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 3 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 | 2024-11-10 |
Tumor gene expression data classification via sample expansion-based deep learning
2017-Dec-12, Oncotarget
DOI:10.18632/oncotarget.22762
PMID:29312636
|
研究论文 | 本文提出了一种基于样本扩展的深度学习方法用于肿瘤基因表达数据分类 | 本文提出了样本扩展方法，通过随机清洗部分损坏的输入多次来获得大量样本，解决了基因表达数据训练样本不足的问题 | NA | 研究如何有效区分肿瘤样本和正常样本 | 肿瘤基因表达数据 | 机器学习 | NA | 深度学习 | 堆叠自编码器 (SAE) 和一维卷积神经网络 (1DCNN) | 基因表达数据 | NA |
| 2 | 2024-10-11 |
Chemical Selectivity and Sensitivity of a 16-Channel Electronic Nose for Trace Vapour Detection
2017-Dec-08, Sensors (Basel, Switzerland)
DOI:10.3390/s17122845
PMID:29292764
|
研究论文 | 本文介绍了基于16个差分微电容器的16通道电子鼻的设计、构建和测量，用于检测目标分子的蒸汽痕迹 | 提出了使用不同硅烷表面功能化的微电容器来增强化学选择性，并探讨了使用人工智能深度学习方法进一步提高选择性的可能性 | NA | 研究电子鼻的化学选择性和灵敏度，以可靠检测爆炸物和其他有害物质 | 16通道电子鼻及其对TNT、RDX、DNT等分子的检测能力 | NA | NA | NA | NA | NA | NA |
| 3 | 2024-08-05 |
Deep Auto-context Convolutional Neural Networks for Standard-Dose PET Image Estimation from Low-Dose PET/MRI
2017-Dec-06, Neurocomputing
IF:5.5Q1
DOI:10.1016/j.neucom.2017.06.048
PMID:29217875
|
研究论文 | 本文提出了一种深度学习架构，从低质量低剂量PET图像和MRI的T1加权成像中估计高质量标准剂量PET图像。 | 本研究创新性地结合了低剂量PET图像和MRI数据，通过卷积神经网络的多模块自适应策略实现精准图像估计。 | 未提及具体的临床试验数据量以及可能的局限性。 | 降低患者的辐射暴露风险的同时，保持PET图像的高质量。 | 低剂量PET图像和MRI中的T1加权成像。 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | 真实人脑PET/MRI数据 |