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
18941	2024-08-24	Deep learning-based object recognition in multispectral satellite imagery for real-time applications 2021, Machine vision and applications IF:2.4Q2 DOI:10.1007/s00138-021-01209-2 PMID:34177121	研究论文	本文提出了一种基于深度学习的对象识别模型，用于多光谱卫星图像的实时应用	提出的全卷积神经网络（FCN）架构在多光谱卫星图像中实现了97.67%的准确率，超过了人类水平，并在训练时间和预测速度上实现了显著改进	NA	提高多光谱卫星图像中对象识别的准确性和预测速度	多光谱卫星图像中的对象识别	计算机视觉	NA	深度学习	全卷积神经网络（FCN）	图像	多个传感器覆盖的整个地球的高分辨率图像
18942	2024-08-24	Images denoising for COVID-19 chest X-ray based on multi-resolution parallel residual CNN 2021, Machine vision and applications IF:2.4Q2 DOI:10.1007/s00138-021-01224-3 PMID:34219975	研究论文	本文提出了一种用于COVID-19胸部X光图像去噪的多分辨率并行残差CNN（MPR-CNN），以提高图像质量	MPR-CNN采用多分辨率并行卷积流提取多尺度特征，利用通道和空间注意力机制聚焦于图像细节，并通过自适应多分辨率特征融合方法增强网络表达	NA	利用深度学习网络对感染患者的阳性胸部X光图像进行预诊断，减轻医疗人员工作压力	COVID-19患者的胸部X光图像	计算机视觉	COVID-19	CNN	MPR-CNN	图像	NA
18943	2024-08-24	A Deep Learning Method to Forecast COVID-19 Outbreak 2021, New generation computing IF:2.0Q2 DOI:10.1007/s00354-021-00129-z PMID:34305259	研究论文	本文使用支持向量回归（SVR）和长短期记忆网络（LSTM）方法来预测COVID-19疫情的发展	采用LSTM技术在印度场景中提供了更真实的预测结果	NA	预测COVID-19疫情的行为和结束时间	COVID-19疫情	机器学习	NA	支持向量回归（SVR），长短期记忆网络（LSTM）	LSTM	NA	NA
18944	2024-08-24	Machine Learning Approaches for Tackling Novel Coronavirus (COVID-19) Pandemic 2021, SN computer science DOI:10.1007/s42979-021-00774-7 PMID:34308367	研究论文	本文探讨了机器学习方法在应对COVID-19大流行中的应用	本文总结了机器学习在帮助医生做出决策、政策制定者采取有效措施以及识别潜在感染者等方面的四种应用	本文指出了现有系统的挑战并提出了可能的未来趋势	旨在强调机器学习方法在COVID-19大流行中的作用	COVID-19大流行及其对医疗系统和卫生保健设施的影响	机器学习	COVID-19	机器学习	NA	NA	NA
18945	2024-08-24	An automatic approach based on CNN architecture to detect Covid-19 disease from chest X-ray images 2021, Applied intelligence (Dordrecht, Netherlands) DOI:10.1007/s10489-020-02010-w PMID:34764572	研究论文	本文提出了一种基于卷积神经网络（CNN）架构的自动方法，用于从胸部X光图像中检测COVID-19疾病	采用深度迁移学习方法，使用多种预训练的CNN模型进行实验，其中Se-ResNeXt-50模型在二分类和多分类任务中均达到最高准确率	NA	开发一种准确的COVID-19疾病诊断方法，以帮助早期诊断和防止疾病传播	COVID-19患者、病毒性肺炎、细菌性肺炎和健康人群的胸部X光图像	计算机视觉	COVID-19	深度学习	CNN	图像	使用了多个数据集，包括728张、1428张、1442张和5232张胸部X光图像
18946	2024-08-24	Stacked-autoencoder-based model for COVID-19 diagnosis on CT images 2021, Applied intelligence (Dordrecht, Netherlands) DOI:10.1007/s10489-020-02002-w PMID:34764564	研究论文	本文提出了一种基于堆叠自编码器的模型，用于在CT图像上诊断COVID-19	提出了一个堆叠自编码器检测模型，通过构建新的分类损失函数和叠加重建损失，显著提高了检测模型的精确率和召回率	研究基于较小的COVID-19 CT图像数据集，由于患者隐私原因，公开可用的数据集较少	研究基于CT影像的计算机化模型，用于传染病检测	COVID-19的CT图像	计算机视觉	COVID-19	深度学习	堆叠自编码器	图像	小型COVID-2019 CT图像数据集
18947	2024-08-24	Improving Uncertainty Estimation With Semi-Supervised Deep Learning for COVID-19 Detection Using Chest X-Ray Images 2021, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/ACCESS.2021.3085418 PMID:34812397	研究论文	本研究通过胸部X光图像实现COVID-19感染检测系统，并引入不确定性估计	使用MixMatch半监督框架利用未标记数据改善不确定性估计，并提出使用Jensen-Shannon距离作为评估不确定性估计可靠性的新指标	未明确提及	改善COVID-19检测中使用的不确定性估计方法	COVID-19感染检测系统的不确定性估计	计算机视觉	COVID-19	NA	NA	图像	未明确提及
18948	2024-08-24	A Deep Learning Prognosis Model Help Alert for COVID-19 Patients at High-Risk of Death: A Multi-Center Study 2020-12, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2020.3034296 PMID:33108303	研究论文	本文开发了一种3D密集连接卷积神经网络（De-COVID19-Net），用于预测COVID-19患者的高风险或低风险组别，结合CT和临床信息	De-COVID19-Net模型在训练集和测试集上均表现出高准确性，AUC值分别为0.952和0.943	NA	开发一种预测工具，用于识别高风险COVID-19患者并辅助制定治疗计划	366名严重或危重的COVID-19患者	机器学习	COVID-19	3D密集连接卷积神经网络	CNN	CT图像和临床信息	366名患者，包括70名高风险患者和296名低风险患者
18949	2024-08-24	Hybrid-COVID: a novel hybrid 2D/3D CNN based on cross-domain adaptation approach for COVID-19 screening from chest X-ray images 2020-Dec, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-020-00957-1 PMID:33301073	研究论文	本研究开发了一种基于迁移学习的混合2D/3D CNN架构，用于通过胸部X光图像进行COVID-19筛查	提出了一种结合预训练深度模型（VGG16）和浅层3D CNN的混合2D/3D CNN架构，通过深度可分离卷积层和空间金字塔池化模块（SPP）来减少计算负担并提取多层次特征	NA	开发一种高效的COVID-19筛查方法，以帮助早期识别COVID-19感染	COVID-19、肺炎和正常状态的胸部X光图像	计算机视觉	COVID-19	深度学习算法	混合2D/3D CNN	图像	收集的数据集包含3个类别：COVID-19、肺炎和正常状态
18950	2024-08-24	A Systematic Review on the Use of AI and ML for Fighting the COVID-19 Pandemic 2020-Dec, IEEE transactions on artificial intelligence DOI:10.1109/TAI.2021.3062771 PMID:35784006	综述	本文总结了基于AI和ML对抗COVID-19大流行的近期研究	本文识别了六个未来研究机会，并总结了七个未来研究方向	NA	总结AI和ML在对抗COVID-19中的应用，并识别未来研究方向	COVID-19大流行及其相关研究	机器学习	COVID-19	深度学习	CNN	图像	从634篇文章中筛选出49篇
18951	2024-08-23	Recovering high-quality fiber orientation distributions from a reduced number of diffusion-weighted images using a model-driven deep learning architecture 2024-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30187 PMID:38852179	研究论文	本研究旨在开发一种基于模型的深度学习架构，用于从减少数量的扩散加权图像中准确重建纤维方向分布	提出的Spherical Deconvolution Network (SDNet)架构包括DWI一致性块和fixel分类惩罚项，提高了重建性能和fixel角分离的控制	NA	开发一种新的深度学习架构，以减少扩散加权图像的采集时间并提高分析准确性	纤维方向分布(FODs)的重建	计算机视觉	NA	深度学习	CNN	图像	训练数据来自人类连接组项目的一个子集
18952	2024-08-23	ssVERDICT: Self-supervised VERDICT-MRI for enhanced prostate tumor characterization 2024-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30186 PMID:38852195	研究论文	本文展示了使用自监督机器学习方法对VERDICT模型进行前列腺癌特征化的评估和演示。	ssVERDICT首次展示了无需显式训练标签的机器学习方法对详细的多隔间生物物理扩散MRI模型的拟合。	NA	评估和展示自监督机器学习方法对VERDICT模型的拟合效果。	前列腺癌的VERDICT模型参数估计。	机器学习	前列腺癌	MRI	神经网络	图像	20名前列腺癌患者
18953	2024-08-07	Erratum to: Knowledge-driven deep learning for fast MR imaging: Undersampled MR image reconstruction from supervised to un-supervised learning (Magn Reson Med. 2024;92:496-518) 2024-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30204 PMID:39054742	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
18954	2024-08-23	Comparative Analysis of Vision Transformers and Conventional Convolutional Neural Networks in Detecting Referable Diabetic Retinopathy 2024 Nov-Dec, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100552 PMID:39165694	研究论文	本研究通过眼底照片评估了视觉变换器（ViTs）和卷积神经网络（CNNs）在检测可参考糖尿病视网膜病变（DR）方面的性能比较	本研究发现视觉变换器在检测可参考糖尿病视网膜病变方面优于传统的卷积神经网络	NA	评估视觉变换器和卷积神经网络在检测可参考糖尿病视网膜病变方面的性能	视觉变换器和卷积神经网络在检测可参考糖尿病视网膜病变方面的性能	计算机视觉	糖尿病视网膜病变	NA	视觉变换器（ViTs）和卷积神经网络（CNNs）	图像	48269张眼底图像
18955	2024-08-23	A Novel Time-Aware Deep Learning Model Predicting Myopia in Children and Adolescents 2024 Nov-Dec, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100563 PMID:39165695	研究论文	本研究利用儿童和青少年可变长度的历史视力记录，通过一种新型的时间感知长短期记忆（LSTM）模型，定量预测他们的球镜等效值（SE）。	提出了一种新型的时间感知LSTM模型，能够捕捉不规则采样时间序列数据中的时间特征，更符合基于事实数据的特点，有助于早期识别近视进展。	研究结果显示，预测误差与序列长度、预测持续时间、年龄组和近视程度有关，表明模型在不同条件下的表现存在差异。	定量预测儿童和青少年的球镜等效值（SE），并早期识别近视进展。	895名4至18岁的近视儿童和青少年，他们在2008年1月1日至2023年7月1日期间在萨格勒布的圣杜赫大学医院接受了完整的眼科检查和睫状肌麻痹前的检影检查。	机器学习	眼科疾病	NA	LSTM	时间序列数据	895名儿童和青少年
18956	2024-08-23	Two-step optimization for accelerating deep image prior-based PET image reconstruction 2024-Sep, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-024-00831-9 PMID:39096446	研究论文	本研究提出了一种两步优化方法，用于加速基于深度图像先验（DIP）的正电子发射断层扫描（PET）图像重建并提高图像质量	本研究创新性地提出了一种两步优化方法，通过预训练步骤使用条件DIP去噪和端到端重建步骤的微调，显著减少了计算时间并提高了图像质量	NA	加速基于深度图像先验的PET图像重建并提高图像质量	基于深度图像先验的PET图像重建方法	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	NA
18957	2024-08-23	READRetro: natural product biosynthesis predicting with retrieval-augmented dual-view retrosynthesis 2024-Sep, The New phytologist DOI:10.1111/nph.20012 PMID:39081009	研究论文	本文提出了一种名为READRetro的生物逆合成工具，用于预测植物天然产物的生物合成途径	READRetro通过结合先进的深度学习架构、集成方法和两个检索器，优化了复杂代谢途径的预测	NA	开发一种实用的生物逆合成工具，以预测植物天然产物的生物合成途径	植物天然产物的生物合成途径	生物信息学	NA	深度学习	集成模型	代谢途径数据	NA
18958	2024-08-23	Deep learning-based correction for time truncation in cerebral computed tomography perfusion 2024-Sep, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-024-00818-6 PMID:38861134	研究论文	本文提出了一种基于三维卷积神经网络的方法，用于预测脑部CT灌注成像中因时间截断而缺失的图像帧	首次采用三维卷积神经网络来预测CT灌注成像中的缺失帧，并评估了三种预测多时间点的策略	仅使用了公开数据集中的72次CT灌注扫描进行训练和测试，可能需要更多临床数据以验证其泛化能力	克服脑部CT灌注成像中因时间截断导致的数据不完整问题	脑部CT灌注成像中的时间截断问题	计算机视觉	NA	CT灌注成像	CNN	图像	72次CT灌注扫描，共89帧，8切片
18959	2024-08-23	Verification of image quality improvement by deep learning reconstruction to 1.5 T MRI in T2-weighted images of the prostate gland 2024-Sep, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-024-00819-5 PMID:38850389	研究论文	本研究旨在评估通过深度学习重建（DLR）技术，1.5T磁共振成像（MRI）的前列腺T2加权图像质量是否等于或优于3T MRI	使用深度学习重建技术在1.5T MRI中显著提高了信号噪声比（SNR）和图像质量，使其优于3T MRI	NA	评估1.5T MRI通过深度学习重建技术后的图像质量	前列腺的T2加权图像	计算机视觉	NA	深度学习重建（DLR）	NA	图像	13名健康志愿者
18960	2024-08-23	Applications of machine learning in urodynamics: A narrative review 2024-Sep, Neurourology and urodynamics IF:1.8Q3 DOI:10.1002/nau.25490 PMID:38837301	综述	本文综述了机器学习算法在尿动力学领域的应用	目前尚未有研究评估如何为不同的尿动力学研究任务选择合适的算法模型	大多数研究是单中心回顾性研究，缺乏外部验证，模型泛化能力需要进一步验证，样本量不足	总结和分类应用于尿动力学领域的机器学习算法，指导研究人员根据不同任务需求选择合适的算法模型	尿动力学领域的机器学习算法应用	机器学习	NA	机器学习算法，包括传统机器学习和深度学习	NA	NA	不足