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
16521	2024-09-17	Smart Ship Draft Reading by Dual-Flow Deep Learning Architecture and Multispectral Information 2024-Aug-28, Sensors (Basel, Switzerland) DOI:10.3390/s24175580 PMID:39275491	研究论文	本文提出了一种基于双流深度学习架构和多光谱信息的智能船舶吃水读取方法	首次将NIR信息与RGB图像结合应用于自动吃水读取任务，并提出了一种双分支骨干网络BIF来提取和融合RGB和NIR图像的光谱信息	NA	提高船舶吃水读取的准确性和自动化程度	船舶吃水读取	计算机视觉	NA	深度学习	双分支骨干网络BIF	多光谱图像	524张多光谱图像
16522	2024-09-17	Streamlining YOLOv7 for Rapid and Accurate Detection of Rapeseed Varieties on Embedded Device 2024-Aug-28, Sensors (Basel, Switzerland) DOI:10.3390/s24175585 PMID:39275496	研究论文	本文针对嵌入式设备上的实时种子检测问题，提出了一种基于YOLOv7模型的双维度（空间和通道）剪枝方法	设计了一种双维度剪枝方法，通过自定义比例逐层剪枝策略优化了YOLOv7模型，提高了检测精度和实时性能	NA	提高嵌入式设备上油菜品种检测的准确性和实时性能	油菜品种检测	计算机视觉	NA	深度学习	YOLOv7	图像	NA
16523	2024-09-17	Advancing Prostate Cancer Diagnosis: A Deep Learning Approach for Enhanced Detection in MRI Images 2024-Aug-27, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14171871 PMID:39272656	研究论文	本文提出了一种利用深度学习方法在MRI图像中增强前列腺癌检测的综合方法	通过集成多种深度学习模型（包括3D卷积神经网络、残差网络和Inception网络）并采用软投票技术，显著提高了前列腺癌检测的准确性和鲁棒性	NA	提高前列腺癌诊断的准确性和治疗效果	前列腺癌的MRI图像	计算机视觉	前列腺癌	MRI	3D CNN, Residual Network, Inception Network	图像	SPIE-AAPM-NCI PROSTATEx数据集中的MRI图像
16524	2024-09-17	Diagnostic Performance of a Deep Learning-Powered Application for Aortic Dissection Triage Prioritization and Classification 2024-Aug-27, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14171877 PMID:39272662	研究论文	本研究评估了一种基于深度学习的应用程序在胸部和胸腹CT血管造影扫描中检测、分类和突出疑似主动脉夹层的能力	该应用程序展示了在检测和分类主动脉夹层病例方面的强大性能，可能有助于在临床环境中更快地进行这些紧急病例的分诊	设备错误标记了32例，主要由于采集伪影和类似主动脉夹层的主动脉病理	评估基于深度学习的应用程序在CT血管造影扫描中检测和分类主动脉夹层的诊断性能	胸部和胸腹CT血管造影扫描中的主动脉夹层	计算机视觉	心血管疾病	深度学习	NA	图像	1303例CT血管造影扫描，平均年龄58.8 ± 16.4岁，46.7%为男性，10.5%为阳性病例
16525	2024-09-17	A Point Cloud Graph Neural Network for Protein-Ligand Binding Site Prediction 2024-Aug-27, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms25179280 PMID:39273227	研究论文	提出了一种基于几何深度学习的框架PGpocket，用于改进蛋白质-配体结合位点的预测	PGpocket通过将蛋白质表面转换为点云，并利用点云图神经网络提取和分析蛋白质表面信息，显著提高了结合位点预测的准确性	NA	改进蛋白质-配体结合位点的预测方法，以推动药物创新和生物功能机制的阐明	蛋白质-配体结合位点	结构生物学	NA	几何深度学习	点云图神经网络（GNN）	点云	训练集使用scPDB数据集，验证集使用Coach420和HOLO4K数据集
16526	2024-09-17	Rapeseed Flower Counting Method Based on GhP2-YOLO and StrongSORT Algorithm 2024-Aug-27, Plants (Basel, Switzerland) DOI:10.3390/plants13172388 PMID:39273871	研究论文	本文提出了一种基于GhP2-YOLO和StrongSORT算法的油菜花计数方法	本文创新性地结合了GhP2-YOLO和StrongSORT算法，用于视频帧中油菜花蕾和花朵的计数，提高了目标识别的准确性和计算效率	NA	探索神经网络GhP2-YOLO在油菜花蕾和花朵计数中的应用	油菜花蕾和花朵	计算机视觉	NA	深度学习	GhP2-YOLO	视频	20段视频用于比较分析
16527	2024-09-17	Multi-Scale Spatio-Temporal Attention Networks for Network-Scale Traffic Learning and Forecasting 2024-Aug-27, Sensors (Basel, Switzerland) DOI:10.3390/s24175543 PMID:39275454	研究论文	本文介绍了一种用于学习和预测图结构交通数据的多尺度时空注意力网络模型	提出了时空网络嵌入（STNE）模型，使用图卷积网络（GCNs）捕捉道路网络拓扑的空间特征，并通过多维长短期记忆神经网络（MDLSTM）灵活访问多维上下文	NA	开发一种能够准确及时预测局部道路网络交通的深度学习框架	局部道路网络的交通数据	机器学习	NA	图卷积网络（GCNs），多维长短期记忆神经网络（MDLSTM）	图卷积网络（GCNs），多维长短期记忆神经网络（MDLSTM）	图结构数据	两个大规模真实世界交通数据集
16528	2024-09-17	Artificial Intelligence-Driven Prognosis of Respiratory Mechanics: Forecasting Tissue Hysteresivity Using Long Short-Term Memory and Continuous Sensor Data 2024-Aug-27, Sensors (Basel, Switzerland) DOI:10.3390/s24175544 PMID:39275455	研究论文	研究利用长短期记忆网络和连续传感器数据预测呼吸力学中的组织滞后性	首次探索使用长短期记忆网络预测组织滞后性，并显著减少所需的测量次数和时间	NA	减少呼吸疾病诊断所需的测量次数和时间	组织滞后性参数η的预测	机器学习	呼吸疾病	NA	长短期记忆网络（LSTM）	连续传感器数据	患者样本数量未明确提及
16529	2024-09-17	Ultrasonic Assessment of Liver Fibrosis Using One-Dimensional Convolutional Neural Networks Based on Frequency Spectra of Radiofrequency Signals with Deep Learning Segmentation of Liver Regions in B-Mode Images: A Feasibility Study 2024-Aug-26, Sensors (Basel, Switzerland) DOI:10.3390/s24175513 PMID:39275424	研究论文	本研究提出了一种基于超声回波射频信号的深度学习模型，用于自动分割肝脏区域并评估肝纤维化程度	本研究首次将深度学习应用于超声回波射频信号的频率谱分析，并结合自动肝脏区域分割，提高了肝纤维化评估的准确性	本研究仅在特定样本集上进行了验证，未来需要在更大规模和多样化的样本上进行验证	开发一种基于超声回波射频信号的深度学习方法，用于早期肝纤维化的自动检测和评估	超声回波射频信号和B模式超声图像	计算机视觉	肝病	深度学习	卷积神经网络（CNN）	图像和信号	613名参与者用于肝脏区域分割，237名参与者用于肝纤维化阶段分类
16530	2024-09-17	Holo-U2Net for High-Fidelity 3D Hologram Generation 2024-Aug-25, Sensors (Basel, Switzerland) DOI:10.3390/s24175505 PMID:39275416	研究论文	本文提出了一种名为Holo-UNet的神经网络架构，用于生成高保真度的3D全息图	Holo-UNet在计算机生成全息术中展示了显著的性能提升，特别是在模拟菲涅尔衍射方面	NA	提高计算机生成全息术中全息图的保真度和生成速度	高保真度的3D全息图生成	计算机视觉	NA	深度学习	UNet	图像	MIT-CGH-4K大规模全息图数据集
16531	2024-09-17	Feature Interaction-Based Face De-Morphing Factor Prediction for Restoring Accomplice's Facial Image 2024-Aug-25, Sensors (Basel, Switzerland) DOI:10.3390/s24175504 PMID:39275415	研究论文	本文提出了一种基于特征交互的面部去变形因子预测方法，用于恢复共犯的面部图像	本文创新性地引入了基于特征交互的通道注意力机制，并结合实时捕捉的参考图像，预测去变形因子，从而恢复共犯的身份信息	NA	恢复共犯的面部图像	面部去变形因子预测	计算机视觉	NA	通道注意力机制	StyleGAN	图像	NA
16532	2024-09-17	A New Method for Non-Destructive Identification and Tracking of Multi-Object Behaviors in Beef Cattle Based on Deep Learning 2024-Aug-24, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani14172464 PMID:39272249	研究论文	本文提出了一种基于深度学习的非破坏性识别和跟踪牛肉牛多对象行为的新方法	引入了动态蛇卷积模块和BiFormer注意力机制，改进了YOLOv8n算法，提高了行为识别的准确性；优化了Deep SORT算法，减少了ID匹配错误	未提及具体局限性	为牛肉牛的智能识别和管理提供理论和实践支持	牛肉牛的行为识别和跟踪	计算机视觉	NA	深度学习	YOLOv8n, ResNet18	视频	九种行为，包括站立、躺卧、爬跨、打斗、舔舐、进食、饮水、工作、搜索，平均50和50:95精度分别为96.5%和71.5%
16533	2024-09-17	Modern Approach to Diabetic Retinopathy Diagnostics 2024-Aug-24, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14171846 PMID:39272631	综述	本文综述了糖尿病视网膜病变诊断的创新方法	介绍了远程眼科、智能手机摄影、人工智能与深度学习等技术在早期疾病检测中的应用	这些技术的使用可能受限于某些地区的保险覆盖，且存在高成本、睫毛伪影、周边畸变等问题	探讨糖尿病视网膜病变的创新诊断方法	糖尿病视网膜病变	计算机视觉	糖尿病	人工智能、深度学习、卷积神经网络	卷积神经网络	图像	NA
16534	2024-09-17	A Deep Learning Approach to Distance Map Generation Applied to Automatic Fiber Diameter Computation from Digital Micrographs 2024-Aug-24, Sensors (Basel, Switzerland) DOI:10.3390/s24175497 PMID:39275408	研究论文	本文介绍了一种基于深度学习的纤维显微图像距离图生成方法，用于自动计算纤维直径	提出了一种基于深度学习的距离图生成方法，改进了U-Net架构，能够更准确地分割和计算纤维直径	NA	开发一种更精确和自动化的方法来测量纤维直径，以改进纺织行业的质量控制和定价	动物和合成纺织品中的纤维直径	计算机视觉	NA	深度学习	U-Net	图像	使用了真实和模拟的显微图像进行训练
16535	2024-09-17	Ultrafast Brain MRI at 3 T for MS: Evaluation of a 51-Second Deep Learning-Enhanced T2-EPI-FLAIR Sequence 2024-Aug-23, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14171841 PMID:39272626	研究论文	评估了一种51秒的深度学习增强T2-EPI-FLAIR序列在3T磁共振成像中对多发性硬化症（MS）患者脑部病变的检测效果	提出了一种超快速的深度学习增强T2-EPI-FLAIR序列，旨在缩短MRI成像时间，同时保持图像质量	FLAIR序列在某些脑区的信噪比和对比噪声比存在局限性，且存在空间畸变等伪影	评估超快速深度学习增强T2-EPI-FLAIR序列在多发性硬化症患者脑部病变检测中的应用效果	17名多发性硬化症患者	数字病理学	多发性硬化症	磁共振成像（MRI）	深度学习	图像	17名多发性硬化症患者
16536	2024-09-17	Enhancing Jujube Forest Growth Estimation and Disease Detection Using a Novel Diffusion-Transformer Architecture 2024-Aug-23, Plants (Basel, Switzerland) DOI:10.3390/plants13172348 PMID:39273832	研究论文	本文提出了一种结合扩散-Transformer结构和并行注意力机制的深度学习模型，用于枣树林的生长估计和疾病检测	创新点在于设计了一种新的扩散-Transformer架构，并结合并行注意力机制，显著提升了模型在复杂森林区域中的数据处理能力和特征提取精度	NA	旨在解决现有林业监测方法在大规模和高度复杂森林区域中的数据处理能力和特征提取精度不足的问题	枣树林的生长和疾病检测	机器学习	NA	深度学习	扩散-Transformer	图像	NA
16537	2024-09-17	A Deep Learning Framework for Real-Time Bird Detection and Its Implications for Reducing Bird Strike Incidents 2024-Aug-23, Sensors (Basel, Switzerland) DOI:10.3390/s24175455 PMID:39275366	研究论文	本文提出了一种用于实时鸟类检测的深度学习框架，旨在减少鸟击事件对航空安全的影响	本文的创新点在于开发了一种双焦点模型，结合了基于注意力的时序分析网络和具有空间意识的卷积神经网络，能够识别复杂背景中的特定特征，从而提高检测准确性	NA	本文的研究目的是开发一种高效的鸟类检测技术，以减少机场鸟击事件的发生	本文的研究对象是机场环境中的鸟类检测	计算机视觉	NA	深度学习	卷积神经网络	图像	使用了包含不同种类和飞行模式的鸟类图像的大规模数据库
16538	2024-09-17	PolyMeme: Fine-Grained Internet Meme Sensing 2024-Aug-23, Sensors (Basel, Switzerland) DOI:10.3390/s24175456 PMID:39275367	研究论文	本文介绍了一个名为PolyMeme的数据集，用于细粒度互联网模因检测	提出了PolyMeme数据集，包含了约27K个来自四个类别的模因，填补了现有数据集在模因格式、风格和内容多样性方面的不足	未提及	开发一个细粒度的互联网模因检测系统	互联网模因	计算机视觉	NA	深度学习	ResNet, ViT	图像	约27K个模因样本
16539	2024-09-17	A Self-Attention Legendre Graph Convolution Network for Rotating Machinery Fault Diagnosis 2024-Aug-23, Sensors (Basel, Switzerland) DOI:10.3390/s24175475 PMID:39275385	研究论文	本文提出了一种结合自注意力机制的Legendre图卷积网络，用于旋转机械故障诊断	该方法将振动信号从欧几里得空间转换为非欧几里得空间的图信号，并采用基于Legendre多项式的快速局部谱滤波和自注意力图池化方法，显著提高了模型的稳定性和计算效率	NA	提高旋转机械故障诊断的准确性和适应性	旋转机械的故障诊断	机器学习	NA	图卷积网络	Legendre图卷积网络	振动信号	10种不同的行星齿轮箱故障任务
16540	2024-09-17	Coronary computed tomographic angiography-derived anatomic and hemodynamic plaque characteristics in prediction of cardiovascular events 2024-Aug, The international journal of cardiovascular imaging DOI:10.1007/s10554-024-03149-0 PMID:38878147	研究论文	本研究探讨了基于深度学习的冠状动脉CT血管造影（CCTA）得出的解剖和血流动力学斑块特征与导致后续主要不良心血管事件（MACE）的高风险斑块之间的关联	本研究创新性地结合了深度学习和计算流体动力学算法，从CCTA中提取了不良斑块特征和血流动力学参数，并验证了这些参数在预测MACE事件及其预后中的价值	本研究为回顾性分析，样本量较小，且未涉及前瞻性验证	研究基于CCTA的解剖和血流动力学斑块特征与MACE事件之间的关系，并评估血流动力学参数在预测MACE事件及其预后中的价值	冠状动脉CT血管造影（CCTA）得出的解剖和血流动力学斑块特征	数字病理学	心血管疾病	冠状动脉CT血管造影（CCTA）	深度学习	图像	86名患者，共134个斑块形成的血管和83个随后发生冠状动脉事件的罪犯血管