深度学习在生物医药领域的应用
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（使用关键词“['deep learning']”过滤），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19.9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 78 篇文献，本页显示第 21 - 40 篇。
| 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 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2024-10-04 |
Modeling positional effects of regulatory sequences with spline transformations increases prediction accuracy of deep neural networks
2018-04-15, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btx727
PMID:29155928
|
研究论文 | 本文开发了一种基于样条变换的神经网络模块，用于灵活且稳健地建模距离，显著提高了深度神经网络对体内RNA结合蛋白结合位点的预测准确性 | 提出了样条变换方法，用于在深度神经网络中建模基因组地标之间的相对距离，相比传统的分段线性变换，样条变换在预测准确性、训练速度和鲁棒性方面表现更优 | NA | 提高深度神经网络对基因调控序列的预测准确性 | RNA结合蛋白结合位点和人类剪接分支点 | 机器学习 | NA | 深度学习 | 深度神经网络 | 基因组数据 | 123种蛋白质中的120种 | NA | NA | NA | NA |
| 22 | 2024-09-14 |
[Computer-aided diagnosis of Parkinson's disease based on the stacked deep polynomial networks ensemble learning framework]
2018-12-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.201709030
PMID:30583319
|
研究论文 | 本文提出了一种基于堆叠深度多项式网络（SDPN）的集成学习框架，用于帕金森病（PD）的计算机辅助诊断（CAD） | 引入了一种新的监督深度学习算法——深度多项式网络（DPN），并在此基础上构建了堆叠DPN（SDPN）集成学习框架，显著提高了小数据集上的诊断准确性 | NA | 提高基于磁共振成像（MRI）的帕金森病计算机辅助诊断的准确性 | 帕金森病（PD）的诊断 | 计算机视觉 | 神经退行性疾病 | 深度学习 | 深度多项式网络（DPN） | 图像 | 使用了Parkinson's Progression Markers Initiative数据集（PPMI）中的MRI图像数据 | NA | NA | NA | NA |
| 23 | 2024-09-14 |
[Research of electroencephalography representational emotion recognition based on deep belief networks]
2018-04-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.201706035
PMID:29745522
|
研究论文 | 本文利用深度信念网络（DBN）模型处理脑电图（EEG）信号，识别情绪状态（积极、消极和中性），并与支持向量机（SVM）进行比较 | 本文首次在开源深度学习框架中使用DBN模型进行情绪识别，并发现DBN在分类准确性和稳定性上优于传统的SVM | 研究仍需进一步深入，以建立更准确的情绪识别系统 | 探索深度学习算法在情绪识别中的应用，提高分类器的性能 | 脑电图（EEG）信号的情绪状态识别 | 机器学习 | NA | 深度信念网络（DBN） | 深度信念网络（DBN） | 脑电图（EEG）信号 | 不同情绪刺激下的受试者脑电图信号 | NA | NA | NA | NA |
| 24 | 2024-09-05 |
Model-Based Learning for Accelerated, Limited-View 3-D Photoacoustic Tomography
2018-06, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2018.2820382
PMID:29870367
|
研究论文 | 本文提出了一种专门设计用于从有限光声测量中提供高分辨率3D图像的深度神经网络 | 网络设计为迭代方案，并结合了数据拟合的梯度信息以补偿有限视图伪影 | NA | 加速有限视图3D光声断层成像 | 光声测量数据 | 计算机视觉 | NA | 深度学习 | 深度神经网络 | 图像 | 一组来自肺部CT扫描的分段血管及体内光声测量数据 | NA | NA | NA | NA |
| 25 | 2024-08-28 |
Towards machine learned quality control: A benchmark for sharpness quantification in digital pathology
2018-04, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文介绍了一种用于模糊检测的基准数据集，并比较了当前最先进的清晰度描述符及其在随机森林框架内的预测性能，同时展示了卷积神经网络如残差网络可以从头开始训练模糊检测器。 | 提出了一个用于模糊检测的基准数据集，并展示了卷积神经网络在训练模糊检测器方面的应用，以及在临床设置中测试了该框架，显示出优于现有质量控制流程的性能。 | 未提及具体限制。 | 旨在解决数字病理学中高吞吐量扫描的质量控制问题。 | 数字病理学中的模糊区域检测。 | 数字病理学 | NA | 卷积神经网络 | CNN | 图像 | 未提及具体样本数量。 | NA | NA | NA | NA |
| 26 | 2024-08-25 |
Quanti.us: a tool for rapid, flexible, crowd-based annotation of images
2018-08, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-018-0069-0
PMID:30065368
|
研究论文 | 介绍Quanti.us，一个基于众包的图像标注平台，提供了一种比计算算法更准确的图像分析问题解决方案 | Quanti.us能够在图像分析任务中实现10-50倍的分析时间节省，且与专家标注相比，其深度学习性能相当 | NA | 开发一种快速、灵活的图像标注工具，以替代传统的计算算法 | 图像标注平台Quanti.us的性能和效率 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 多种中通量图像分析任务 | NA | NA | NA | NA |
| 27 | 2024-08-23 |
Brain MRI analysis for Alzheimer's disease diagnosis using an ensemble system of deep convolutional neural networks
2018-May-31, Brain informatics
DOI:10.1186/s40708-018-0080-3
PMID:29881892
|
研究论文 | 本文提出了一种使用深度卷积神经网络的集成系统，用于通过脑部MRI数据分析阿尔茨海默病的诊断 | 本文模型能够识别阿尔茨海默病的不同阶段，并在早期诊断中获得更优越的性能 | NA | 旨在通过脑部MRI数据分析提高阿尔茨海默病的诊断准确性 | 阿尔茨海默病的诊断及其不同阶段 | 计算机视觉 | 阿尔茨海默病 | 深度学习 | CNN | MRI图像 | 使用了Open Access Series of Imaging Studies数据集 | NA | NA | NA | NA |
| 28 | 2024-08-14 |
Deep learning in the cross-time frequency domain for sleep staging from a single-lead electrocardiogram
2018-12-21, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/aaf339
PMID:30524025
|
研究论文 | 本研究使用心电图（ECG）中的节拍检测、时频域中的心肺耦合以及深度卷积神经网络（CNN）来分类睡眠阶段 | 提出的基于ECG的睡眠阶段分类方法在非脑电图数据上取得了最高报告结果，并使用了比先前研究大十倍的数据集 | NA | 从单导联心电图中分类睡眠阶段 | 睡眠阶段（清醒、快速眼动睡眠、非快速眼动浅睡眠和非快速眼动深睡眠） | 机器学习 | NA | 深度卷积神经网络（CNN） | CNN | 心电图（ECG）数据 | 使用了MIT-BIH多导睡眠图数据库（SLPDB）、PhysioNet/计算心脏病学挑战2018数据库（CinC2018）和睡眠心脏健康研究（SHHS）数据库 | NA | NA | NA | NA |
| 29 | 2024-08-06 |
Early Prediction of Acute Kidney Injury in Critical Care Setting Using Clinical Notes
2018-Dec, Proceedings. IEEE International Conference on Bioinformatics and Biomedicine
DOI:10.1109/bibm.2018.8621574
PMID:33376624
|
research paper | 本文探讨了在重症监护中使用临床笔记早期预测急性肾损伤的方法 | 开发了数据驱动的预测模型，利用临床笔记生成有意义的词汇和概念表示 | 研究可能依赖于特定医院的临床记录数据，限制了外部验证 | 旨在提前识别有急性肾损伤风险的重症患者 | 重症监护病房的急性肾损伤患者 | 自然语言处理 | 急性肾损伤 | NLP | 监督学习分类器和知识引导的深度学习架构 | 临床笔记 | 使用重症监护单位入院后24小时内的临床笔记 | NA | NA | NA | NA |
| 30 | 2024-08-07 |
DBN Structure Design Algorithm for Different Datasets Based on Information Entropy and Reconstruction Error
2018-Dec-04, Entropy (Basel, Switzerland)
DOI:10.3390/e20120927
PMID:33266651
|
研究论文 | 本文提出了一种基于信息熵和重构误差的深度信念网络（DBN）结构设计算法 | 该算法创新性地结合了网络深度和节点数量，并同时对其进行优化 | NA | 旨在为不同数据集设计合适的DBN结构 | DBN的结构设计 | 机器学习 | NA | 深度学习技术 | 深度信念网络（DBN） | 图像 | 使用了三个公共数据集（MNIST, Cifar-10 和 Cifar-100） | NA | NA | NA | NA |
| 31 | 2024-08-07 |
High-fidelity phenotyping: richness and freedom from bias
2018-Mar-01, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocx110
PMID:29040596
|
研究论文 | 本文探讨了电子健康记录表型分析的丰富性和偏差减少 | 提出从二元分配转向更丰富的表征研究，并探索新的时间方向和抽象表征，包括深度学习 | 健康护理过程产生的偏差被视为噪音，未被明确研究 | 研究如何提高电子健康记录表型分析的保真度，包括丰富性和减少偏差 | 电子健康记录数据及其在表型分析中的应用 | 生物医学信息学 | NA | 深度学习 | NA | 电子健康记录数据 | NA | NA | NA | NA | NA |
| 32 | 2024-08-07 |
The Role of a Deep-Learning Method for Negation Detection in Patient Cohort Identification from Electroencephalography Reports
2018, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:30815145
|
研究论文 | 本文研究了一种深度学习方法在从脑电图报告中识别患者队列时进行否定检测的作用 | 本文采用了一种神经否定检测技术，并与现有的神经极性识别系统进行了比较，结果表明该方法能产生更好的患者队列 | NA | 研究如何通过深度学习技术提高患者队列识别的准确性 | 脑电图报告中的否定检测 | 自然语言处理 | NA | 深度学习 | 神经网络 | 文本 | NA | NA | NA | NA | NA |
| 33 | 2024-08-07 |
Multi-View Graph Convolutional Network and Its Applications on Neuroimage Analysis for Parkinson's Disease
2018, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:30815157
|
研究论文 | 本文提出了一种基于图卷积网络的深度学习方法，用于融合多种脑图像模态，以预测帕金森病的关系 | 使用图卷积网络融合多种脑图像模态，提高了帕金森病与对照组的区分效果 | 未提及具体限制 | 开发一种新的深度学习方法，用于提高帕金森病的诊断准确性 | 帕金森病的脑图像分析 | 机器学习 | 帕金森病 | 图卷积网络 (GCN) | 图卷积网络 | 脑图像 | 使用帕金森病进展标志物倡议 (PPMI) 队列 | NA | NA | NA | NA |
| 34 | 2024-08-07 |
Adaptive template generation for amyloid PET using a deep learning approach
2018-09, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.24210
PMID:29752765
|
研究论文 | 本研究利用深度神经网络生成个体化的PET模板，以实现无需配准解剖磁共振成像的阿尔茨海默病评估中的淀粉样PET图像的精确空间归一化 | 提出了一种无需使用匹配的3D MRI图像，通过深度学习方法生成个体化PET模板的新技术，显著提高了MRI-less淀粉样PET评估的定量准确性 | NA | 开发一种新的方法，用于在无需3D MRI的情况下，对淀粉样PET图像进行空间归一化，以提高临床实践和研究中的分析效率 | 淀粉样PET图像的空间归一化 | 机器学习 | 阿尔茨海默病 | 深度神经网络 | 卷积自编码器（CAE）和生成对抗网络（GAN） | 图像 | 使用了681对同时获取的C-PIB PET和T1加权3D MRI扫描数据，以及通过旋转527个随机选择的数据显示生成的685,100个增强数据进行训练，并用154个数据集进行验证 | NA | NA | NA | NA |
| 35 | 2024-08-07 |
Extracting psychiatric stressors for suicide from social media using deep learning
2018-07-23, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-018-0632-8
PMID:30066665
|
研究论文 | 本研究旨在利用深度学习方法从社交媒体Twitter中提取与自杀相关的心理压力源 | 首次尝试使用深度学习方法从Twitter数据中提取心理压力源，并通过转移学习策略利用现有临床文本注释数据集 | NA | 探索识别Twitter上与自杀相关的心理压力源的技术 | Twitter上的自杀相关推文 | 机器学习 | NA | 深度学习 | 卷积神经网络（CNN）和循环神经网络（RNN） | 文本 | 包含自杀相关推文的Twitter数据集 | NA | NA | NA | NA |
| 36 | 2024-08-07 |
Latent source mining in FMRI via restricted Boltzmann machine
2018-06, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.24005
PMID:29457314
|
研究论文 | 本文提出了一种基于受限玻尔兹曼机（RBM）的盲源分离（BSS）方法，用于功能性磁共振成像（fMRI）时间序列分析，以提高脑网络识别的准确性 | 该方法通过将RBM应用于fMRI时间序列而非体积，显著降低了模型复杂性并提高了训练集规模，从而提升了训练效率 | NA | 探索RBM在大型fMRI数据中挖掘复杂结构的能力，并评估其在fMRI数据分析中作为深层模型构建块的潜力 | fMRI数据中的脑网络识别 | 机器学习 | NA | 受限玻尔兹曼机（RBM） | RBM | 时间序列 | 基于Human Connectome Project（HCP）数据集 | NA | NA | NA | NA |
| 37 | 2024-08-07 |
Deep Leaning Based Multi-Modal Fusion for Fast MR Reconstruction
2018-Nov-29, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2018.2883958
PMID:30507491
|
研究论文 | 本文提出了一种基于深度学习的多模态融合方法，用于快速磁共振成像重建 | 首次通过深度学习融合多模态磁共振成像数据以加速特定目标图像的重建 | NA | 加速磁共振成像过程并减少运动伪影 | T1加权图像和欠采样的T2加权图像 | 计算机视觉 | NA | 深度学习 | Dense-Unet | 图像 | 3D T2加权图像体积，欠采样率为8 | NA | NA | NA | NA |
| 38 | 2024-08-07 |
Deep Learning for Drug Design: an Artificial Intelligence Paradigm for Drug Discovery in the Big Data Era
2018-03-30, The AAPS journal
DOI:10.1208/s12248-018-0210-0
PMID:29603063
|
综述 | 本文综述了深度学习方法在药物设计中的应用，特别是卷积神经网络、循环神经网络和深度自编码网络等主流架构在监督学习和非监督学习中的应用 | 深度学习方法在药物设计领域的应用相较于传统机器学习算法具有更大的潜力 | 深度学习方法在药物发现和开发领域尚未得到广泛认可，仍需进一步的研究和应用推广 | 探讨深度学习在药物设计中的应用及其面临的挑战 | 深度学习方法及其在药物设计中的应用 | 机器学习 | NA | 深度学习 | CNN, RNN, DAENs | 小分子数据 | NA | NA | NA | NA | NA |
| 39 | 2024-08-07 |
How to Agree on a CTC: Evaluating the Consensus in Circulating Tumor Cell Scoring
2018-12, Cytometry. Part A : the journal of the International Society for Analytical Cytology
DOI:10.1002/cyto.a.23576
PMID:30246927
|
研究论文 | 本文介绍了一种开源的循环肿瘤细胞（CTC）评分工具，用于评估不同审查者之间的一致性并促进CTC分类的共识 | 引入了开源CTC评分工具，并展示了深度学习技术在CTC计数中的应用前景 | 需要进一步研究以提高计算机识别CTC的准确性 | 评估循环肿瘤细胞计数的准确性和机构间比较的可行性 | 循环肿瘤细胞（CTC）的计数和分类 | 数字病理学 | NA | 深度学习 | NA | 图像 | 100张图像，来自两个不同的平台，由15名审查者和一个专家小组评估 | NA | NA | NA | NA |
| 40 | 2024-08-07 |
Deep learning and virtual drug screening
2018-11, Future medicinal chemistry
IF:3.2Q3
DOI:10.4155/fmc-2018-0314
PMID:30288997
|
研究论文 | 本文探讨了虚拟筛选（VS）与机器学习（ML）的结合，特别是人工神经网络（ANNs）在虚拟筛选中的应用 | 介绍了使用人工神经网络进行结构基础和配体基础的虚拟筛选，并讨论了如dropout、多任务学习和卷积等技术如何提高ANNs的性能 | NA | 提高药物发现的效率和准确性 | 化合物库的虚拟筛选 | 机器学习 | NA | 人工神经网络（ANNs） | ANN | 化合物数据 | NA | NA | NA | NA | NA |