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
18041	2024-09-07	Trans-channel fluorescence learning improves high-content screening for Alzheimer's disease therapeutics 2022-Jun, Nature machine intelligence IF:18.8Q1 DOI:10.1038/s42256-022-00490-8 PMID:36276634	研究论文	本文介绍了一种深度学习方法，通过跨通道荧光学习来改进阿尔茨海默病治疗药物的高内涵筛选	提出了一种新的机器学习方法，能够从相关标记中准确生成预测的荧光信号，并应用于阿尔茨海默病和癌症数据集，展示了其通用性	NA	改进药物筛选方法，提高生物活性化合物选择的效率	阿尔茨海默病治疗药物和癌症相关化合物	计算机视觉	阿尔茨海默病	深度学习	NA	图像	两个生物学上不同的数据集
18042	2024-09-07	A Comprehensive Review of High Throughput Phenotyping and Machine Learning for Plant Stress Phenotyping 2022-Jun, Phenomics (Cham, Switzerland) DOI:10.1007/s43657-022-00048-z PMID:36939773	综述	本文综述了高通量表型分析和机器学习在植物胁迫表型分析中的应用	本文介绍了机器学习和深度学习在处理高通量表型分析产生的大数据集中的应用，并探讨了其在植物育种和病理学活动中的潜力	本文指出了当前高通量表型分析技术在数据处理和解释方面面临的挑战，并提出了未来研究的方向	探讨机器学习和深度学习在植物胁迫表型分析中的应用，并评估其优势和局限性	植物在不同发育阶段的生物和非生物胁迫	机器学习	NA	高通量表型分析	机器学习模型和深度学习模型	图像数据	NA
18043	2024-09-07	Estimating muscle activation from EMG using deep learning-based dynamical systems models 2022-05-19, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ac6369 PMID:35366649	研究论文	本文提出了一种基于深度学习动态系统模型的方法，用于从肌电图（EMG）信号中估计肌肉激活	本文采用了AutoLFADS，一种大规模无监督深度学习方法，最初设计用于去噪皮层尖峰数据，以估计多肌肉EMG信号中的肌肉激活	NA	研究运动神经控制，估计在各种行为条件下肌肉的激活情况	肌肉激活的潜在神经命令信号	机器学习	NA	深度学习	循环神经网络	肌电图信号	涉及大鼠后肢和猴子前臂肌肉活动
18044	2024-09-07	Transfer Learning-Based Model for Diabetic Retinopathy Diagnosis Using Retinal Images 2022-Apr-22, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci12050535 PMID:35624922	研究论文	本文提出了一种基于迁移学习的糖尿病视网膜病变诊断模型，使用眼底图像进行分类	利用预训练的VGGNet网络结合迁移学习方法，通过数据增强操作处理数据不足和不平衡问题，提高了分类性能	未提及具体限制	开发一种自动化的糖尿病视网膜病变诊断方法，以早期检测和分类减少视觉障碍	糖尿病视网膜病变及其在眼底图像中的分类	计算机视觉	糖尿病	迁移学习	VGGNet	图像	使用基准数据集进行评估，未提及具体样本数量
18045	2024-09-07	A cognitive framework based on deep neural network for classification of coronavirus disease 2022-Feb-13, Journal of ambient intelligence and humanized computing DOI:10.1007/s12652-022-03756-6 PMID:35194472	研究论文	本文提出了一种基于深度神经网络的认知框架，用于冠状病毒疾病的分类	本文提出了一种混合模型，使用胸部X光图像早期识别冠状病毒疑似患者，并采用SQueezeNet模型进行分类，实验结果显示平均准确率达到97.8%	NA	诊断和预防冠状病毒的传播	冠状病毒疾病	计算机视觉	冠状病毒疾病	深度学习	SQueezeNet	图像	NA
18046	2024-09-07	An End-To-End Pipeline for Fully Automatic Morphological Quantification of Mouse Brain Structures From MRI Imagery 2022, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2022.865443 PMID:36304320	研究论文	本文开发了一种端到端的自动化管道，用于从MRI图像中量化小鼠大脑结构的形态学特征	提出了DeepBrainIPP，一种基于深度学习的脑图像处理管道，改进了颅骨剥离和数据增强策略，并直接分割小脑的小结构	NA	开发一种自动化的方法来量化小鼠大脑结构的形态学特征	小鼠大脑的MRI图像	计算机视觉	NA	深度学习	CNN	图像	172个原始图像，通过数据增强扩展到4040个样本
18047	2024-09-07	Towards a better understanding of annotation tools for medical imaging: a survey 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-12100-1 PMID:35350630	综述	本文综述了当前可用的医学影像标注工具，包括其图形用户界面和支持工具的描述	本文提供了对流行标注工具的深入回顾，并展示了它们在标注医学影像数据集中的成功应用	NA	旨在更好地理解医学影像标注工具，并为研究人员提供指导	医学影像标注工具及其在数据集标注中的应用	计算机视觉	NA	深度学习和机器学习	NA	图像	NA
18048	2024-09-07	Deep learning in multimedia healthcare applications: a review 2022, Multimedia systems IF:3.5Q1 DOI:10.1007/s00530-022-00948-0 PMID:35645465	综述	本文综述了基于多媒体数据的深度学习技术在医疗保健应用中的发展现状	本文系统性地总结了深度学习在医疗保健领域的应用，特别是利用多媒体数据进行诊断、预测和治疗的创新方法	本文主要集中在综述现有研究，未提出新的技术或模型	探讨深度学习技术在医疗保健领域的应用，特别是利用多媒体数据进行诊断、预测和治疗	多媒体数据，包括图像、视频、音频和文本	机器学习	NA	深度学习	NA	多媒体数据	NA
18049	2024-09-07	Exploring the Deep-Learning Techniques in Detecting the Presence of Coronavirus in the Chest X-Ray Images: A Comprehensive Review 2022, Archives of computational methods in engineering : state of the art reviews IF:9.7Q1 DOI:10.1007/s11831-022-09768-x PMID:35645554	综述	本文综述了利用深度学习技术在胸部X光图像中检测冠状病毒存在的研究	本文总结了多种传统和预训练的深度学习方法，这些方法被开发用于减少COVID-19疾病的传播	NA	探讨深度学习技术在冠状病毒检测中的应用	胸部X光图像中的冠状病毒检测	计算机视觉	冠状病毒	深度学习	CNN	图像	NA
18050	2024-09-07	Combating multimodal fake news on social media: methods, datasets, and future perspective 2022, Multimedia systems IF:3.5Q1 DOI:10.1007/s00530-022-00966-y PMID:35818516	综述	本文综述了利用深度学习技术对抗社交媒体上的多模态假新闻的现状	本文首次全面探讨了多模态假新闻检测的技术和数据集，并提出了未来的研究方向	目前可用的多模态数据集有限，限制了研究的深入	探讨如何利用深度学习技术有效检测社交媒体上的多模态假新闻	社交媒体上的多模态假新闻	自然语言处理	NA	深度学习	NA	多模态数据	NA
18051	2024-09-07	Automatic segmentation of COVID-19 from computed tomography images using modified U-Net model-based majority voting approach 2022, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-022-07653-z PMID:35968248	研究论文	本文提出了一种基于改进U-Net模型和多数投票方法的自动分割COVID-19肺部CT图像的深度学习方法	本文创新性地修改了U-Net模型的编码器部分，结合了VGG16、ResNet101、DenseNet121、InceptionV3和EfficientNetB5深度学习模型，并通过多数投票原则整合结果	NA	研究目的是通过深度学习和分割技术自动检测COVID-19肺部CT图像	研究对象是COVID-19肺部CT图像	计算机视觉	COVID-19	深度学习	U-Net	图像	COVID-19分割测试数据集
18052	2024-09-07	Fusion Attention Mechanism for Foreground Detection Based on Multiscale U-Net Architecture 2022, Computational intelligence and neuroscience DOI:10.1155/2022/7432615 PMID:36172321	研究论文	本文提出了一种基于多尺度U-Net架构和融合注意力机制的前景检测方法	引入注意力机制到U-Net多尺度架构中，通过跳跃连接使网络更关注前景对象，抑制无关背景区域，提高模型学习能力	仅利用空间信息，未充分利用时间信息	改进前景检测的准确性	视频中的前景对象	计算机视觉	NA	深度学习	U-Net	图像	CDnet-2014数据集
18053	2024-09-07	Onboard Pointing Error Detection and Estimation of Observation Satellite Data Using Extended Kalman Filter 2022, Computational intelligence and neuroscience DOI:10.1155/2022/4340897 PMID:36248921	研究论文	本文提出了一种基于扩展卡尔曼滤波（EKF）的轻量级深度学习算法，用于检测和估计观测卫星数据中的指向误差	本文的创新点在于使用扩展卡尔曼滤波（EKF）来检测和估计卫星数据中的指向误差，减少了对地面跟踪系统的依赖，并提高了轨道参数估计的精度	本文的局限性在于线性化过程中可能出现的误差，需要通过适当选择线性展开点和EKF算法模型中的雅可比矩阵计算来克服	本文的研究目的是开发一种高效的方法来检测和估计卫星数据中的指向误差，以提高卫星系统的安全性和可靠性	本文的研究对象是卫星数据中的指向误差，包括姿态和轨道误差	卫星通信	NA	扩展卡尔曼滤波（EKF）	扩展卡尔曼滤波（EKF）	卫星数据	NA
18054	2024-09-07	A New method for promote the performance of deep learning paradigm in diagnosing breast cancer: improving role of fusing multiple views of thermography images 2022, Health and technology IF:3.1Q2 DOI:10.1007/s12553-022-00702-6 PMID:36254270	研究论文	本文提出了一种通过融合多视角热成像图像来提升深度学习模型在乳腺癌诊断中性能的新方法	通过融合正面、侧面45度和侧面45度热成像图像，利用迁移学习构建检测模型，显著提高了乳腺癌诊断的敏感性和特异性	需要进一步研究和改进以验证其在实际应用中的有效性	提升深度学习模型在乳腺癌早期诊断中的性能	乳腺癌的早期诊断	计算机视觉	乳腺癌	热成像	深度学习	图像	使用乳腺研究数据库（DMR）中的红外图像进行研究
18055	2024-09-07	Data augmentation based on multiple oversampling fusion for medical image segmentation 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0274522 PMID:36256637	研究论文	本文提出了一种基于多重过采样融合的数据增强方法，用于医学图像分割	结合仿射变换和随机过采样进行数据增强，并使用加权交叉熵损失函数解决类别不平衡问题	未提及	提高医学图像分割模型的性能，特别是小组织病变的分割	肺结节和肝肿瘤的CT图像分割	计算机视觉	NA	NA	CNN	图像	使用了LUNA16和LiTS17数据集，涉及肺结节和肝肿瘤的CT图像
18056	2024-09-07	Distributed search and fusion for wine label image retrieval 2022, PeerJ. Computer science DOI:10.7717/peerj-cs.1116 PMID:36262126	研究论文	本文研究了葡萄酒标签图像检索问题，提出了一种分布式搜索和融合框架	本文提出了两种分布式检索框架，实验结果表明这些框架在大规模葡萄酒标签数据集和牛津花卉数据集上表现优异，甚至超过了现有的最先进检索模型	NA	解决葡萄酒标签图像检索中的样本不平衡问题	葡萄酒标签图像及其相关信息	计算机视觉	NA	深度学习	分布式检索框架	图像	大规模葡萄酒标签数据集和牛津花卉数据集
18057	2024-09-07	Counting people inside a region-of-interest in CCTV footage with deep learning 2022, PeerJ. Computer science DOI:10.7717/peerj-cs.1067 PMID:36262152	研究论文	本文提出了一种新的学习策略，使基于深度学习的人群计数模型能够仅在特定感兴趣区域（RoI）内计数人数	本文创新性地提出了Gap Regularizer方法，通过在人群计数模型的两个头部分别学习RoI内和RoI外的人数计数，从而提高模型在特定区域内的计数准确性	Gap Regularizer方法在深度模型（如ResNet-101）上无法产生显著影响	开发一种能够在特定感兴趣区域内准确计数人数的深度学习模型	人群计数模型在特定感兴趣区域（RoI）内的计数性能	计算机视觉	NA	深度学习	CNN	视频	使用了MOT17-09、MOT20-02和RHC数据集进行测试
18058	2024-09-07	Development and validation of a predictive model combining clinical, radiomics, and deep transfer learning features for lymph node metastasis in early gastric cancer 2022, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2022.986437 PMID:36262277	研究论文	本研究开发并验证了一种结合临床、放射组学和深度迁移学习特征的预测模型，用于早期胃癌淋巴结转移	首次利用深度迁移学习、放射组学和临床特征的综合多维数据，具有良好的预测能力	NA	开发和验证一种预测模型，用于早期胃癌淋巴结转移	早期胃癌患者	计算机视觉	胃癌	深度迁移学习	支持向量机、K近邻、随机森林、XGBoost	图像	555名早期胃癌患者，分为训练组388人，内部验证组167人，外部验证组79人
18059	2024-09-07	Automated mapping of Portulacaria afra canopies for restoration monitoring with convolutional neural networks and heterogeneous unmanned aerial vehicle imagery 2022, PeerJ IF:2.3Q2 DOI:10.7717/peerj.14219 PMID:36262418	研究论文	本文展示了使用卷积神经网络（CNN）和无人机图像对Portulacaria afra冠层进行自动分类，以监测生态恢复	利用深度学习算法和无人机图像进行大规模生态恢复监测的创新方法	NA	开发一种自动化的方法来监测生态恢复和再造林项目中的植被覆盖变化	Portulacaria afra冠层	计算机视觉	NA	卷积神经网络（CNN）	CNN	图像	使用不同型号的无人机在不同光照条件下采集的图像
18060	2024-09-07	Classification of Breast Cancer Histopathological Images Using DenseNet and Transfer Learning 2022, Computational intelligence and neuroscience DOI:10.1155/2022/8904768 PMID:36262621	研究论文	本文提出了一种基于DenseNet和迁移学习的方法DenTnet，用于分类乳腺癌病理图像	本文的创新点在于使用DenseNet作为骨干模型，并通过迁移学习解决了从同一分布中提取特征的问题，提高了分类准确性和计算速度	现有方法的局限性包括高计算需求和对同一特征分布的依赖，本文通过DenTnet方法缓解了这些问题	研究目的是提高乳腺癌病理图像分类的准确性和计算效率	研究对象是乳腺癌病理图像	计算机视觉	乳腺癌	迁移学习	DenseNet	图像	使用了BreaKHis数据集，训练测试比为80%:20%