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
18881	2024-09-02	Applications of Neural Networks in Biomedical Data Analysis 2022-Jun-21, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines10071469 PMID:35884772	综述	本文综述了神经网络在生物医学数据分析中的应用，特别是生物图像数据中的生物标志物分析	介绍了最新的神经网络及其工作原理，并提供了关于激活函数和框架等技术方面的总结	NA	探讨神经网络在生物医学数据分析中的应用	生物医学数据，特别是生物图像数据中的生物标志物	机器学习	NA	神经网络	人工神经网络	图像	NA
18882	2024-09-02	Selfee, self-supervised features extraction of animal behaviors 2022-06-16, eLife IF:6.4Q1 DOI:10.7554/eLife.76218 PMID:35708244	research paper	本文介绍了一种自监督特征提取（Selfee）卷积神经网络，用于从动物行为视频帧中直接提取全面且具有区分性的特征，并展示了其在多种下游应用中的潜力	首次实现了使用端到端的自监督神经网络直接从社交行为视频帧中提取综合且具有区分性的特征	NA	开发一种能够快速且准确地表征动物行为的自监督学习方法	动物行为视频帧	机器学习	NA	卷积神经网络	CNN	视频	NA
18883	2024-09-02	Edge-enhancement densenet for X-ray fluoroscopy image denoising in cardiac electrophysiology procedures 2022-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.15426 PMID:34954836	研究论文	本文提出了一种名为边缘增强密集网络（EEDN）的新型深度学习去噪框架，用于提高心脏电生理手术中低剂量X射线荧光图像的质量	EEDN框架设计了一个注意力感知边缘增强模块，以提高边缘锐度，同时保留临床重要细节	NA	旨在减少心脏电生理手术中的X射线剂量，同时提高图像质量并保留关键细节	低剂量X射线荧光图像的去噪和边缘增强	计算机视觉	心血管疾病	卷积神经网络（CNN）	边缘增强密集网络（EEDN）	图像	3262张临床图像来自20名患者的100个低剂量X射线序列
18884	2024-09-02	AI-Driven Image Analysis in Central Nervous System Tumors-Traditional Machine Learning, Deep Learning and Hybrid Models 2022, Journal of biotechnology and biomedicine DOI:10.26502/jbb.2642-91280046 PMID:35106480	综述	本文综述了人工智能在中枢神经系统肿瘤影像分析中的应用，包括传统机器学习、深度学习和混合模型	探讨了机器学习、深度学习和混合模型在AI驱动影像分析中的结合使用，可能产生更优结果	面临数据集有限、影像变化随时间变异及分析方法多样性的挑战	标准化报告、减少偏差、加速管理并改善治疗结果	中枢神经系统肿瘤的影像分析	机器学习	中枢神经系统肿瘤	NA	机器学习（ML）、深度学习（DL）、混合模型	影像	NA
18885	2024-09-02	A statistical and deep learning-based daily infected count prediction system for the coronavirus pandemic 2022, Evolutionary intelligence IF:2.3Q3 DOI:10.1007/s12065-021-00600-2 PMID:33841583	研究论文	本文提出了一种基于数据分析的预测系统，用于预测新冠病毒大流行期间的每日感染人数	使用易感感染恢复（SIR）模型，实现了99.82%的预测准确率，并预测了印度每日新增COVID病例的四种最可能情况	传统的统计方法在特定国家有限人口的情况下效率不高	帮助政府规划未来行动，并帮助医疗服务更好地准备应对未来情况	新冠病毒大流行期间的每日感染人数	机器学习	NA	数据分析	SIR模型	NA	NA
18886	2024-09-02	Deep learning and evolutionary intelligence with fusion-based feature extraction for detection of COVID-19 from chest X-ray images 2022, Multimedia systems IF:3.5Q1 DOI:10.1007/s00530-021-00800-x PMID:34075280	研究论文	本文提出了一种基于融合特征提取的深度学习和进化智能模型，用于从胸部X光图像中检测COVID-19感染	该模型结合了灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRM)和局部二值模式(LBP)进行特征提取，并使用海豚群算法(SSA)选择最优特征子集，最后通过人工神经网络(ANN)进行分类	NA	开发一种高效准确的COVID-19诊断模型	COVID-19患者的胸部X光图像	计算机视觉	COVID-19	灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRM)、局部二值模式(LBP)	人工神经网络(ANN)	图像	使用胸部X光图像数据集进行评估
18887	2024-09-02	Self-assessment and deep learning-based coronavirus detection and medical diagnosis systems for healthcare 2022, Multimedia systems IF:3.5Q1 DOI:10.1007/s00530-021-00839-w PMID:34511733	研究论文	本文提出了一种基于深度学习的医疗图像分类方法DLM-COVID-19，用于COVID-19患者的检测，并开发了一个移动应用进行自我评估和在线诊断	提出了DLM-COVID-19模型，该模型在敏感性、特异性和准确性方面优于现有算法，并开发了一个结合自我评估和医学专业知识的移动应用	未提及具体限制	提高COVID-19的医疗图像分类和优化诊断，以及开发一个帮助预防病毒传播的移动应用	COVID-19患者和医疗图像分类	机器学习	肺部疾病	深度学习	CNN	图像	未提及具体样本数量
18888	2024-09-02	A comprehensive Benchmark for fake news detection 2022, Journal of intelligent information systems IF:2.3Q3 DOI:10.1007/s10844-021-00646-9 PMID:35342227	研究论文	本文提供了一个基准框架，用于分析和讨论用于假新闻检测的最广泛使用和有前景的机器/深度学习技术，并利用了与文献中提出的不同的特征组合。	本文通过实验展示了在有限内容信息的情况下，不同方法在准确性和效率方面的优势和缺点。	文章中提到的信息关于新闻传播的可用性是有限的。	开发更准确的假新闻检测策略，特别是早期检测。	假新闻检测的机器/深度学习技术及其特征组合。	自然语言处理	NA	机器/深度学习	NA	文本	使用了广泛使用的真实世界数据集
18889	2024-09-02	A deep learning-based framework for detecting COVID-19 patients using chest X-rays 2022, Multimedia systems IF:3.5Q1 DOI:10.1007/s00530-022-00917-7 PMID:35341212	研究论文	本文提出了一种基于深度学习的系统，用于从胸部X光图像中可靠地检测COVID-19患者	提出了一种轻量级的浅层卷积神经网络架构，具有高准确率、高灵敏度和高特异性	NA	快速开发一种高效的轻量级CNN架构，用于检测COVID-19感染患者	COVID-19患者的胸部X光图像	计算机视觉	COVID-19	深度学习	CNN	图像	2,541张胸部X光图像
18890	2024-09-02	How deep learning is empowering semantic segmentation: Traditional and deep learning techniques for semantic segmentation: A comparison 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-12821-3 PMID:35411201	review	本文比较了传统和深度学习技术在语义分割领域的应用，并探讨了深度学习如何提升语义分割的效率和准确性	本文通过研究约120篇相关论文，总结了深度学习在解决语义分割关键问题上的优势	NA	比较传统和深度学习技术在语义分割中的应用，并评估深度学习在此领域的改进	语义分割技术及其在图像和视频处理中的应用	computer vision	NA	deep learning	NA	image	约120篇相关研究论文
18891	2024-09-02	COVID-CXNet: Detecting COVID-19 in frontal chest X-ray images using deep learning 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-12156-z PMID:35431611	研究论文	本文研究使用深度卷积神经网络在大规模数据集中有效检测COVID-19病毒性肺炎的影像特征	提出了一种名为COVID-CXNet的模型，该模型能够基于相关且有意义的特征精确地检测和定位新冠病毒性肺炎	NA	开发一种全自动且强大的COVID-19检测系统	COVID-19病毒性肺炎的影像特征	计算机视觉	COVID-19	深度学习	CNN	图像	大量胸部X光图像
18892	2024-09-02	Optimized deformable convolution network for detection and mitigation of ocular artifacts from EEG signal 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-12874-4 PMID:35431612	研究论文	本文提出了一种基于优化可变形卷积网络的方法，用于从脑电图信号中检测和减轻眼部伪影	使用优化可变形卷积网络（DCN）和多种信号处理技术（如离散小波变换、Pisarenko谐波分解、主成分分析和独立成分分析）来提高眼部伪影检测和减轻的效率	NA	开发一种新的基于深度学习的眼部伪影检测和预防模型，以提高脑电图信号分析的效率	脑电图信号中的眼部伪影	机器学习	NA	离散小波变换（DWT）、Pisarenko谐波分解、主成分分析（PCA）、独立成分分析（ICA）、可变形卷积网络（DCN）	可变形卷积网络（DCN）	脑电图信号	来自不同受试者的脑电图数据
18893	2024-09-02	C-COVIDNet: A CNN Model for COVID-19 Detection Using Image Processing 2022, Arabian journal for science and engineering IF:2.6Q2 DOI:10.1007/s13369-022-06841-2 PMID:35528505	研究论文	本文介绍了一种基于图像处理的COVID-19检测模型C-COVIDNet，该模型使用轻量级卷积神经网络（CNN）对胸部X光图像进行分类，以实现高效的COVID-19诊断	C-COVIDNet模型通过图像预处理提取感兴趣区域（ROI），实现了97.5%的准确率和97.91%的F1分数，超越了现有技术水平	NA	开发一种高效且成本效益高的COVID-19诊断方法，以改善治疗并消除误诊病例	COVID-19、肺炎和正常人的胸部X光图像	计算机视觉	呼吸系统疾病	图像处理	CNN	图像	包含COVID-19、肺炎和正常人的胸部X光图像的数据集
18894	2024-09-02	Passenger Surveillance Using Deep Learning in Post-COVID-19 Intelligent Transportation System 2022, Transactions of the Indian National Academy of Engineering : an international journal of engineering and technology DOI:10.1007/s41403-022-00338-y PMID:35836615	研究论文	本文提出了一种基于深度学习的框架，用于在智能交通系统中进行乘客监控，以维护健康协议	首次尝试通过基于深度学习的图像分析在疫情后情况下监控车内社交距离	NA	开发一种自动监控系统，以在疫情后情况下确保乘客安全和遵守健康协议	车内乘客数量及其口罩佩戴情况	计算机视觉	NA	深度学习	CNN	图像	使用了增强的图像数据集
18895	2024-09-02	Deep Learning-Based Recognition of Different Thyroid Cancer Categories Using Whole Frozen-Slide Images 2022, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2022.857377 PMID:35875502	研究论文	本文提出了一种基于深度学习的方法，使用全冷冻切片图像识别不同类别的甲状腺癌，并通过经验决策树向病理学家推荐罕见类别	首次使用深度学习方法识别甲状腺癌的罕见、良性和恶性类别，并通过经验决策树提高识别罕见类别的准确性	罕见类别的识别错误率显著高于良性和恶性类别	开发一种能够识别甲状腺癌罕见类别并提高病理学家工作效率的深度学习框架	甲状腺癌的罕见、良性和恶性类别	计算机视觉	甲状腺癌	深度学习	UNet模型	图像	1,374张全切片图像
18896	2024-09-02	A retrospective study of 3D deep learning approach incorporating coordinate information to improve the segmentation of pre- and post-operative abdominal aortic aneurysm 2022, PeerJ. Computer science DOI:10.7717/peerj-cs.1033 PMID:35875647	研究论文	本文提出了一种结合坐标信息的3D深度学习方法，用于提高腹主动脉瘤术前和术后的分割效果	引入坐标信息到3D卷积神经网络中，以提高腹主动脉瘤的分割准确性	数据集未进行增强处理，且未使用后处理步骤	研究如何通过深度学习方法自动分割腹主动脉瘤，以辅助手术决策和后续治疗	腹主动脉瘤的3D分割	计算机视觉	心血管疾病	3D卷积神经网络	CNN	图像	200名患者的非对比和对比增强CT图像，每张图像包含64个切片，分辨率为256×256
18897	2024-09-02	Transfer Learning-Based Condition Monitoring of Single Point Cutting Tool 2022, Computational intelligence and neuroscience DOI:10.1155/2022/3205960 PMID:35875754	研究论文	本文提出使用基于迁移学习的技术来监测单点切削工具的状态	利用预训练的深度学习网络如VGG-16、AlexNet、ResNet-50和GoogLeNet来识别切削工具的状态，并研究了超参数对性能的影响	未提及具体限制	提高制造业生产效率，通过智能和自动化的诊断工具来维护工具健康状况	单点切削工具的状态监测	机器学习	NA	迁移学习	CNN	振动信号	未提及具体数量
18898	2024-09-02	A deep semantic vegetation health monitoring platform for citizen science imaging data 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0270625 PMID:35895741	研究论文	本文构建了一个基于深度语义分割的植被健康监测平台，用于处理公民科学项目中的RGB图像数据，以监测大面积景观中的植被健康状况	引入了基于深度语义分割的语义植被指数（SVI），并将其应用于公民科学项目中，以提高植被健康监测的准确性	文章未明确提及具体的局限性	开发一个能够准确监测大面积景观中植被健康状况的平台	澳大利亚景观中的植被健康状况	计算机视觉	NA	深度学习	语义分割模型	图像	数千张植被图像，来自澳大利亚地区的168个不同地点，覆盖六年的季度图像
18899	2024-09-02	Predicting death risk analysis in fully vaccinated people using novel extreme regression-voting classifier 2022 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076221109530 PMID:35898288	研究论文	本研究利用机器学习模型预测接种疫苗人群的死亡风险，并比较了不同模型的效果	提出了一种新的极端回归-投票分类器模型，并在实验中显示出优于其他机器学习和深度学习模型的性能	NA	研究如何利用机器学习模型预测接种COVID-19疫苗后的死亡风险	接种COVID-19疫苗后出现的三种重要事件：未存活、康复和未康复	机器学习	COVID-19	NA	极端回归-投票分类器、卷积神经网络、长短期记忆网络、双向长短期记忆网络	文本	使用原始数据集和通过合成少数类过采样技术平衡的数据集进行实验
18900	2024-09-02	A pilot study on deep learning-based grading of corners of vertebral bodies for assessment of radiographic progression in patients with ankylosing spondylitis 2022, Therapeutic advances in musculoskeletal disease IF:3.4Q2 DOI:10.1177/1759720X221114097 PMID:35898565	研究论文	本研究旨在开发一种基于深度学习模型的颈椎和腰椎椎体角度的分级方法，用于辅助检测强直性脊柱炎患者的mSASSS评分	首次开发了一种高性能的深度学习模型，用于椎体角度的分级	该模型需要进一步改进和验证，以开发未来的计算机辅助工具	开发一种深度学习模型，用于辅助检测强直性脊柱炎患者的mSASSS评分	颈椎和腰椎椎体角度	计算机视觉	强直性脊柱炎	深度学习	卷积神经网络	图像	1280名强直性脊柱炎患者，包括5,083张颈椎和5,245张腰椎侧位X光片，共计119,414个椎体角度