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
19461	2024-08-23	An advanced Artificial Intelligence platform for a personalised treatment of Eating Disorders 2024, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2024.1414439 PMID:39165503	研究论文	本研究利用人工智能（AI），特别是机器学习（ML）和深度学习（DL），开发一个先进的平台，以改善饮食失调（EDs）的诊断和个性化治疗	本研究通过集成患者数据、支持医疗专业人员和增强患者能力，提高了护理的可及性、个性化治疗计划和优化护理路径	NA	利用AI技术改善饮食失调的诊断和治疗	饮食失调患者	机器学习	饮食失调	机器学习（ML）和深度学习（DL）	AI算法	多样化的数据源	NA
19462	2024-08-23	Thyroid Cancer Central Lymph Node Metastasis Risk Stratification Based on Homogeneous Positioning Deep Learning 2024, Research (Washington, D.C.) DOI:10.34133/research.0432 PMID:39165637	研究论文	本研究开发了一种基于同质定位深度学习的甲状腺癌中央淋巴结转移风险分层方法	采用差异同构对齐方法结合图变换器准确提取甲状腺结节的定位和形态信息，预测中央淋巴结转移	NA	评估超声诊断的甲状腺癌中央淋巴结转移风险和预防性淋巴结手术的必要性	甲状腺癌患者的中央淋巴结转移风险	数字病理学	甲状腺癌	深度学习	图变换器	图像	88,796张超声图像，来自48,969名患者
19463	2024-08-23	CSNet: A Count-Supervised Network via Multiscale MLP-Mixer for Wheat Ear Counting 2024, Plant phenomics (Washington, D.C.) DOI:10.34133/plantphenomics.0236 PMID:39165670	研究论文	提出了一种基于多尺度MLP-Mixer的计数监督网络CSNet，用于小麦穗头自动计数	CSNet利用数量信息而非位置信息进行训练，减少了人工标注的需求	NA	提高小麦穗头计数的准确性并降低标注成本	小麦穗头的自动计数技术	计算机视觉	NA	MLP-Mixer	CNN	图像	使用了公开的小麦穗头检测数据集
19464	2024-08-23	A lightweight dual-attention network for tomato leaf disease identification 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1420584 PMID:39166234	研究论文	本文提出了一种基于机器视觉的番茄叶病分类识别方法，通过图像增强和数据扩充解决数据不平衡问题，并引入具有双注意力机制的卷积块构建轻量级模型LDAMNet，以提高特征提取能力	创新性地使用混合通道注意力（HCA）和坐标注意力（CSA）处理图像的通道和空间信息，并提出鲁棒交叉熵（RCE）损失函数以减少噪声标签的影响	未来研究需要进一步优化模型的结构和计算效率，并在更多实际场景中验证其应用效果	提高番茄叶病识别的准确性和泛化能力	番茄叶病图像	计算机视觉	NA	机器视觉方法	卷积神经网络（CNN）	图像	在番茄病害数据集上达到98.71%的平均识别准确率，并在水稻作物病害数据集上展示了良好的识别能力
19465	2024-08-23	[[Applications] 13. Segmentation of Infant Brain Ventricles with Hydrocephalus Using Deep Learning] 2024, Nihon Hoshasen Gijutsu Gakkai zasshi DOI:10.6009/jjrt.2024-2398 PMID:39168595	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
19466	2024-08-23	Predicting intensive care need for COVID-19 patients using deep learning on chest radiography 2023-Jul, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.4.044504 PMID:37608852	研究论文	本研究利用深度学习技术分析胸部X光片，预测COVID-19患者是否需要重症监护	提出了一种基于深度学习的人工智能/机器学习方法，通过分析胸部X光片预测COVID-19患者的重症监护需求	NA	旨在通过图像预测COVID-19的严重程度和资源需求，以应对COVID-19大流行	COVID-19阳性患者的胸部X光片	机器学习	COVID-19	深度学习	DenseNet121	图像	8357张胸部X光片，来自5046名COVID-19阳性患者
19467	2024-08-23	Historical-crack18-19: A dataset of annotated images for non-invasive surface crack detection in historical buildings 2022-Apr, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2022.107865 PMID:35146090	研究论文	本文介绍了Historical-crack18-19数据集，包含约3886张历史建筑混凝土表面的注释图像	该数据集专门用于训练和验证基于机器学习和深度学习模型的自动化非侵入性裂缝检测和裂缝严重程度识别方法	在历史建筑表面图像中，裂缝检测/分割系统面临多种挑战，如光照、类似裂缝的图案、分隔符、灰尘、模糊和深层纹理等	旨在为自动化非侵入性裂缝检测和裂缝严重程度识别提供数据支持	历史建筑混凝土表面的裂缝检测	计算机视觉	NA	机器学习 (ML) 和深度学习 (DL)	NA	图像	约3886张注释图像，包括757张裂缝图像和3139张非裂缝图像
19468	2024-08-23	Deep Generative Medical Image Harmonization for Improving Cross-Site Generalization in Deep Learning Predictors 2022-03, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.27908 PMID:34564904	研究论文	本文开发并评估了一种基于深度学习的图像协调方法，以提高深度学习年龄预测的跨站点泛化能力	使用生成对抗网络（GAN）进行医学图像协调，显著改善了年龄预测模型的跨站点泛化性能	需要进一步研究以验证GAN基医学图像协调方法的长期效果和广泛适用性	提高深度学习模型在不同成像设备和采集协议间的泛化性能	脑部图像的年龄预测	计算机视觉	NA	生成对抗网络（GAN）	GAN	图像	8876名受试者，其中2739名用于训练，6137名用于测试
19469	2024-08-23	The Digital Brain Tumour Atlas, an open histopathology resource 2022-02-15, Scientific data IF:5.8Q1 DOI:10.1038/s41597-022-01157-0 PMID:35169150	研究论文	本文介绍了一个名为“数字脑瘤图谱”的开源组织病理学资源，该资源包含大量数字化脑瘤样本及其临床注释	该研究填补了脑瘤组织病理学数据集的空缺，为机器学习和数字图像分析提供了宝贵的资源	NA	旨在提供一个公开可用的脑瘤组织病理学数据集，支持精确诊断和相关研究	脑瘤组织病理学数据集及其临床注释	数字病理学	脑瘤	数字化扫描	NA	图像	3,115张切片，涵盖126种脑瘤类型及47种对照组织
19470	2024-08-23	Deep-learning-assisted Fourier transform imaging spectroscopy for hyperspectral fluorescence imaging 2022-02-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-06360-y PMID:35169167	研究论文	本文利用深度学习技术改进傅里叶变换成像光谱学（FTIS），以提高高光谱荧光成像的效率和鲁棒性	通过深度学习，将干涉图采样量大幅减少一个数量级，同时保持图像质量，并提高了对位移台误差和环境振动的鲁棒性	NA	提高高光谱荧光成像的成像吞吐量和系统鲁棒性	牛肺动脉内皮细胞和10种荧光珠	计算机视觉	NA	傅里叶变换成像光谱学（FTIS）	神经网络	干涉图	牛肺动脉内皮细胞和10种荧光珠
19471	2024-08-23	Examination of blood samples using deep learning and mobile microscopy 2022-Feb-11, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-022-04602-4 PMID:35148679	研究论文	本文研究使用深度学习和移动显微镜对血液样本进行检测	开发了一种基于移动显微镜和强大算法的即时护理系统，可以直接在患者床边提供护理	需要对模型进行大量修改以适应检测大量小物体的需求	探索使用深度学习方法进行移动血液检测的可行性和准确性	人类血液样本中的不同血细胞类型	计算机视觉	NA	深度学习	Mask R-CNN, Mask Scoring R-CNN, D2Det, YOLACT	图像	未具体说明样本数量
19472	2024-08-23	Deep learning for gastroscopic images: computer-aided techniques for clinicians 2022-Feb-11, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-022-00979-8 PMID:35148764	综述	本文综述了深度学习在胃镜图像处理中的应用，旨在为临床医生提供计算机辅助技术	利用深度学习技术在实时胃镜检查中提供现场协助，帮助内镜医师发现并描述病变	讨论了深度学习技术在临床应用前需要解决的关键问题	总结深度学习在克服胃镜检查中疾病相关和非疾病相关挑战的应用，并提供技术指导和全面视角	胃镜图像和胃部疾病	计算机视觉	胃病	深度学习	NA	图像	NA
19473	2024-08-23	Oner, Sung, and Lee: Researchers in digital pathology for the future of modern medicine 2022-Feb-11, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2022.100447 PMID:35199070	research paper	Oner, Lee 和 Sung 开发了一种深度学习模型，用于准确预测肿瘤组织中癌细胞的比例	开发了一种新的深度学习模型，用于精确预测癌细胞比例，这是精准肿瘤学和靶向治疗的关键步骤	NA	开发和验证一种深度学习模型，以提高癌症治疗的精确性	肿瘤组织中的癌细胞比例	digital pathology	cancer	deep learning	deep learning model	image	NA
19474	2024-08-23	Fused feature signatures to probe tumour radiogenomics relationships 2022-02-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-06085-y PMID:35140267	研究论文	本研究提出了一种融合特征签名（FF），通过结合手工特征提取技术和深度特征提取技术，以更好地表示肿瘤放射基因组学关系（RRs）。	本研究首次尝试融合手工特征提取技术和深度特征提取技术，以利用它们之间的互补信息，从而更全面地识别放射基因组学关系。	本研究仅使用了两个公开数据集进行验证，未来需要更多的数据集来进一步验证FF的有效性。	旨在通过融合不同类型的图像特征提取技术，提高肿瘤放射基因组学关系的识别能力。	非小细胞肺癌（NSCLC）患者的基因表达数据和CT图像。	数字病理学	肺癌	深度学习模型（如迁移学习和微调）	CNN	图像	89名NSCLC患者用于构建FF，117名NSCLC患者用于验证
19475	2024-08-23	Sequence-based prediction of protein binding regions and drug-target interactions 2022-Feb-08, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-022-00584-w PMID:35135622	研究论文	本文构建了一个名为Highlights on Target Sequences (HoTS)的深度学习模型，用于预测蛋白质序列与药物配体之间的结合区域和药物-靶标相互作用	提出了一个结合区域预测模型，提高了药物-靶标相互作用预测的性能，并增强了模型的可解释性	模型在预测中不使用3D结构信息	提高药物-靶标相互作用预测的性能和模型的可解释性	蛋白质序列与药物配体之间的结合区域和药物-靶标相互作用	机器学习	NA	深度学习	transformer	蛋白质序列	收集了蛋白质-配体相互作用的复合物和结合位点的蛋白质序列
19476	2024-08-23	Automated Lung Sound Classification Using a Hybrid CNN-LSTM Network and Focal Loss Function 2022-Feb-06, Sensors (Basel, Switzerland) DOI:10.3390/s22031232 PMID:35161977	研究论文	本文提出了一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合神经模型，用于自动分类四种肺音类型，并采用焦点损失函数处理训练数据不平衡问题	引入焦点损失函数以解决训练数据不平衡问题，并结合CNN和LSTM网络进行肺音分类	NA	开发一种自动肺音分类模型，以提高呼吸疾病诊断和患者监测的效率	肺音的自动分类，包括正常、爆裂音、哮鸣音及两者兼有	机器学习	呼吸疾病	短时傅里叶变换（STFT）	CNN-LSTM	音频	使用了ICBHI 2017呼吸音数据库进行训练和测试
19477	2024-08-23	Diagnostic performance of deep learning and computational fluid dynamics-based instantaneous wave-free ratio derived from computed tomography angiography 2022-02-05, BMC cardiovascular disorders IF:2.0Q3 DOI:10.1186/s12872-022-02469-0 PMID:35120463	研究论文	本文评估了基于深度学习和计算流体动力学（CFD）的CT-iFR（AccuiFRct）方法在诊断冠状动脉病变中的表现。	提出了一种新的CT-iFR方法AccuiFRct，该方法结合了深度学习和计算流体动力学，用于从冠状动脉CT血管造影（CCTA）中计算iFR。	研究样本量较小，仅涉及36名患者和36条血管。	评估AccuiFRct在诊断由缺血引起的冠状动脉狭窄中的诊断性能。	36名连续患者的36条血管，这些患者接受了CCTA、侵入性FFR和iFR检查。	机器学习	心血管疾病	深度学习, 计算流体动力学	NA	图像	36名患者，36条血管
19478	2024-08-23	Inferring protein expression changes from mRNA in Alzheimer's dementia using deep neural networks 2022-02-03, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-28280-1 PMID:35115553	研究论文	本文使用深度神经网络从阿尔茨海默病相关痴呆（ADRD）的mRNA表达中预测蛋白质丰度，以追踪早期蛋白质驱动因素	提出了一种基于深度学习模型的方法，通过分析脑部RNA-seq样本，识别未在mRNA水平直接观察到的蛋白质模块和疾病相关表达变化	文章未提及具体的局限性	旨在通过预测蛋白质表达变化来更好地理解ADRD的分子机制，并识别潜在的早期蛋白质驱动因素和药物靶点	阿尔茨海默病相关痴呆的分子系统和蛋白质	机器学习	阿尔茨海默病	深度神经网络	clei2block深度学习模型	RNA-seq	1192个脑部RNA-seq样本
19479	2024-08-23	Automated recognition of the cricket batting backlift technique in video footage using deep learning architectures 2022-02-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05966-6 PMID:35115647	研究论文	本研究展示了如何使用深度学习架构自动识别板球击球背举技术，并比较了AlexNet、Inception V3、Inception Resnet V2和Xception等流行深度学习架构的性能	本研究首次验证了使用机器学习方法自动识别板球击球背举技术，并确定了最适合该问题域的深度学习架构	AlexNet架构在分类直背举类图像时表现不佳，错误分类了四张图像	探索和验证使用深度学习技术自动识别板球击球背举技术	板球击球背举技术的自动识别	计算机视觉	NA	深度学习	AlexNet, Inception V3, Inception Resnet V2, Xception	视频	包含侧背举和直背举两个类别的数据集
19480	2024-08-23	Effective deep learning approaches for predicting COVID-19 outcomes from chest computed tomography volumes 2022-02-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-05532-0 PMID:35110593	研究论文	本文评估了胸部CT数据在COVID-19预后中的价值，并开发了一种新的患者级算法，将胸部CT体积聚合为2D表示，以便与临床元数据集成，区分COVID-19肺炎与其他肺炎。	提出了一种多任务模型，用于联合分割COVID-19感染肺部中的不同类型肺部病变，并展示了从胸部CT体积中提取的特征与临床元数据结合可以显著提高预测性能。	NA	开发有效的深度学习方法，从胸部CT图像数据中预测COVID-19的结果。	COVID-19患者的胸部CT图像数据和临床元数据。	机器学习	COVID-19	深度学习	多任务模型	图像	未明确提及具体样本数量