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 243 篇文献，本页显示第 241 - 243 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2024-08-07 |
FastSurfer - A fast and accurate deep learning based neuroimaging pipeline
2020-10-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2020.117012
PMID:32526386
|
研究论文 | 本文提出了一种快速且准确的基于深度学习的大脑神经影像处理流程FastSurfer，用于自动化处理人脑结构MRI扫描，复制FreeSurfer的解剖学分割包括表面重建和皮质分区 | 引入了一种先进的深度学习架构，能够进行全脑95类分割，并采用了竞争密集块和竞争跳跃路径以及多切片信息聚合技术，专门针对皮质和皮质下结构的精确分割进行优化 | NA | 开发一种快速且准确的深度学习基础的神经影像处理流程，以适应大规模队列研究的需求 | 人脑结构MRI扫描的自动化处理 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 数千或数万个体 |
| 242 | 2024-08-07 |
Development and validation of an interpretable deep learning framework for Alzheimer's disease classification
2020-06-01, Brain : a journal of neurology
IF:10.6Q1
DOI:10.1093/brain/awaa137
PMID:32357201
|
研究论文 | 本文开发并验证了一种可解释的深度学习框架，用于阿尔茨海默病的分类 | 该框架结合了全卷积网络和多层感知器，能够从多模态输入中识别出独特的阿尔茨海默病特征，并生成直观的个体风险可视化，其诊断性能超过了多机构团队的执业神经科医生 | NA | 开发一种可解释的深度学习框架，用于提高阿尔茨海默病的诊断准确性 | 阿尔茨海默病患者和认知正常的个体 | 机器学习 | 阿尔茨海默病 | MRI | 全卷积网络和多层感知器 | 图像 | 训练集包括417名临床诊断的阿尔茨海默病患者和认知正常个体，验证集包括AIBL（382名）、Framingham Heart Study（102名）和NACC（582名） |
| 243 | 2024-08-07 |
Deep ensemble learning for Alzheimer's disease classification
2020-05, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2020.103411
PMID:32234546
|
研究论文 | 本文提出了一种用于阿尔茨海默病分类的深度集成学习框架，该框架利用深度学习算法整合多源数据并利用专家智慧 | 首次采用深度学习方法集成阿尔茨海默病分类算法，提出了一种非线性特征加权方法和优化层处理成本敏感问题 | NA | 提高阿尔茨海默病分类的准确性 | 阿尔茨海默病分类算法 | 机器学习 | 阿尔茨海默病 | 深度学习 | 深度信念网络 | 多源数据 | 临床数据来自国家阿尔茨海默病协调中心 |