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
18021	2024-09-07	The Applications of Metaheuristics for Human Activity Recognition and Fall Detection Using Wearable Sensors: A Comprehensive Analysis 2022-Oct-03, Biosensors DOI:10.3390/bios12100821 PMID:36290958	研究论文	本文研究了元启发式优化算法在基于传感器数据的人类活动识别和跌倒检测中的应用	本文使用了九种元启发式算法进行特征选择，以提高人类活动识别和跌倒检测的分类准确性	NA	研究元启发式优化算法在人类活动识别和跌倒检测中的应用	人类活动识别和跌倒检测	机器学习	NA	元启发式优化算法	ResRNN	传感器数据	使用了七个不同的复杂数据集进行多分类，以及一个数据集进行二分类
18022	2024-09-07	An exploration of error-driven learning in simple two-layer networks from a discriminative learning perspective 2022-10, Behavior research methods IF:4.6Q1 DOI:10.3758/s13428-021-01711-5 PMID:35032022	研究论文	本文从判别学习的角度探讨了简单两层网络中的错误驱动学习机制	本文强调了错误驱动模型中学习的判别性质，并讨论了这对学习概念化的影响	本文主要关注错误驱动学习的最简单形式，未涉及更复杂的深度学习模型	探讨错误驱动学习的基本工作原理，并将其与认知科学中错误驱动学习模型的发展历史联系起来	简单两层网络中的错误驱动学习机制	机器学习	NA	NA	两层网络	NA	NA
18023	2024-09-07	Nested U-Net for Segmentation of Red Lesions in Retinal Fundus Images and Sub-image Classification for Removal of False Positives 2022-10, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00629-4 PMID:35474556	研究论文	本文提出了一种用于视网膜眼底图像中红色病灶分割的嵌套U-Net模型，并结合子图像分类方法去除假阳性	本文创新性地使用了嵌套U-Net模型进行红色病灶分割，并通过子图像分类方法有效减少了假阳性	NA	开发一种自动筛查工具，用于早期检测和治疗糖尿病视网膜病变患者	视网膜眼底图像中的红色病灶	计算机视觉	糖尿病视网膜病变	NA	嵌套U-Net	图像	DIARETDB1数据集
18024	2024-09-07	Skin Lesion Area Segmentation Using Attention Squeeze U-Net for Embedded Devices 2022-10, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00634-7 PMID:35505265	研究论文	本文提出了一种名为Attention Squeeze U-Net的深度学习架构，用于嵌入式设备上的皮肤病变区域分割	设计了一种专为嵌入式设备优化的Attention Squeeze U-Net架构，能够在智能手机或低成本嵌入式设备上运行	NA	通过在智能手机或低成本嵌入式设备上运行深度学习算法，提高患者自主权	皮肤病变区域分割	计算机视觉	皮肤癌	深度学习	U-Net	图像	公开数据集
18025	2024-09-07	Deep Reinforcement Learning with Automated Label Extraction from Clinical Reports Accurately Classifies 3D MRI Brain Volumes 2022-10, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00644-5 PMID:35562633	研究论文	本文提出了一种利用临床报告自动提取标签并结合深度强化学习对3D MRI脑部体积进行分类的方法	本文的创新点在于使用自动标签提取技术从放射学报告中获取标签，并结合强化学习进行分类，相较于传统的监督深度学习方法，在数据量较小的情况下表现更优	本文的局限性在于仅在一个小规模的数据集上进行了验证，未来需要在更大规模的数据集上进行验证	本文的研究目的是减少获取和标注数据集的负担，并探索强化学习在放射学图像分类中的应用	本文的研究对象是3D MRI脑部体积的分类	计算机视觉	NA	深度强化学习	强化学习分类器	图像	训练集包含1000张图像，测试集包含1000张图像
18026	2024-09-07	Generation of synthetic megavoltage CT for MRI-only radiotherapy treatment planning using a 3D deep convolutional neural network 2022-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.15876 PMID:35870154	研究论文	本文探讨了使用3D深度卷积神经网络从磁共振成像（MRI）生成合成兆伏特CT（sMVCT）以实现仅MRI放射治疗计划的可行性	首次使用3D深度卷积神经网络从MRI生成sMVCT，以支持仅MRI的放射治疗计划	合成sMVCT与实际MVCT在骨骼和空气区域的一致性较差，且回顾性数据集存在由于扫描间差异导致的偏差	验证从MRI生成sMVCT以支持仅MRI放射治疗计划的可行性	头颈部癌症患者的MVCT和T1加权MRI数据	计算机视觉	头颈部癌症	深度学习	3D U-Net	图像	120名头颈部癌症患者的数据
18027	2024-09-07	Improving reproducibility and performance of radiomics in low-dose CT using cycle GANs 2022-Oct, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.13739 PMID:35906893	研究论文	本文研究了使用循环生成对抗网络（Cycle GANs）对低剂量CT图像进行去噪，以提高放射组学的可重复性和性能	本文首次探索了使用未配对数据训练的循环生成对抗网络（Cycle GANs）来提高低剂量CT图像的放射组学可重复性和性能	本文主要基于模拟数据和真实数据进行研究，未涉及其他类型的数据集	研究如何通过使用循环生成对抗网络（Cycle GANs）对低剂量CT图像进行去噪，以提高放射组学的可重复性和性能	低剂量CT图像的去噪和放射组学的可重复性与性能	计算机视觉	NA	循环生成对抗网络（Cycle GANs）	生成对抗网络（GAN）	图像	使用了模拟低剂量CT图像和RIDER数据集中的真实低剂量CT图像
18028	2024-09-07	Fluoroscopic Image-Based 3-D Environment Reconstruction and Automated Path Planning for a Robotically Steerable Guidewire 2022-Oct, IEEE robotics and automation letters IF:4.6Q2 DOI:10.1109/lra.2022.3207568 PMID:36275193	研究论文	本文提出了一种基于荧光图像的3D环境重建和机器人可控导丝自动路径规划方法，用于血管内导航	本文提出了一种新的方法，通过使用形状从轮廓算法和深度学习编码器-解码器网络来重建3D血管模型，并使用改进的混合A-star算法进行路径规划	本文仅在猪主动脉模型上进行了验证，尚未在人体临床试验中应用	提高心血管手术中导丝导航的自动化程度，减少辐射暴露	血管内导丝的自动导航	计算机视觉	心血管疾病	形状从轮廓算法，深度学习	编码器-解码器网络	图像	猪主动脉模型
18029	2024-09-07	Colorizing the Past: Deep Learning for the Automatic Colorization of Historical Aerial Images 2022-Oct-01, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8100269 PMID:36286363	研究论文	本文介绍了一种新的神经网络架构Hyper-U-NET，用于自动为历史黑白航拍图像上色	提出了一种结合U-NET架构和HyperConnections的新型神经网络Hyper-U-NET，用于处理历史黑白航拍图像的上色问题	未提及	探索和改进自动为历史黑白航拍图像上色的深度学习技术	历史黑白航拍图像	计算机视觉	NA	深度学习	Hyper-U-NET	图像	约10,000张彩色航拍图像补丁
18030	2024-09-07	Attention-Based UNet Deep Learning Model for Plaque Segmentation in Carotid Ultrasound for Stroke Risk Stratification: An Artificial Intelligence Paradigm 2022-Sep-27, Journal of cardiovascular development and disease IF:2.4Q2 DOI:10.3390/jcdd9100326 PMID:36286278	研究论文	本文提出了一种基于注意力机制的UNet深度学习模型，用于颈动脉超声图像中的斑块分割，以评估中风风险	该研究引入了基于注意力机制的UNet模型，显著提高了斑块分割的准确性，特别是在处理难以诊断的明亮和模糊斑块图像时	研究样本主要来自英国、日本和香港，可能存在地域和种族偏差	开发一种自动化的方法来检测和预测心血管疾病和中风的风险	颈动脉内的斑块	计算机视觉	心血管疾病	深度学习	UNet	图像	970张来自英国的ICA图像，379张来自日本糖尿病患者的CCA图像，以及300张来自香港绝经后女性的CCA图像
18031	2024-09-07	Artificial Intelligence Models for Zoonotic Pathogens: A Survey 2022-Sep-27, Microorganisms IF:4.1Q2 DOI:10.3390/microorganisms10101911 PMID:36296187	综述	本文综述了人工智能模型在研究人畜共患病原体及其传播因素中的应用	NA	NA	总结和分析机器学习和深度学习方法在研究人畜共患病中的应用，以帮助研究人员识别风险因素并制定缓解策略	人畜共患病原体及其传播因素	机器学习	NA	机器学习深度学习	NA	NA	NA
18032	2024-09-07	A Novel Multi-Feature Fusion Method for Classification of Gastrointestinal Diseases Using Endoscopy Images 2022-Sep-26, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12102316 PMID:36292006	研究论文	本文提出了一种新的多特征融合方法，用于通过内窥镜图像对胃肠道疾病进行分类	本文提出了一种名为Effimix的定制CNN架构，结合了EfficientNet B0和自定义的CNN架构，通过挤压和激励层以及自归一化激活层实现精确的疾病分类	NA	提高内窥镜图像中胃肠道疾病的分类准确性	内窥镜图像中的胃肠道疾病	计算机视觉	胃肠道疾病	卷积神经网络 (CNN)	Effimix	图像	HyperKvasir数据集
18033	2024-09-07	Role of Drone Technology Helping in Alleviating the COVID-19 Pandemic 2022-Sep-25, Micromachines IF:3.0Q2 DOI:10.3390/mi13101593 PMID:36295946	研究论文	本文探讨了无人机技术在缓解COVID-19大流行中的作用	本文提出了无人机在运输医疗物资、喷洒消毒剂、广播通信、监控和筛查感染患者等方面的创新应用	本文未详细讨论无人机技术在实际应用中的技术挑战和成本问题	研究无人机技术在应对COVID-19大流行中的潜力	无人机技术在医疗领域的应用及其优缺点	NA	COVID-19	无人机技术	NA	NA	NA
18034	2024-09-07	Deep Learning Techniques for the Effective Prediction of Alzheimer's Disease: A Comprehensive Review 2022-Sep-23, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare10101842 PMID:36292289	综述	本文深入探讨了使用深度学习技术进行阿尔茨海默病识别和诊断的各种方法及其应用	本文综述了深度学习技术在阿尔茨海默病识别和诊断中的最新进展和应用	NA	探讨深度学习技术在阿尔茨海默病识别和诊断中的应用	阿尔茨海默病及其诊断方法	机器学习	神经退行性疾病	深度学习	神经网络	脑信号	NA
18035	2024-09-07	ACF: An Armed CCTV Footage Dataset for Enhancing Weapon Detection 2022-Sep-21, Sensors (Basel, Switzerland) DOI:10.3390/s22197158 PMID:36236253	研究论文	本文介绍了一种基于图像分块的深度学习方法，用于在CCTV视频中检测小型武器	提出了一个名为ACF的自收集CCTV视频数据集，并使用图像分块方法显著提高了武器检测的mAP	实验仅在公开的Mock Attack数据集上进行评估，未提及在实际场景中的应用效果	提高CCTV视频中武器检测的准确性	CCTV视频中的小型武器	计算机视觉	NA	深度学习	SSD MobileNet V2	视频	自收集的ACF数据集包含行人携带手枪和刀具的模拟CCTV视频，用于不同场景
18036	2024-09-07	Stacked dilated convolutions and asymmetric architecture for U-Net-based medical image segmentation 2022-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.105891 PMID:35932729	研究论文	本文探讨了基于U-Net的医学图像分割网络的改进方法，提出了堆叠扩张卷积和非对称结构	引入了堆叠扩张卷积操作，输出多尺度感受野特征图，以及非对称结构，减少了解码器路径的通道数	未提及	改进U-Net及其变体的性能，减少模型参数	医学图像分割	计算机视觉	NA	堆叠扩张卷积	U-Net	图像	使用了公开和私有数据集
18037	2024-09-07	Clinical validation of deep learning algorithms for radiotherapy targeting of non-small-cell lung cancer: an observational study 2022-09, The Lancet. Digital health DOI:10.1016/S2589-7500(22)00129-7 PMID:36028289	研究论文	本文研究了深度学习算法在非小细胞肺癌放疗靶区勾画中的临床验证	本文提出了一个临床验证策略，并发现模型在几何分割指标上表现良好，但在临床实用性上可能存在差异	本文主要集中在几何分割指标的验证，未充分探讨模型在临床实用性上的表现	验证深度学习模型在非小细胞肺癌放疗靶区勾画中的临床应用	非小细胞肺癌肿瘤和淋巴结的CT图像分割	计算机视觉	肺癌	深度学习	NA	图像	2208名患者，其中787名用于模型发现，1421名用于模型验证，28名用于最终用户测试
18038	2024-09-07	Unsupervised Deep Learning for Stroke Lesion Segmentation on Follow-up CT Based on Generative Adversarial Networks 2022-08, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A7582 PMID:35902122	研究论文	本文开发并评估了一种基于生成对抗网络的无监督深度学习方法，用于在随访NCCT扫描中分割脑卒中病变	本文首次采用无监督的生成对抗网络进行脑卒中病变分割，无需手动标注病变	对于出血性病变和出血性转化的分割效果较差	开发和评估一种无监督的生成对抗网络，用于自动分割随访NCCT扫描中的脑卒中病变	脑卒中病变（包括梗死和出血性病变）的分割	计算机视觉	脑卒中	生成对抗网络	生成对抗网络	图像	820名急性缺血性脑卒中患者的基础和随访NCCT扫描
18039	2024-09-07	Incorporating causality in energy consumption forecasting using deep neural networks 2022-Jul-30, Annals of operations research IF:4.4Q1 DOI:10.1007/s10479-022-04857-3 PMID:35967838	研究论文	本文提出了一种结合因果关系的长短期记忆网络用于能源消耗预测	引入了因果关系信息到深度学习架构中，称为纠缠长短期记忆网络，并展示了其在能源消耗预测中的优越性	NA	改进能源消耗预测方法，提高预测准确性	能源消耗和天气数据	机器学习	NA	深度学习	纠缠长短期记忆网络	数据集	三个数据集
18040	2024-09-07	Differentiation and classification of bacterial endotoxins based on surface enhanced Raman scattering and advanced machine learning 2022-Jun-23, Nanoscale IF:5.8Q1 DOI:10.1039/d2nr01277d PMID:35686584	研究论文	本文利用表面增强拉曼散射（SERS）和先进的机器学习算法对细菌内毒素进行区分和分类	本文首次将SERS技术与多种机器学习算法结合，包括改进的深度学习算法RamanNet，实现了对细菌内毒素的高精度分类	NA	开发一种高精度的细菌内毒素分类方法，用于快速医疗诊断和治疗决策	11种细菌内毒素	机器学习	NA	表面增强拉曼散射（SERS）	支持向量机、k近邻、随机森林、RamanNet	光谱数据	11种细菌内毒素，平均检测量为8.75 pg每测量