic images 2024-Sep-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-801 PMID:39281162	研究论文	本文提出了一种用于多器官跨协议显微图像中细胞和细胞核实例分割的模型	采用了YOLOv9-E模型生成边界框提示，并通过预训练的SAM模型进行零样本推理生成分割掩码，最后使用非极大值抑制和图像处理方法进行掩码细化	NA	开发一种计算机辅助方法，利用图像处理技术和深度学习算法来解决显微图像中细胞和细胞核分割的挑战	多器官跨协议显微图像中的细胞和细胞核	计算机视觉	NA	深度学习算法	YOLOv9-E, SAM	图像	4738张显微图像
15905	2024-09-19	Multidimensional quantitative characterization of periocular morphology: distinguishing esotropia from epicanthus by deep learning network 2024-Sep-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-155 PMID:39281168	研究论文	本研究利用深度学习模型对眼周形态进行多维度定量分析，以区分内斜视和内眦赘皮	首次应用深度学习模型对眼周形态进行定量分析，以区分内斜视和内眦赘皮	样本量有限，仅包括300名受试者	开发一种客观的方法来区分内斜视和内眦赘皮	7-18岁患有单纯内眦赘皮或共同性内斜视的儿童及健康志愿者	计算机视觉	NA	深度学习	深度学习网络	图像	300名受试者
15906	2024-09-19	Automatic substantia nigra segmentation with Swin-Unet in susceptibility- and T2-weighted imaging: application to Parkinson disease diagnosis 2024-Sep-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-27 PMID:39281181	研究论文	本文开发了一种基于Swin-Unet的深度学习方法，用于在磁敏感加权成像（SWI）和T2加权成像（T2WI）上自动分割黑质区域，并应用于帕金森病（PD）的诊断	本文创新性地使用Swin-Unet进行黑质区域的自动分割，并结合机器学习模型区分PD患者和健康对照组	本文未详细讨论模型的泛化能力和在不同数据集上的表现	开发一种自动化的深度学习方法，用于在SWI和T2WI上准确分割黑质区域，并辅助帕金森病的诊断	帕金森病患者和健康对照组的黑质区域	计算机视觉	神经退行性疾病	磁共振成像（MRI）	Swin-Unet	图像	83名帕金森病患者和83名年龄性别匹配的健康对照组
15907	2024-09-19	Deep learning model based on primary tumor to predict lymph node status in clinical stage IA lung adenocarcinoma: a multicenter study 2024-Sep, Journal of the National Cancer Center IF:7.6Q1 DOI:10.1016/j.jncc.2024.01.005 PMID:39281718	研究论文	开发了一种基于深度学习的模型，用于预测临床IA期肺腺癌患者的淋巴结状态	首次使用深度残差网络（ResNet）模型来预测肺腺癌患者的淋巴结状态，并展示了其在多中心数据集上的泛化能力	研究样本主要来自两家医院，可能存在样本偏倚	开发和验证一种深度学习模型，用于预测临床IA期肺腺癌患者的淋巴结状态	临床IA期肺腺癌患者及其淋巴结状态	计算机视觉	肺癌	深度学习	ResNet	图像	1009名病理确诊的临床T1N0M0期肺腺癌患者
15908	2024-09-19	A novel universal deep learning approach for accurate detection of epilepsy 2024-09, Medical engineering & physics IF:1.7Q3 DOI:10.1016/j.medengphy.2024.104219 PMID:39284648	研究论文	提出了一种新的通用深度学习方法，用于从任何设备的脑电图信号中准确检测癫痫	将VEEG视频转换为图像，分离部分并统一来自不同设备的图像，通过添加空间注意力层提高分类准确率	脑电图数据稀缺且来自不同设备，通道数和采样频率不同	构建高精度的癫痫诊断模型	脑电图信号	机器学习	癫痫	深度学习	NA	图像	视频被分割成不同周期的标记帧进行测试
15909	2024-09-19	Construction of a multi-tissue compound-target interaction network of Qingfei Paidu decoction in COVID-19 treatment based on deep learning and transcriptomic analysis 2024-Aug, Journal of bioinformatics and computational biology IF:0.9Q4 DOI:10.1142/S0219720024500161 PMID:39036847	研究论文	本研究构建了基于深度学习和转录组分析的清肺排毒汤在COVID-19治疗中的多组织化合物-靶点相互作用网络	首次通过深度学习模型GraphDTA和多组织转录组分析，预测了清肺排毒汤在多个组织中的化合物-靶点相互作用，并验证了其强结合亲和力	研究主要集中在清肺排毒汤的化合物-靶点相互作用预测，未涉及临床试验验证	揭示清肺排毒汤在COVID-19治疗中的多组织作用机制	清肺排毒汤的化合物及其在多个组织中的靶点	机器学习	COVID-19	深度学习、转录组分析、分子对接、分子动力学模拟	GraphDTA	转录组数据	六个不同组织中的13种关键活性化合物、127个潜在靶点和27条相关通路
15910	2024-09-19	The State-of-the-Art Overview to Application of Deep Learning in Accurate Protein Design and Structure Prediction 2024-Jul-04, Topics in current chemistry (Cham) DOI:10.1007/s41061-024-00469-6 PMID:38965117	研究论文	本文综述了深度学习在蛋白质设计和结构预测中的最新应用	使用深度学习方法替代暴力算法，提高了蛋白质结构预测的速度和准确性	NA	探讨蛋白质结构预测领域的最新进展	蛋白质设计和结构预测	机器学习	NA	深度学习	NA	蛋白质数据库	NA
15911	2024-09-19	Regression-based Deep-Learning predicts molecular biomarkers from pathology slides 2024-Feb-10, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-45589-1 PMID:38341402	研究论文	本文开发并评估了一种基于回归的深度学习方法，用于从病理切片中直接预测连续的分子生物标志物	本文提出了一种基于回归的深度学习方法，相较于传统的分类方法，能够更准确地预测连续的生物标志物，并提高了与已知临床相关区域的对应性	NA	开发和评估一种新的深度学习方法，用于从病理切片中直接预测连续的分子生物标志物	从11,671张病理切片图像中预测多种临床和生物学相关的生物标志物，包括同源重组缺陷评分和肿瘤微环境中关键生物过程的标志物	数字病理学	NA	深度学习	回归模型	图像	11,671张病理切片图像，涵盖九种癌症类型
15912	2024-09-19	Unlocking the potential: analyzing 3D microstructure of small-scale cement samples from space using deep learning 2024-Jan-25, NPJ microgravity IF:4.4Q1 DOI:10.1038/s41526-024-00349-9 PMID:38272924	研究论文	本文提出了一种利用深度学习分析国际空间站微重力环境下硬化三钙硅酸盐样品三维微观结构的方法	本文创新性地利用深度学习框架从稀疏的实验数据中生成具有统计特性的微观结构集合，并展示了其在微重力环境下硬化水泥样品的独特微观形态	NA	研究微重力环境下硬化水泥样品的三维微观结构，并利用深度学习进行重建	微重力环境下硬化的三钙硅酸盐样品	计算机视觉	NA	深度学习	NA	图像	微重力环境下硬化的三钙硅酸盐样品
15913	2024-09-19	Contextual emotion detection in images using deep learning 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1386753 PMID:38952408	研究论文	本文研究了基于深度学习的图像中情境情感检测技术	本文提出了两种基于深度学习技术的复杂算法（DCNN和VGG19），并通过优化超参数来分析情境和肢体语言，以提高对图像中人类情感的理解	NA	开发更富有同理心的系统，应用于从医学到社交媒体情感互动的多个领域	图像中的情境情感检测	计算机视觉	NA	深度学习	DCNN, VGG19	图像	使用了来自多个数据库的真实图像，包括EMOTIC（ADE20K, MSCOCO）、EMODB_SMALL和FRAMESDB
15914	2024-09-19	AlphaCRV: a pipeline for identifying accurate binder topologies in mass-modeling with AlphaFold 2024, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbae131 PMID:39286602	研究论文	介绍了一种名为AlphaCRV的Python工具包，用于在AlphaFold筛选中识别正确的相互作用蛋白	提出了AlphaCRV工具包，通过聚类、排序和可视化保守的结合拓扑结构，帮助在AlphaFold筛选中识别正确的相互作用蛋白	NA	开发一种工具，用于在蛋白质组规模上识别生物学相关的蛋白质-蛋白质相互作用	蛋白质-蛋白质相互作用	机器学习	NA	AlphaFold	NA	蛋白质序列和折叠结构	NA
15915	2024-09-19	A single sequence MRI-based deep learning radiomics model in the diagnosis of early osteonecrosis of femoral head 2024, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2024.1471692 PMID:39280340	研究论文	本研究开发并评估了一种基于单序列MRI的深度学习放射组学模型，用于早期股骨头坏死的诊断	首次使用此类模型进行早期股骨头坏死的诊断，相比之前的多序列MRI放射组学方法更为简单，并利用深度学习技术进行改进	NA	开发和评估一种基于单序列MRI的深度学习放射组学模型，用于早期股骨头坏死的准确预测	早期股骨头坏死	机器学习	骨科疾病	MRI	深度学习模型	图像	150名患者（80名健康，70名坏死）的MRI扫描数据
15916	2024-09-19	A Systematic Review of Real-Time Deep Learning Methods for Image-Based Cancer Diagnostics 2024, Journal of multidisciplinary healthcare IF:2.7Q2 DOI:10.2147/JMDH.S446745 PMID:39281299	综述	本文深入探讨了深度学习算法在实时癌症诊断中的应用	本文评估了不同成像模式在基于深度学习的癌症诊断中的准确性和周转时间，并探讨了可解释深度学习在癌症诊断中的应用潜力	本文指出泛化问题、数据变异性和可解释性是深度学习在临床试验中应用的主要障碍	本文旨在通过系统综述了解深度学习如何影响癌症诊断的等待时间	本文研究了深度学习在实时癌症诊断中的应用，评估了不同成像模式的准确性和周转时间，并探讨了基础设施的成本和效果	计算机视觉	癌症	深度学习	卷积神经网络	图像	NA
15917	2024-09-19	Artificial intelligence in neuroimaging: Opportunities and ethical challenges 2024, Brain & spine DOI:10.1016/j.bas.2024.102919 PMID:39281849	评论	本文讨论了人工智能在神经影像学中的应用及其带来的机遇和伦理挑战	AI算法，特别是深度学习模型，在分析复杂神经影像数据方面展示了显著能力，提高了诊断准确性和个性化治疗策略	快速采用AI技术引发了算法偏差、数据隐私和AI驱动见解的可解释性等伦理挑战	探讨AI在神经影像学中的应用及其伦理挑战	神经退行性疾病	计算机视觉	NA	深度学习	深度学习模型	影像	NA
15918	2024-09-19	Corrigendum: Contextual emotion detection in images using deep learning 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1476791 PMID:39290717	correction	纠正了文章DOI: 10.3389/frai.2024.1386753中的错误	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
15919	2024-09-19	Automatic segmentation of white matter hyperintensities in T2-FLAIR with AQUA: A comparative validation study against conventional methods 2023-12, Brain research bulletin IF:3.5Q2 DOI:10.1016/j.brainresbull.2023.110825 PMID:38000477	研究论文	本文提出了一种名为AQUA的深度学习模型，用于自动分割T2-FLAIR扫描中的白质高信号（WMH），并与其他五种自动分割方法进行了比较验证	AQUA模型在U-Net架构的基础上进行了改进，引入了Bottleneck Attention Module，显著提高了对小尺寸WMH的检测性能	尽管AQUA在大多数指标上表现优异，但在召回率和F1分数上仍有改进空间，特别是在排除小病变后	开发一种高效且客观的自动分割方法，用于检测和监测与认知衰退和痴呆风险相关的白质高信号	T2-FLAIR扫描中的白质高信号（WMH）	计算机视觉	神经退行性疾病	深度学习	U-Net	图像	170名老年参与者
15920	2024-09-19	Explainable Convolutional Neural Networks for Brain Cancer Detection and Localisation 2023-Sep-02, Sensors (Basel, Switzerland) DOI:10.3390/s23177614 PMID:37688069	研究论文	本文提出了一种利用卷积神经网络和类激活映射进行脑癌检测和定位的方法	利用深度学习技术，特别是卷积神经网络和类激活映射，提供了解释性，突出显示与脑癌相关的医学图像区域	NA	检测和定位脑癌	脑癌	计算机视觉	脑癌	卷积神经网络	卷积神经网络	图像	3000个磁共振图像