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
17601	2024-09-08	A Swin Transformer-based model for mosquito species identification 2022-11-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-21017-6 PMID:36333318	研究论文	本文介绍了一种基于Swin Transformer的蚊子物种识别模型	首次提出基于Swin Transformer的蚊子物种识别模型，实现了高精度的物种分类	NA	开发一种高效的蚊子物种识别方法，以支持蚊媒疾病的控制	蚊子物种	计算机视觉	NA	深度学习	Swin Transformer	图像	9900张原始图像，涵盖17个物种
17602	2024-09-08	SelfCoLearn: Self-Supervised Collaborative Learning for Accelerating Dynamic MR Imaging 2022-Nov-04, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering9110650 PMID:36354561	研究论文	本文提出了一种自监督协同学习框架（SelfCoLearn），用于从欠采样的k空间数据中直接重建动态磁共振图像	引入了双网络协同学习、重新采样数据增强和特殊设计的协同训练损失，以提高动态磁共振图像重建的准确性	NA	解决现有方法在缺乏完全采样参考数据的情况下，恢复细节或结构能力有限的问题	动态磁共振图像的重建	计算机视觉	NA	深度学习	双网络协同学习框架	图像	NA
17603	2024-09-08	DeepFake knee osteoarthritis X-rays from generative adversarial neural networks deceive medical experts and offer augmentation potential to automatic classification 2022-11-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-23081-4 PMID:36329253	研究论文	研究使用生成对抗神经网络生成逼真的膝关节X光片，以欺骗医学专家并增强自动分类	提出了一种生成对抗神经网络，能够生成具有不同骨关节炎严重程度的膝关节X光片，这些生成的图像能够欺骗医学专家，并在骨关节炎严重程度分类任务中提高分类准确性	研究仅限于膝关节X光片和骨关节炎分类任务，未涉及其他类型的医学图像或疾病	探讨生成对抗神经网络在医学图像生成和增强深度学习模型中的应用	膝关节X光片和骨关节炎严重程度分类	计算机视觉	骨关节炎	生成对抗神经网络	生成对抗网络	图像	训练使用了5,556张真实图像，生成了320,000张合成图像，并进行了15位医学专家的验证
17604	2024-09-08	Generalization of Deep Learning in Digital Pathology: Experience in Breast Cancer Metastasis Detection 2022-Nov-03, Cancers IF:4.5Q1 DOI:10.3390/cancers14215424 PMID:36358842	研究论文	本研究测试了预训练深度学习模型在新的诊断环境和手术指征变化下的泛化能力	本研究展示了多中心训练模型在不同数据集上的泛化挑战，并强调了手术指征变化对模型性能的显著影响	本研究仅限于乳腺癌转移检测，且样本量较小	测试预训练深度学习模型在不同诊断环境和手术指征变化下的泛化能力	乳腺癌转移检测	数字病理学	乳腺癌	深度学习	深度学习模型	图像	使用了CAMELYON多中心数据和本地数据，样本量未具体说明
17605	2024-09-08	New Generation Federated Learning 2022-Nov-03, Sensors (Basel, Switzerland) DOI:10.3390/s22218475 PMID:36366172	研究论文	本文介绍了一种新的联邦学习框架，称为新一代联邦学习（NGFL），旨在适应现实世界中的动态任务序列和严格的存储限制	本文将增量学习引入联邦学习，提出了一种新的联邦学习框架，能够处理客户端不断出现的新任务和存储限制问题	本文未详细讨论实际应用中可能遇到的技术实现细节和性能评估	开发一种能够适应现实世界动态任务序列和存储限制的联邦学习框架	联邦学习框架在动态任务和存储限制下的表现	机器学习	NA	联邦学习	增量学习	NA	NA
17606	2024-09-08	Three-Stage Pavement Crack Localization and Segmentation Algorithm Based on Digital Image Processing and Deep Learning Techniques 2022-Nov-03, Sensors (Basel, Switzerland) DOI:10.3390/s22218459 PMID:36366156	研究论文	提出了一种基于数字图像处理和深度学习技术的三阶段沥青路面裂缝定位与分割方法	采用了引导滤波和Retinex方法进行图像预处理，提出了YOLO-SAMT目标检测模型进行裂缝定位，并改进了k-means聚类算法进行裂缝提取	未提及具体局限性	提高沥青路面裂缝检测的准确性和效率	高速公路沥青路面裂缝	计算机视觉	NA	数字图像处理、深度学习	YOLO-SAMT	图像	未提及具体样本数量
17607	2024-09-08	Transformer-based multitask learning for reaction prediction under low-resource circumstances 2022-Nov-03, RSC advances IF:3.9Q2 DOI:10.1039/d2ra05349g PMID:36380947	研究论文	本文介绍了一种基于Transformer的多任务学习模型，用于在低资源情况下预测化学反应	提出了两种多任务模型：retro-forward反应预测Transformer（RFRPT）和multiforward反应预测Transformer（MFRPT），通过多任务学习显著提高了预测准确性	NA	解决低资源化学数据集下反应预测的准确性问题	化学反应预测	机器学习	NA	Transformer	Transformer	化学反应数据	NA
17608	2024-09-08	Uncertainty-informed deep learning models enable high-confidence predictions for digital histopathology 2022-11-02, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-34025-x PMID:36323656	研究论文	本文介绍了一种在癌症数字病理学中用于全切片图像的不确定性量化方法，通过使用dropout估计不确定性，并在训练数据上计算阈值以建立低和高置信度预测的截止点	本文提出了在数字病理学中使用不确定性信息进行深度学习模型训练的方法，并展示了其在跨验证和外部数据集测试中的优越性	NA	提高计算生物标志物在实际临床应用中的用户置信度	肺腺癌与鳞状细胞癌的鉴别	数字病理学	肺癌	dropout	深度学习模型	图像	涉及多个机构的大规模外部数据集
17609	2024-09-08	Comparative Analysis of Deep Learning Models Used in Impact Analysis of Coronavirus Chest X-ray Imaging 2022-Nov-02, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines10112791 PMID:36359310	研究论文	本文比较了用于分析新冠病毒胸片影响的深度学习模型	本文通过实验分析了多种深度学习模型在新冠病毒胸片图像上的表现，并提供了性能提升的解决方案	本文主要集中在模型性能的比较和分析，未深入探讨模型在实际临床应用中的效果	比较不同深度学习模型在新冠病毒胸片图像分析中的表现	新冠病毒感染的胸片图像	计算机视觉	NA	深度学习	CNN, Resnet, VGG16, Inception V3, Xception	图像	训练集包含超过1500张胸片图像，测试集包含约132张胸片图像
17610	2024-09-08	An AI based digital-twin for prioritising pneumonia patient treatment 2022-Nov, Proceedings of the Institution of Mechanical Engineers. Part H, Journal of engineering in medicine DOI:10.1177/09544119221123431 PMID:36121054	研究论文	本文提出了一种基于数字孪生的三层系统，用于优先处理重症肺炎患者的治疗	利用深度学习方法构建患者特定的数字孪生模型，以识别和优先处理重症肺炎患者中的危重病例	当前模型主要基于肺炎患者数据，应用于COVID-19患者时需要进行迁移学习以提高预测准确性	开发一种能够优先处理重症肺炎患者并优化机械通气和重症监护使用的系统	重症肺炎患者及其治疗优先级	机器学习	肺炎	深度学习	深度学习模型	患者数据	超过1895名肺炎患者
17611	2024-09-08	Incorporating the image formation process into deep learning improves network performance 2022-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-022-01652-7 PMID:36316563	研究论文	本文介绍了一种结合图像形成过程的深度学习方法，即Richardson-Lucy网络（RLN），用于三维荧光显微镜去卷积	RLN将传统的Richardson-Lucy迭代与全卷积网络结构结合，建立了与图像形成过程的联系，从而提高了网络性能	NA	提高三维荧光显微镜去卷积的性能	细胞、组织和胚胎的显微镜图像	计算机视觉	NA	深度学习	全卷积网络	图像	细胞、组织和胚胎的显微镜图像数据集
17612	2024-09-08	Artificial intelligence and machine learning in pain research: a data scientometric analysis 2022 Nov-Dec, Pain reports IF:3.4Q2 DOI:10.1097/PR9.0000000000001044 PMID:36348668	研究论文	本文对人工智能和机器学习在疼痛研究中的应用进行了数据科学计量分析	本文通过自动搜索和手动筛选，评估了机器学习方法和疼痛研究中的常见设置，并分析了研究样本的大小和技术细节	本文指出，尽管人工智能和机器学习能够处理复杂数据，但有时需要大量数据，并且可能存在黑箱决策的问题	研究人工智能和机器学习在疼痛研究中的应用及其优势和局限性	疼痛研究中的机器学习方法、疼痛设置、研究样本大小和技术细节	机器学习	NA	机器学习	随机森林、支持向量机、深度学习	数据	样本大小从11到2,164,872不等，模式为n=100
17613	2024-09-08	The Role of Deep Learning in Advancing Breast Cancer Detection Using Different Imaging Modalities: A Systematic Review 2022-Oct-29, Cancers IF:4.5Q1 DOI:10.3390/cancers14215334 PMID:36358753	综述	本文综述了深度学习在不同成像模式下乳腺癌检测中的应用	本文总结了利用人工智能和深度学习算法在乳腺癌检测中的最新研究，并提供了相关数据集的报告	本文未提及具体的深度学习模型或技术细节	探讨深度学习在乳腺癌检测中的应用，并提供相关数据集的资源	乳腺癌检测中的不同成像模式及其在深度学习中的应用	计算机视觉	乳腺癌	深度学习	NA	图像	NA
17614	2024-09-08	A Hybrid Preprocessor DE-ABC for Efficient Skin-Lesion Segmentation with Improved Contrast 2022-Oct-29, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12112625 PMID:36359469	研究论文	本文提出了一种新的混合元启发式预处理器DE-ABC，用于优化对比度增强变换函数中的决策变量，以提高皮肤病变分割的效率	本文的创新点在于提出了一种新的混合元启发式预处理器DE-ABC，用于优化对比度增强变换函数中的决策变量，从而提高皮肤病变分割的效率	本文的局限性在于仅在公开的皮肤病变数据集上进行了验证，未来可以在更多类型的医学图像数据集上进行测试	本文的研究目的是提高皮肤病变分割算法的效率	本文的研究对象是皮肤病变图像的分割	计算机视觉	NA	对比度拉伸	混合元启发式	图像	使用了公开的皮肤病变数据集，如PH2、ISIC-2016、ISIC-2017和ISIC-2018
17615	2024-09-08	Rapid Non-Destructive Analysis of Food Nutrient Content Using Swin-Nutrition 2022-Oct-29, Foods (Basel, Switzerland) DOI:10.3390/foods11213429 PMID:36360043	研究论文	本文提出了一种名为Swin-Nutrition的端到端食品营养非破坏性检测方法，结合深度学习和非破坏性检测技术评估食品的营养成分	本文创新性地使用了Swin Transformer作为特征提取的主干网络，并通过特征融合模块和营养预测模块提高了预测精度	本文未详细讨论方法在不同食品类型和环境条件下的泛化能力	开发一种高效准确的食品营养非破坏性检测方法，以促进食品安全和质量的发展	食品的营养成分，包括卡路里、质量、脂肪、碳水化合物和蛋白质	计算机视觉	NA	深度学习	Swin Transformer	图像	使用了Nutrition5k数据集进行实验
17616	2024-09-08	Class-Aware Fish Species Recognition Using Deep Learning for an Imbalanced Dataset 2022-Oct-28, Sensors (Basel, Switzerland) DOI:10.3390/s22218268 PMID:36365964	研究论文	本文提出了一种基于深度学习的鱼类物种识别方法，通过结合MobileNetv3-large和VGG16网络以及SSD检测头，并引入类别感知损失函数来解决数据集类别不平衡问题	提出了类别感知损失函数，该函数考虑了每个物种的实例数量，并给予实例较少的物种更多权重，适用于任何类别不平衡的分类或目标检测任务	NA	提高鱼类物种识别的准确性，特别是在处理多鱼图像和类别不平衡数据集时	鱼类物种识别	计算机视觉	NA	深度学习	SSD	图像	使用了大规模的SEAMAPD21数据集和Pascal VOC数据集进行实验
17617	2024-09-08	SDN-Defend: A Lightweight Online Attack Detection and Mitigation System for DDoS Attacks in SDN 2022-Oct-28, Sensors (Basel, Switzerland) DOI:10.3390/s22218287 PMID:36365984	研究论文	本文设计并实现了一种用于SDN网络中DDoS攻击的在线检测与缓解系统	采用轻量级混合深度学习方法CNN-ELM进行流量异常检测，并使用IP追踪技术定位攻击者	未提及	解决SDN网络中DDoS攻击的安全问题	SDN网络中的DDoS攻击	计算机网络	NA	卷积神经网络（CNN）、极限学习机（ELM）、IP追踪	CNN-ELM	流量数据	未提及
17618	2024-09-08	Predicting Chemical Carcinogens Using a Hybrid Neural Network Deep Learning Method 2022-Oct-26, Sensors (Basel, Switzerland) DOI:10.3390/s22218185 PMID:36365881	研究论文	本文开发了一种混合神经网络（HNN）方法HNN-Cancer，用于预测现实化学物质的潜在致癌性	提出了新的SMILES特征表示方法，并通过修改之前的3D数组表示法来模拟1D SMILES，结合卷积神经网络（CNN）进行处理	尽管HNN-Cancer在大多数已知致癌实验数据集上表现较好，但其预测性能在多样性较少的分子上与文献报道的模型相当	开发一种能够预测多种化学物质潜在致癌性的方法	现实生活中的化学物质及其潜在的致癌性	机器学习	NA	混合神经网络（HNN）	卷积神经网络（CNN）	化学物质的SMILES表示	7994种化学物质用于二分类模型，1618种化学物质用于多分类模型
17619	2024-09-08	EVAE-Net: An Ensemble Variational Autoencoder Deep Learning Network for COVID-19 Classification Based on Chest X-ray Images 2022-Oct-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12112569 PMID:36359413	研究论文	本文提出了一种基于胸部X光图像的COVID-19分类的集成变分自编码器深度学习网络EVAE-Net	利用变分自编码器的潜在嵌入结合集成技术，提出了三种有效的EVAE-Net模型用于COVID-19检测	未提及	开发一种高精度的COVID-19早期检测方法	胸部X光图像	计算机视觉	肺部疾病	变分自编码器	集成模型	图像	使用了来自Kaggle的COVID-19放射学数据集中的胸部X光图像
17620	2024-09-08	Validation of a deep learning-based material estimation model for Monte Carlo dose calculation in proton therapy 2022-10-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac9663 PMID:36174551	研究论文	本文开发并验证了一种基于深度学习的材料特性估计模型，用于质子治疗中的蒙特卡罗剂量计算	提出了一个框架，通过使用深度学习模型（PRN）来验证蒙特卡罗剂量计算的准确性，并比较了不同材料转换模型的效果	仅在人体模型和猪模型上进行了验证，未涉及更多种类的样本	开发和验证一种基于CT的材料特性模型，以提高质子治疗计划中剂量计算的准确性	人体模型和猪模型	机器学习	NA	深度学习	残差网络（RN/PRN）	CT图像	两个人体模型和两个猪模型