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
16321	2024-08-07	Accurate categorization and rapid pathological diagnosis correction with Micro-Raman technique in human lung adenocarcinoma infiltration level 2024-Apr-29, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-24-168 PMID:38736487	研究论文	本研究探讨了使用微拉曼技术对人类肺腺癌浸润程度进行精确分类和快速病理诊断校正的方法	本研究采用了微拉曼技术结合卷积神经网络模型，提供了一种快速、精确且临床相关的分析方法，显著提高了诊断的准确性和一致性	NA	旨在开发和验证一种针对不同浸润程度的肺腺癌病理诊断的工作流程	人类肺腺癌样本	数字病理	肺腺癌	微拉曼技术	CNN	组织图像	具体样本数量未在摘要中提及
16322	2024-08-07	Development and validation of a deep learning-based model to predict response and survival of T790M mutant non-small cell lung cancer patients in early clinical phase trials using electronic medical record and pharmacokinetic data 2024-Apr-29, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-23-737 PMID:38736496	研究论文	开发并验证了一种基于深度学习的模型，用于预测T790M突变型非小细胞肺癌患者在早期临床试验中的反应和生存率，使用电子病历和药代动力学数据	结合了混合专家模型（MoE）和Cox算法，能够预测疗效并细分EGFR突变型非小细胞肺癌患者的生存情况	NA	开发一种新的工具，补充EGFR基因型检测，以预测第三代EGFR-TKI治疗的疗效并细分EGFR突变患者的预后	T790M突变型非小细胞肺癌患者	机器学习	肺癌	深度学习	混合专家模型（MoE）和Cox算法	电子病历和药代动力学数据	326名T790M突变型非小细胞肺癌患者
16323	2024-08-07	Innovative Machine Learning Strategies for Early Detection and Prevention of Pregnancy Loss: The Vitamin D Connection and Gestational Health 2024-Apr-28, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090920 PMID:38732334	研究论文	本研究利用机器学习技术提高早期妊娠丢失（EPL）的预测准确性，并区分正常妊娠与高风险妊娠	采用深度学习和多层感知器等先进机器学习模型，以及线性判别分析和二次判别分析算法，实现了高达98%的预测准确率	NA	提高早期妊娠丢失的预测准确性，改善妊娠健康结果	早期妊娠丢失及妊娠健康	机器学习	妊娠疾病	机器学习	深度学习, 多层感知器, 线性判别分析, 二次判别分析	数值数据	未明确提及具体样本数量
16324	2024-08-07	Promoting Artificial Intelligence for Global Breast Cancer Risk Prediction and Screening in Adult Women: A Scoping Review 2024-Apr-25, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm13092525 PMID:38731054	综述	本文通过范围综述探讨了人工智能技术在乳腺癌风险预测和筛查中的应用及其面临的障碍	本文介绍了多种人工智能技术和模型在乳腺癌风险检测和预防中的应用	研究中存在缺乏外部效度和有限的可推广性，以及由于样本量小或数据缺失导致的偏倚问题	旨在识别在应用创新人工智能技术进行乳腺癌风险预测和促进筛查行为中遇到的障碍	成人女性乳腺癌风险预测和筛查	机器学习	乳腺癌	机器学习和深度学习模型	ML-DL模型	NA	研究中存在样本量小或数据缺失的问题
16325	2024-08-07	New Horizons of Artificial Intelligence in Medicine and Surgery 2024-Apr-25, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm13092532 PMID:38731061	研究论文	本文探讨了人工智能在医学和外科领域的应用及其对医疗诊断、患者监测、个性化治疗和手术流程优化的影响	文章介绍了人工智能在医学和外科领域的新应用，如机器学习、深度学习、神经网络和计算机视觉等技术	文章提到人工智能的实施可能面临障碍，可能会减缓其应用速度	旨在预测并发症、减少诊断时间、诊断复杂病理、术中指导外科医生和减少医疗错误	人工智能在医学和外科领域的应用	机器学习	NA	机器学习, 深度学习, 神经网络, 计算机视觉	神经网络	数据库	NA
16326	2024-08-07	The Detection of Pulp Stones with Automatic Deep Learning in Panoramic Radiographies: An AI Pilot Study 2024-Apr-24, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14090890 PMID:38732305	研究论文	本研究旨在评估使用深度学习方法在全景影像中自动检测牙髓石的有效性	利用YOLOv5架构进行人工智能建模，在全景放射图像中通过数值识别检测牙髓石取得了显著成功	预期通过使用包含更多图像的数据集来提高训练模型的成功率	评估深度学习方法在全景影像中自动检测牙髓石的效果	牙髓石的自动检测	计算机视觉	NA	深度学习	YOLOv5	图像	2409张全景放射图像，包含7564个标签
16327	2024-08-07	Deep Learning for Cell Migration in Nonwoven Materials and Evaluating Gene Transfer Effects following AAV6-ND4 Transduction 2024-Apr-24, Polymers IF:4.7Q1 DOI:10.3390/polym16091187 PMID:38732656	研究论文	本研究利用深度学习算法分析非织造材料中细胞迁移行为及AAV6-ND4转导后的基因转移效应	采用深度学习算法优化生物材料设计，并模拟细胞在人工环境中的归巢、迁移和增殖行为	NA	研究细胞在合成生物材料三维结构中的定植过程，以促进人工组织和器官的开发	非织造材料中的细胞迁移行为及AAV6-ND4转导后的基因转移效应	机器学习	NA	深度学习	NA	图像	LHON成纤维细胞
16328	2024-08-07	From Organelle Morphology to Whole-Plant Phenotyping: A Phenotypic Detection Method Based on Deep Learning 2024-Apr-23, Plants (Basel, Switzerland) DOI:10.3390/plants13091177 PMID:38732392	研究论文	本文利用深度学习技术从宏观（植物）到微观（细胞器）层面进行植物表型参数的分类和预测	提出了一种基于深度学习的植物表型检测方法，并通过增加时间间隔的图像数据集验证了模型在不同时间间隔下的性能	NA	研究植物表型参数分析，以促进育种实践	从宏观的植物到微观的细胞器	计算机视觉	NA	深度学习	多输出模型	图像	使用了拟南芥的图像数据集
16329	2024-08-07	Artificial Intelligence-Based Non-invasive Differentiation of Distinct Histologic Subtypes of Renal Tumors With Multiphasic Multidetector Computed Tomography 2024-Apr, Cureus DOI:10.7759/cureus.57959 PMID:38738077	研究论文	本研究利用深度学习技术通过四相多层CT扫描非侵入性地区分肾肿瘤的不同组织学亚型	开发了一种基于人工智能的非侵入性方法，通过深度神经网络使用四相多层CT扫描的峰值衰减值来预测肾细胞癌亚型	NA	精确识别肾细胞癌的肿瘤亚型，特别是检测常在传统组织病理学检查中被忽视的小型异质性病变	肾肿瘤的不同组织学亚型	机器学习	肾细胞癌	多层CT扫描	深度神经网络	图像	50名受试者，包括32名男性和18名女性，以及一个包含20,000个样本的合成数据集
16330	2024-08-07	Cancer Immunotherapy and Medical Imaging Research Trends from 2003 to 2023: A Bibliometric Analysis 2024, Journal of multidisciplinary healthcare IF:2.7Q2 DOI:10.2147/JMDH.S457367 PMID:38736544	meta-analysis	本文通过文献计量分析方法，探讨了2003年至2023年间癌症免疫治疗与医学影像研究的发展趋势	首次系统性地对癌症免疫治疗与医学影像领域的研究进行了文献计量分析	NA	旨在明确过去研究轨迹，总结当前研究热点，揭示科学发展动态，并探索未来研究方向	癌症免疫治疗与医学影像相关的出版物	医学影像	癌症	MRI, 深度学习	NA	NA	美国发表最多，共265篇；中国次之，共170篇
16331	2024-08-07	On the design of deep learning-based control algorithms for visually guided UAVs engaged in power tower inspection tasks 2024, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2024.1378149 PMID:38736660	研究论文	本文专注于设计卷积神经网络以视觉引导自主无人机进行电力塔检查任务	使用合成图像和物理世界图像的混合数据集训练网络，以提高图像分割任务的性能	NA	设计用于视觉引导无人机的深度学习控制算法，以进行电力塔检查	自主无人机及其在电力塔检查中的应用	计算机视觉	NA	卷积神经网络	U-NET	图像	合成图像数据集、物理世界图像数据集及混合数据集
16332	2024-08-07	Predict lncRNA-drug associations based on graph neural network 2024, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2024.1388015 PMID:38737125	研究论文	本研究利用图卷积网络（GCN）和图注意力网络（GAT）基于lncRNA和药物相似网络预测lncRNA-药物关联（LDAs）	提出了一种基于深度学习的框架，用于预测新的lncRNA-药物关联，该方法在五个数据集上实现了良好的性能（平均AUCs > 0.92）	NA	开发预测lncRNA-药物关联的方法，以促进基于lncRNA的药物开发	lncRNA和药物的关联	机器学习	NA	图卷积网络（GCN），图注意力网络（GAT）	GCN，GAT	网络数据	五个数据集
16333	2024-08-07	FM-FCN: A Neural Network with Filtering Modules for Accurate Vital Signs Extraction 2024, Research (Washington, D.C.) DOI:10.34133/research.0361 PMID:38737196	研究论文	本文提出了一种名为过滤模块全卷积网络（FM-FCN）的新型网络，结合传统过滤技术与神经网络，用于增强生理信号并抑制噪声	FM-FCN通过引入过滤模块（FM）作为网络模块，利用过滤器结构消除不需要的干扰，构建了深度学习与信号处理方法之间的桥梁	NA	提高生理信号提取的准确性和可靠性	远程光电容积脉搏波（PPG）信号的提取和心率（HR）估计	机器学习	NA	全卷积网络（FCN）	CNN	信号	NA
16334	2024-08-07	How AI drives innovation in cardiovascular medicine 2024, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2024.1397921 PMID:38737711	comments	本文总结了人工智能和深度学习在心血管医学领域的一些重要进展	NA	NA	探讨人工智能在心血管医学中的应用及其对患者护理的影响	心血管医学领域	machine learning	cardiovascular disease	AI	deep learning	NA	NA
16335	2024-08-07	Deep learning-based phenotype imputation on population-scale biobank data increases genetic discoveries 2023-Dec, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-023-01558-w PMID:37985819	研究论文	本文提出了一种基于深度学习的表型填补方法AutoComplete，用于在人口规模生物银行数据集中填补缺失的表型	AutoComplete方法在表型填补准确性上显著优于现有方法，并能有效增加遗传关联分析的关联位点数量	NA	提高现有生物银行数据集中遗传发现的效力	人口规模生物银行数据集中的缺失表型	机器学习	NA	深度学习	深度学习模型	生物银行数据	约300,000名个体
16336	2024-08-07	Artificial Intelligence and Machine Learning Applications in Sudden Cardiac Arrest Prediction and Management: A Comprehensive Review 2023-11, Current cardiology reports IF:3.1Q2 DOI:10.1007/s11886-023-01964-w PMID:37792134	综述	本文综述旨在全面概述近期在预测模型和AI及ML在心肺复苏（CPR）成功预测中的应用进展	深度学习在放射组学和人口健康中日益突出，用于疾病风险预测；AI与自动体外除颤器（AEDs）结合显示出在心脏骤停事件中更好检测可电击节律的潜力	心脏骤停（SCA）的预测和预防仍是一个持续挑战，尽管有先进的第一响应系统，但生存率仍然很低	理解AI和ML在医疗保健中的作用，特别是在医学诊断、统计和精准医学中，并探索其在预测和管理心脏骤停结果中的应用	AI和ML在医疗保健中的应用，特别是在医学诊断、统计和精准医学中，以及在预测和管理心脏骤停结果中的应用	机器学习	心血管疾病	NA	深度学习	NA	NA
16337	2024-08-07	Signal Improved ultra-Fast Light-sheet Microscope (SIFT) for large tissue imaging 2023-Jun-28, Research square DOI:10.21203/rs.3.rs-2990328/v1 PMID:37461705	研究论文	本文介绍了一种改进的超快速光片显微镜（SIFT），用于大组织成像，通过精确控制两个固定距离的光片焦点来实现ASLM，提高了成像速度和信号强度	提出的SIFT技术将成像速度提高了四倍，并在特定帧率下将信号强度提高了一倍，同时开发了基于深度学习的组织信息分类器，以加速组织边界的确定	NA	提高大组织成像的速度和质量	大组织样本	生物医学成像	NA	光片荧光显微镜（LSFM）	深度学习模型	图像	多种已清除的组织样本
16338	2024-08-07	Large Language Models Demonstrate the Potential of Statistical Learning in Language 2023-03, Cognitive science IF:2.3Q2 DOI:10.1111/cogs.13256 PMID:36840975	研究论文	探讨大型语言模型（LLMs）在从语言输入中学习语言能力方面的潜力	提出大型语言模型可能为评估人类从语言经验中学习语言能力提供计算工具	大型语言模型在语义和语用方面存在明显局限	研究语言可以从语言输入中学习的程度	大型语言模型及其在语言学习中的应用	自然语言处理	NA	深度学习	大型语言模型（LLMs）	文本	NA
16339	2024-08-07	Artificial intelligence-based locoregional markers of brain peritumoral microenvironment 2023-01-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-26448-9 PMID:36653382	研究论文	本文通过扩散张量成像（DTI）技术，利用人工智能（AI）提取脑肿瘤周围微环境异质性的新型标志物	提出了一种基于深度学习的脑肿瘤周围微环境指数（PMI），并利用该指数提取了区域性的AI标志物，以捕捉肿瘤浸润异质性的不同方面	NA	开发新的AI标志物以量化脑肿瘤周围区域的浸润异质性，并用于临床决策	脑肿瘤周围区域的浸润异质性	数字病理学	脑肿瘤	扩散张量成像（DTI）	深度学习	图像	275例成人型弥漫性胶质瘤（CNS WHO 4级）
16340	2024-08-07	Retrospective T2 quantification from conventional weighted MRI of the prostate based on deep learning 2023, Frontiers in radiology DOI:10.3389/fradi.2023.1223377 PMID:37886239	研究论文	开发一种基于深度学习的方法，从常规的T1和T2加权MRI图像中回顾性地量化前列腺的T2值	该方法能够从临床获取的T1和T2加权图像中回顾性地估计前列腺T2图，有助于改善前列腺癌的诊断和特征描述，无需额外扫描	NA	开发一种深度学习方法，用于从常规MRI图像中回顾性地量化前列腺的T2值	前列腺T2值的量化	数字病理学	前列腺癌	MRI	U-Net	图像	25名受试者用于训练，38名前列腺癌患者用于验证