深度学习在生物医药领域中的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新，已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价10元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 5 篇文献。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2024-08-05 |
Multi-categorical deep learning neural network to classify retinal images: A pilot study employing small database
2017, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0187336
PMID:29095872
|
研究论文 | 这项研究使用深度学习卷积神经网络自动检测多种视网膜疾病 | 首次将转移学习与集成分类器结合，提升了多类别视网膜疾病的分类性能 | 由于数据集规模较小，本研究中的深度学习技术难以应用于临床 | 探讨深度学习在多种视网膜疾病检测中的应用 | 视网膜图像的多类别分类 | 计算机视觉 | 视网膜疾病 | 深度学习 | CNN | 图像 | 使用来自STARE数据库的10个类别的有限样本 |
| 2 | 2024-08-05 |
A deep convolutional neural network-based automatic delineation strategy for multiple brain metastases stereotactic radiosurgery
2017, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0185844
PMID:28985229
|
研究论文 | 本研究提出了一种基于深度卷积神经网络的自动化脑转移瘤轮廓绘制策略。 | 开发了用于对比增强T1加权磁共振成像数据集进行脑转移瘤分割的深度学习卷积神经网络算法，并将其集成到自动化分割工作流中。 | 在患者案例的分割结果中，DICE系数平均值略低，可能需要进一步优化算法。 | 旨在提升立体定向放射外科（SRS）的治疗规划效率和效果。 | 针对脑转移瘤进行目标 delineation 的自动化流程。 | 数字病理学 | 脑部疾病 | 磁共振成像(MRI) | CNN | 图像 | BRATS数据及临床患者数据 |
| 3 | 2024-08-05 |
A DEEP LEARNING APPROACH FOR CANCER DETECTION AND RELEVANT GENE IDENTIFICATION
2017, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
DOI:10.1142/9789813207813_0022
PMID:27896977
|
研究论文 | 本文提出了一种深度学习方法用于癌症检测和乳腺癌关键基因识别 | 使用堆叠去噪自编码器深入提取高维基因表达特征，并通过监督分类模型验证其在癌症检测中的有效性 | 未提及具体的样本数量和数据集来源，可能影响结果的普遍适用性 | 研究癌症检测及乳腺癌诊断所需的基因识别 | 乳腺癌相关的基因及其在临床诊断中的作用 | 数字病理学 | 乳腺癌 | 深度学习 | 堆叠去噪自编码器(SDAE) | 基因表达数据 | NA |
| 4 | 2024-08-05 |
Protein Function Prediction Using Deep Restricted Boltzmann Machines
2017, BioMed research international
IF:2.6Q3
DOI:10.1155/2017/1729301
PMID:28744460
|
研究论文 | 本文探讨了使用深层限制玻尔兹曼机预测部分注释蛋白质的缺失功能注释 | 首次将深层限制玻尔兹曼机应用于蛋白质功能注释的预测 | 未提及具体的实验样本规模和数据集的详细信息 | 研究深度学习技术在蛋白质功能预测中的应用 | 部分注释的蛋白质 | 机器学习 | NA | 深层限制玻尔兹曼机 | 深层限制玻尔兹曼机 | 图像, 文本 | NA |
| 5 | 2024-08-07 |
Single subject prediction of brain disorders in neuroimaging: Promises and pitfalls
2017-01-15, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2016.02.079
PMID:27012503
|
综述 | 本文综述了基于神经影像的单个受试者脑部疾病预测的研究进展，并讨论了其中的挑战和未来趋势 | 本文提供了迄今为止最全面的基于神经影像的单个受试者脑部疾病预测的综述，并讨论了新兴趋势如去中心化数据共享、多模态脑成像、差异诊断、疾病亚型分类和深度学习 | 主要瓶颈是样本量有限，这可以通过现代数据共享模型来解决 | 综述基于神经影像的单个受试者脑部疾病预测的研究进展，并讨论其挑战和未来趋势 | 研究对象包括精神分裂症、轻度认知障碍、阿尔茨海默病、抑郁症、自闭症谱系障碍和注意力缺陷多动障碍 | 机器学习 | 神经退行性疾病 | MRI | 深度学习 | 影像 | 超过500项研究涉及单个受试者预测，具体样本量在各研究中有所不同 |