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
19161	2024-08-29	Deep learning models for thyroid nodules diagnosis of fine-needle aspiration biopsy: a retrospective, prospective, multicentre study in China 2024-Jul, The Lancet. Digital health DOI:10.1016/S2589-7500(24)00085-2 PMID:38849291	研究论文	本研究旨在开发和测试一个人工智能辅助系统，用于根据甲状腺贝塞斯达报告系统进行甲状腺细胞病理诊断。	开发了一种名为Thyroid Patch-Oriented WSI Ensemble Recognition (ThyroPower)的人工智能辅助模型，该模型能够快速且稳健地进行甲状腺结节的细胞病理诊断。	NA	提高甲状腺细胞病理诊断的效率和准确性。	甲状腺结节的细胞病理诊断。	数字病理	甲状腺疾病	深度学习	CNN	图像	11,254张全切片图像用于训练，5638张用于验证，537个甲状腺结节样本用于前瞻性研究。
19162	2024-08-29	Deep Learning Nomogram for the Identification of Deep Stromal Invasion in Patients With Early-Stage Cervical Adenocarcinoma and Adenosquamous Carcinoma: A Multicenter Study 2024-04, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28882 PMID:37392060	研究论文	本研究开发了一种深度学习诺模图，用于识别早期宫颈腺癌和腺鳞癌患者的深层基质侵犯	本研究通过整合临床独立风险因素和深度学习得分，构建了一种新的诺模图，用于评估深层基质侵犯，具有较高的准确性和诊断能力	本研究为回顾性研究，且仅在三个中心进行了验证	开发一种诺模图以准确识别宫颈腺癌/腺鳞癌中的深层基质侵犯，从而优化治疗决策	早期宫颈腺癌和腺鳞癌患者	计算机视觉	宫颈癌	深度学习	Resnet18	图像	650名患者
19163	2024-08-29	Radiomics and Deep Learning to Predict Pulmonary Nodule Metastasis at CT 2024-04, Radiology IF:12.1Q1 DOI:10.1148/radiol.233356 PMID:38591975	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
19164	2024-08-29	A deep learning method for multi-task intelligent detection of oral cancer based on optical fiber Raman spectroscopy 2024-03-14, Analytical methods : advancing methods and applications IF:2.7Q1 DOI:10.1039/d3ay02250a PMID:38419435	研究论文	本文提出了一种结合拉曼光谱和深度学习的多任务智能口腔癌检测方法	该方法能够同时处理肿瘤分期、淋巴结分期和组织学分级等多个分类任务，并采用了四种不同的多任务网络模型	初步实验结果显示模型性能良好，但仍需进一步验证和优化	开发一种有效的多任务智能口腔癌检测方法，以提高诊断准确性	口腔癌患者的正常和癌变组织样本	机器学习	口腔癌	拉曼光谱	多任务网络模型（MTN-Alexnet, MTN-Googlenet, MTN-Resnet50, MTN-Transformer）	拉曼光谱数据	70个组织样本，来自35名口腔癌患者
19165	2024-08-29	Deep Learning to Differentiate Benign and Malignant Vertebral Fractures at Multidetector CT 2024-03, Radiology IF:12.1Q1 DOI:10.1148/radiol.231429 PMID:38530172	研究论文	研究基于CT的深度学习模型区分良性与恶性椎体骨折的可靠性	开发了使用三维U-Net编码器-分类器架构的深度学习模型，并应用数据增强技术，提高了区分良性与恶性椎体骨折的能力	研究使用了回顾性数据，且外部测试集来自单一额外医院	探讨深度学习模型在区分良性与恶性椎体骨折中的可靠性	良性与恶性椎体骨折的CT扫描图像	计算机视觉	NA	深度学习	三维U-Net	CT扫描图像	训练集包含381名患者，1307个椎骨；内部和外部测试集分别包含86名和65名患者
19166	2024-08-29	WATUNet: a deep neural network for segmentation of volumetric sweep imaging ultrasound 2024-Mar-01, Machine learning: science and technology DOI:10.1088/2632-2153/ad2e15 PMID:38464559	研究论文	本文介绍了一种名为Wavelet_Attention_UNet（WATUNet）的新型分割模型，该模型通过在编码器和解码器之间加入小波门和注意力门，改进了传统UNet架构的局限性，提高了模型性能。	WATUNet模型通过引入小波门和注意力门，解决了传统UNet架构中的梯度消失问题，增强了多尺度特征提取和选择性区域注意力。	NA	旨在通过深度学习技术，特别是卷积神经网络，改进乳腺癌诊断的准确性、节省时间和成本，并改善患者治疗效果。	研究对象包括公共的'Breast Ultrasound Images'数据集和作者在罗切斯特大学采集的私有VSI数据集，涵盖了三种类型的病变：无肿块、良性肿块和恶性肿块。	计算机视觉	乳腺癌	卷积神经网络	WATUNet	图像	使用了780张公共数据集图像和3818张私有VSI数据集图像
19167	2024-08-29	Deep learning for 3D cephalometric landmarking with heterogeneous multi-center CBCT dataset 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0305947 PMID:38917161	研究论文	本文研究了一种轻量级深度学习神经网络在多中心、多民族和多设备数据集上快速定位46个临床重要头影测量标志点的临床应用	本文提出的方法能够处理来自不同中心、不同设备和不同种族的异构数据集，并且在计算上更为轻量级	NA	分析轻量级深度学习神经网络在多中心、多民族和多设备数据集上定位头影测量标志点的临床应用	46个临床重要的头影测量标志点	计算机视觉	NA	深度学习	神经网络	CBCT扫描图像	309个CBCT扫描数据，包括芬兰和泰国患者
19168	2024-08-29	Deeply-Learned Generalized Linear Models with Missing Data 2024, Journal of computational and graphical statistics : a joint publication of American Statistical Association, Institute of Mathematical Statistics, Interface Foundation of North America IF:1.4Q2 DOI:10.1080/10618600.2023.2276122 PMID:39184956	研究论文	本文提出了一种新的深度学习架构，用于处理带有缺失数据的一般化线性模型，并展示了其在监督学习任务中的优越性能	本文提出的新架构能够灵活处理可忽略和不可忽略的缺失数据模式，这是首次在训练时能够同时考虑这两种模式的深度学习方法	NA	研究如何有效处理深度学习中的缺失数据问题	深度学习中的一般化线性模型及其在回归和分类问题中的应用	机器学习	NA	深度学习	一般化线性模型	数据集	案例研究使用了UCI机器学习库中的银行营销数据集
19169	2024-08-29	Vessel trajectory classification via transfer learning with Deep Convolutional Neural Networks 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0308934 PMID:39186723	研究论文	本文介绍了一种基于深度卷积神经网络和迁移学习的新框架Dense121-VMC，用于同时提取和分类航行和徘徊轨迹	提出了一种新的框架Dense121-VMC，利用深度卷积神经网络和迁移学习，有效提取输入图像中的显著特征并识别轨迹间的细微差异	现有基于CNN的方法主要关注航行或徘徊运动模式，难以从输入图像中捕捉有价值的特征和细微差异	提高船舶轨迹分类的准确性和效率，确保海上安全和船舶导航效率	船舶轨迹分类	计算机视觉	NA	卷积神经网络	CNN	图像	NA
19170	2024-08-29	Application of artificial intelligence in the diagnosis and treatment of urinary tumors 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1440626 PMID:39188685	研究论文	本文探讨了人工智能在泌尿肿瘤诊断和治疗中的应用，特别是机器学习和深度学习技术在医学图像识别中的作用	利用机器学习和深度学习技术，特别是卷积神经网络，提高了肿瘤诊断和治疗的精确性和效率	NA	研究人工智能在泌尿肿瘤诊断和治疗中的应用，以提高诊断准确性和治疗效果	泌尿肿瘤，包括肾细胞癌、膀胱癌和前列腺癌	机器学习	泌尿肿瘤	机器学习（ML）和深度学习（DL）	卷积神经网络（CNN）	医学图像	NA
19171	2024-08-29	A non-enhanced CT-based deep learning diagnostic system for COVID-19 infection at high risk among lung cancer patients 2024, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2024.1444708 PMID:39188873	研究论文	本研究提出了一种基于非增强CT扫描的COVID-19诊断神经网络系统，用于区分COVID-19肺炎患者和其他肺炎患者，并进一步区分普通COVID-19患者和重症患者	本研究创新性地使用两个串联的3D卷积神经网络（CNN）来构建诊断模块，能够有效区分COVID-19肺炎和其他肺炎，以及普通COVID-19患者和重症患者	NA	开发一种早期诊断系统，以帮助改善感染COVID-19的肺癌患者的预后	肺癌患者中的COVID-19感染	机器学习	肺癌	3D卷积神经网络（CNN）	CNN	CT图像	NA
19172	2024-08-29	Revolutionizing Shoulder MRI: Accelerated Imaging with Deep Learning Reconstruction 2024-01, Radiology IF:12.1Q1 DOI:10.1148/radiol.233301 PMID:38193840	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
19173	2024-08-29	Adaptive Region-Specific Loss for Improved Medical Image Segmentation 2023-11, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2023.3289667 PMID:37363838	研究论文	本文介绍了一种区域特定损失函数，用于改进医学图像分割，通过将整个图像体积划分为多个子区域，并为每个子区域构建个性化的损失函数，以提高局部性能	提出了区域特定损失函数，该函数能够根据不同区域的分割难度调整权重，从而提高整体预测准确性	NA	改进医学图像分割的准确性	医学图像分割中的损失函数设计	计算机视觉	NA	NA	神经网络	图像	使用不同的公开和内部医学图像数据集
19174	2024-08-29	Integrated mRNA sequence optimization using deep learning 2023-01-19, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbad001 PMID:36642413	研究论文	本文开发了一种名为iDRO的新算法，利用深度学习技术优化mRNA序列，以适应人类细胞	首次引入深度学习方法进行mRNA序列的综合优化	NA	优化外源基因如严重急性呼吸综合征冠状病毒2刺突蛋白的mRNA序列，以适应人类细胞	mRNA序列优化	机器学习	NA	深度学习	BiLSTM-CRF, RNA-Bart	序列数据	NA
19175	2024-08-29	Improving breast cancer diagnosis by incorporating raw ultrasound parameters into machine learning 2022-Dec-01, Machine learning: science and technology DOI:10.1088/2632-2153/ac9bcc PMID:36698865	研究论文	本研究提出了一种基于生物物理特征的机器学习方法，用于乳腺癌检测，旨在提高诊断性能并提供恶性概率的彩色叠加视觉图。	本研究通过结合原始超声参数和机器学习方法，提高了乳腺癌诊断的准确性，并提供了恶性概率的彩色叠加视觉图。	NA	提高超声乳腺检查的诊断准确性。	乳腺癌检测。	机器学习	乳腺癌	超声	支持向量机	图像	150个乳腺病变样本
19176	2024-08-29	Resolving complex cartilage structures in developmental biology via deep learning-based automatic segmentation of X-ray computed microtomography images 2022-05-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-12329-8 PMID:35610276	研究论文	本研究利用卷积神经网络（CNN）自动分割发育中的鼻囊软骨结构，通过X射线计算显微断层扫描（μCT）图像进行分析	提出了一种针对大尺寸图像优化的CNN分割模型，并使用独特的手动注释数据库进行训练	图像数据尺寸大且训练数据库相对较小，包括基因改造的小鼠胚胎，分析结构的表型与正常情况不同	加速μCT分析动物模型中软骨骨骼元素的发育疾病	发育中的鼻囊软骨结构	计算机视觉	NA	X射线计算显微断层扫描（μCT）	CNN	图像	包括基因改造的小鼠胚胎
19177	2024-08-29	Birdsong classification based on ensemble multi-scale convolutional neural network 2022-05-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-12121-8 PMID:35606386	研究论文	本文针对传统卷积神经网络（CNN）在层数增加时语义信息丰富但细节信息丢失的问题，提出了一种基于小波变换特征谱图的多尺度卷积神经网络（MSCNN）和集成多尺度卷积神经网络（EMSCNN）分类框架，用于鸟鸣分类	本文提出的EMSCNN模型通过集成多尺度卷积神经网络，有效解决了传统CNN在处理鸟鸣数据时全局信息丢失的问题，提高了分类性能	NA	提高鸟鸣分类的准确性和稳定性	鸟鸣数据	计算机视觉	NA	小波变换	CNN	音频	30种鸟类
19178	2024-08-29	Hippocampal representations for deep learning on Alzheimer's disease 2022-05-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-12533-6 PMID:35597814	研究论文	本文比较了五种海马体表示方法及其相应的网络架构，用于通过深度学习分析阿尔茨海默病中的海马体变化	本文首次评估了不同海马体表示方法对深度学习分析阿尔茨海默病的影响	需要进一步研究以确定最佳的海马体表示方法和网络架构	探讨不同海马体表示方法对深度学习预测阿尔茨海默病的影响	海马体在阿尔茨海默病中的变化	机器学习	阿尔茨海默病	深度学习	神经网络	图像	独立测试数据集
19179	2024-08-29	Predicting the failure of two-dimensional silica glasses 2022-May-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-30530-1 PMID:35595727	研究论文	本文利用机器学习方法预测模拟二维硅玻璃的失效，并通过Grad-CAM构建注意力图以实现物理解释	本文通过Grad-CAM构建的注意力图可以物理解释为拓扑缺陷和局部势能，提高了预测结果的可解释性	NA	预测材料的失效	二维硅玻璃	机器学习	NA	机器学习方法	人工神经网络	结构信息	不同形状和大小的样本以及实验图像
19180	2024-08-29	A fine-grained network for human identification using panoramic dental images 2022-May-13, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2022.100485 PMID:35607622	研究论文	本文提出了一种利用全景牙科图像进行人体细粒度识别的网络模型	设计了一种双分支架构，其中一个分支作为图像特征提取器，另一个作为掩码特征提取器，并通过改进的注意力机制和ArcFace损失函数提高了模型性能	NA	开发一种新的深度学习模型，用于通过全景牙科图像进行人体识别	利用牙科图像中的牙齿掩码分布来区分不同个体的细微牙齿差异	计算机视觉	NA	深度神经网络	CNN	图像	23,715张全景X光牙科图像，来自10,113名患者