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 366 篇文献，本页显示第 341 - 360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 341 | 2024-08-07 |
VOLUMETRIC LANDMARK DETECTION WITH A MULTI-SCALE SHIFT EQUIVARIANT NEURAL NETWORK
2020-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi45749.2020.9098620
PMID:38915907
|
研究论文 | 本文提出了一种多尺度移位等变神经网络用于体积图像中的地标检测 | 该方法通过多尺度移位等变网络结构和噪声注入策略，实现了快速且内存高效的3D图像地标检测，并提高了模型的鲁棒性 | 由于GPU内存限制，大规模数据可能限制了所采用神经网络架构的容量，从而可能影响输出精度 | 开发一种能够在体积图像中进行精确解剖地标检测的深度学习方法 | 颈动脉分叉的地标检测 | 计算机视觉 | NA | 深度神经网络 | 移位等变神经网络 | 体积图像 | 263个CT体积 | NA | NA | NA | NA |
| 342 | 2024-08-05 |
A multi-scale residual network for accelerated radial MR parameter mapping
2020-11, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2020.08.013
PMID:32882339
|
研究论文 | 提出了一种结合加速径向数据采集和多尺度残差网络的深度学习MR参数成像框架 | 提出的多尺度残差网络在使用加速径向数据的情况下，提供了高质量的对比加权图像和参数图，且重建时间减少两个数量级 | 在许多应用场景中无法获得完全采样的训练数据 | 研究加速径向数据采集的MR参数成像方法 | 针对不同解剖结构和弛豫参数，训练个别网络进行图像重建 | 数字病理学 | NA | 深度学习 | 多尺度残差网络(MS-ResNet) | 图像 | 脑部和膝盖数据集的体内T映射结果 | NA | NA | NA | NA |
| 343 | 2024-08-05 |
Spatial transcriptomics inferred from pathology whole-slide images links tumor heterogeneity to survival in breast and lung cancer
2020-11-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-020-75708-z
PMID:33139755
|
研究论文 | 该文章探讨了如何利用病理全切片图像的数字分析来链接肿瘤异质性与乳腺癌和肺癌的生存率 | 提出了一种通过深度学习模型空间解析mRNA和miRNA表达水平的方法，并开发了肿瘤异质性指标（HTI） | 现有的分析方法对训练样本数量和复杂流程的依赖性较高 | 研究肿瘤异质性如何影响癌症预后和治疗反应 | 乳腺癌和肺癌切片 | 数字病理学 | 乳腺癌, 肺癌 | 深度学习 | NA | 病理全切片图像 | 使用少量训练样本对两个癌症队列进行评估 | NA | NA | NA | NA |
| 344 | 2024-08-05 |
Time-series cardiovascular risk factors and receipt of screening for breast, cervical, and colon cancer: The Guideline Advantage
2020, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0236836
PMID:32790674
|
研究论文 | 本研究探讨了心血管健康指标与癌症筛查之间的关系 | 首次使用长短期记忆网络（LSTM）预测癌症筛查的接受情况，并量化筛查前后心血管健康的变化 | 研究依赖于电子健康记录数据，可能存在数据不完整或不准确的问题 | 理解癌症筛查的风险因素及其对心血管健康的影响 | 362,533名患者的癌症筛查及心血管健康指标 | 数字病理学 | 心血管疾病 | LSTM | LSTM | 电子健康记录数据 | 362,533名患者 | NA | NA | NA | NA |
| 345 | 2024-08-05 |
Data Augmentation and Transfer Learning to Improve Generalizability of an Automated Prostate Segmentation Model
2020-12, AJR. American journal of roentgenology
DOI:10.2214/AJR.19.22347
PMID:33052737
|
研究论文 | 本研究开发了一个高质量的前列腺分割模型，能够在多个独立数据集上保持高性能 | 通过转移学习和数据增强改善了前列腺分割模型在外部中心的泛化能力 | 模型的性能依赖于测试中心的数据，可能影响通用性 | 旨在提高自动化前列腺分割模型的泛化能力 | 648名接受前列腺MRI检查的患者的数据集 | 数字病理学 | 前列腺癌 | 深度学习 | 2D和3D架构 | 医学影像 | 648名患者的数据集 | NA | NA | NA | NA |
| 346 | 2024-08-05 |
Predicting RNA SHAPE scores with deep learning
2020-09, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2020.1760534
PMID:32476596
|
研究论文 | 本文提出了一种机器学习方法，用于预测体内RNA的SHAPE评分 | 提出了一种结合RNA二级结构预测结果和核苷酸序列的机器学习方法 | 未提及具体的样本量和数据来源 | 提高计算RNA折叠模拟的准确性 | 体内RNA结构 | 机器学习 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 347 | 2024-08-05 |
Generalizing Deep Learning for Medical Image Segmentation to Unseen Domains via Deep Stacked Transformation
2020-07, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2020.2973595
PMID:32070947
|
研究论文 | 本文提出了一种深度堆叠变换的方法，以改进医学图像分割在未见域上的泛化能力 | 提出了通过在单一源域上进行广泛的数据增强，来模拟特定医学成像模式的预期域偏移，从而提高模型在未见域上的表现 | 需要在目标域的相关数据（及其注释）上重新训练模型的通用迁移学习和领域适应技术限制了其广泛部署的实际应用 | 研究医学图像分割模型在不同医院、扫描仪制造商、成像协议和患者人群等变化领域中的泛化能力 | 对前列腺、左心房和左心室三个不同的3D分割任务进行训练和评估 | 数字病理 | 前列腺癌 | 数据增强 | 深度学习模型 | 3D图像 | 单源域的数据集（10~32个体积），以及一个较大的数据集（465个体积） | NA | NA | NA | NA |
| 348 | 2024-08-05 |
Multiresolution Application of Artificial Intelligence in Digital Pathology for Prediction of Positive Lymph Nodes From Primary Tumors in Bladder Cancer
2020-04, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.19.00155
PMID:32330067
|
研究论文 | 本研究开发了一种基于人工智能的模型，用于通过数字评估原发肿瘤来识别淋巴结转移的患者 | 采用新颖的人工智能方法应用于数字病理，以预测膀胱癌患者原发肿瘤中的淋巴结阳性情况 | 样本量相对较小，尤其是在内部验证组中 | 研究旨在基于数字病理图像评估原发肿瘤以预测淋巴结转移 | 研究对象为307名膀胱癌患者，包括294名来自TCGA的患者和13名来自本院的患者 | 数字病理学 | 膀胱癌 | 深度学习 | 多变量逻辑回归模型 | 图像 | 307名患者 | NA | NA | NA | NA |
| 349 | 2024-08-05 |
Deep Learning for Automatic Calcium Scoring in CT: Validation Using Multiple Cardiac CT and Chest CT Protocols
2020-04, Radiology
IF:12.1Q1
DOI:10.1148/radiol.2020191621
PMID:32043947
|
研究论文 | 该文章评估了一种深度学习方法在多种CT检查中自动计算钙得分的性能 | 提出了一种能适应不同类型CT检查的深度学习钙得分算法，并通过补充代表性图像来验证其效果 | 未探讨在非常规或其他类型CT协议下的性能表现 | 评估深度学习方法在各种CT检查中的自动钙得分能力 | 7240名接受不同类型非增强CT检查的参与者 | 计算机视觉 | 心血管疾病 | 卷积神经网络 | CNN | 图像 | 7240名参与者 | NA | NA | NA | NA |
| 350 | 2024-08-05 |
Target identification among known drugs by deep learning from heterogeneous networks
2020-Jan-13, Chemical science
IF:7.6Q1
DOI:10.1039/c9sc04336e
PMID:34123272
|
研究论文 | 本文开发了一种深度学习方法deepDTnet，用于从异构网络中识别已知药物的新靶点和药物再利用。 | deepDTnet在识别已知药物的新分子靶点方面具有高准确性，超过了以往的最新方法。 | 未提及研究的具体限制。 | 研究目的是开发一种有效的药物靶点识别和药物再利用的方法。 | 研究对象为732种FDA批准的小分子药物。 | 机器学习 | NA | 深度学习 | NA | NA | 732种FDA批准的小分子药物 | NA | NA | NA | NA |
| 351 | 2024-08-05 |
Identification of Bacterial Blight Resistant Rice Seeds Using Terahertz Imaging and Hyperspectral Imaging Combined With Convolutional Neural Network
2020, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2020.00821
PMID:32670316
|
研究论文 | 本研究探讨了利用太赫兹成像技术和近红外高光谱成像技术识别抗细菌性褐斑病水稻种子的可行性 | 结合太赫兹成像与卷积神经网络（CNN）的方法在准确性上超过了传统的近红外高光谱成像 | 未提到具体的样本种类与数量，因此对结果的普遍性需进一步验证 | 快速识别出抗细菌性褐斑病的水稻种子 | 抗细菌性褐斑病水稻种子 | 数字病理学 | NA | 太赫兹成像和近红外高光谱成像 | 卷积神经网络（CNN） | 高光谱图像和光谱数据 | NA | NA | NA | NA | NA |
| 352 | 2024-08-05 |
Accelerated training of bootstrap aggregation-based deep information extraction systems from cancer pathology reports
2020-10, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2020.103564
PMID:32919043
|
研究论文 | 本研究探讨了通过数据划分和模型集成加速癌症病理报告的深度信息提取系统的训练 | 提出将大问题划分为多个子问题，并通过模型集成提高任务性能和加速训练 | 数据划分依赖于主要癌症部位，因此准确性受分区决定的影响，需要进一步调查和改进 | 提高癌症病理报告中的信息提取性能和训练速度 | 电子癌症病理报告中的自由文本数据 | 机器学习 | 癌症 | 深度学习，模型集成 | 多任务卷积神经网络 (MT-CNN)，多任务层次卷积注意力网络 (MT-HCAN) | 文本 | 训练案例重新采样2000次，生成了多达40000个模型 | NA | NA | NA | NA |
| 353 | 2024-08-05 |
Deep Parametric Mixtures for Modeling the Functional Connectome
2020-Oct, PRedictive Intelligence in MEdicine. PRIME (Workshop)
DOI:10.1007/978-3-030-59354-4_13
PMID:33163995
|
研究论文 | 本文介绍了一种深度学习模型，用于基于因子值预测功能连接组，以更好地理解各种因素对大脑功能的影响 | 该研究提出的模型能够克服传统方法在处理连续因子时所带来的不一致性问题，通过定义在相关矩阵上的单纯形，确保生成合理的连接组 | 该研究的局限性在于其模型的应用仅限于休息态fMRI数据，未探讨其他类型的数据或其他因子的影响 | 研究旨在通过建模功能连接组，深入理解不同因素对大脑功能的影响 | 研究对象为281名参与者的休息态fMRI扫描数据，以研究性别、酒精和HIV对大脑功能的影响 | 计算机视觉 | NA | 深度学习 | NA | fMRI扫描 | 281名参与者 | NA | NA | NA | NA |
| 354 | 2024-08-05 |
Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes
2020-Oct, Shape in Medical Imaging : International Workshop, ShapeMI 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4, 2020, Proceedings
DOI:10.1007/978-3-030-61056-2_8
PMID:33283214
|
研究论文 | 该论文提出了一种基于网格的技术，以帮助分类阿尔茨海默病痴呆（ADD） | 创新点在于提出了一种残差学习框架的图卷积网络，显著减少了可学习参数，并提供了网络的可视化解释 | 该研究未提及样本量限制或数据来源的多样性问题 | 研究旨在通过分析大脑形状，改善阿尔茨海默病痴呆的分类 | 研究对象为大脑皮层和皮层下结构的网格表示 | 计算机视觉 | 阿尔茨海默病 | 图卷积网络 | 残差学习框架 | 图形数据 | 在25次试验的蒙特卡洛交叉验证中确认模型性能 | NA | NA | NA | NA |
| 355 | 2024-08-05 |
6-MONTH INFANT BRAIN MRI SEGMENTATION GUIDED BY 24-MONTH DATA USING CYCLE-CONSISTENT ADVERSARIAL NETWORKS
2020-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi45749.2020.9098515
PMID:34422223
|
研究论文 | 本文提出了一种利用24个月龄数据引导6个月龄婴儿脑MRI分割的方法 | 引入3D-cycleGAN-Seg架构，以在不同年龄段脑图像之间转移特征，用于提高6个月龄图像的分割精度 | 数据集主要依赖于24个月龄的高对比度图像，如何生成高质量的合成图像仍有待进一步验证 | 探讨如何通过高对比度的图像指导低对比度婴儿脑MRI的分割 | 6个月龄和24个月龄的婴儿脑MRI图像 | 计算机视觉 | NA | CycleGAN | 3D-cycleGAN-Seg | 图像 | 使用的样本数量NA | NA | NA | NA | NA |
| 356 | 2024-08-05 |
Automatic labeling of respiratory phases and detection of abnormal respiratory signals in free-breathing thoracic dynamic MR image acquisitions based on deep learning
2020-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2549983
PMID:33060886
|
研究论文 | 本文提出了基于深度学习的框架，自动标记呼吸阶段并检测异常呼吸信号。 | 创新点在于将卷积神经网络（CNN）和长短期记忆网络（LSTM）结合用于处理3D动态磁共振成像的呼吸相位识别和异常信号检测。 | 研究主要集中在动态磁共振成像上，方法的普适性和适应性仍需进一步验证。 | 旨在改善4D胸部图像构建过程中的呼吸相位识别和异常信号检测。 | 研究对象为接受动态磁共振成像的患者，主要分析其呼吸图像序列。 | 计算机视觉 | 胸部不足症候群 | 动态磁共振成像（dMRI） | 卷积神经网络（CNN）和长短期记忆网络（LSTM） | 图像 | 每位患者约3000个切片 | NA | NA | NA | NA |
| 357 | 2024-08-05 |
Deep Magnetic Resonance Image Reconstruction: Inverse Problems Meet Neural Networks
2020-Jan, IEEE signal processing magazine
IF:9.4Q1
DOI:10.1109/MSP.2019.2950557
PMID:33746470
|
研究论文 | 本文概述了基于深度学习的MRI图像重建方法 | 探讨了基于深度学习的图像重建方法在快速MRI中的应用潜力 | 未具体涉及不同算法的比较和实际应用案例 | 旨在提高快速MRI图像重建的效率 | 讨论两种类型的基于深度学习的重建方法 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 358 | 2024-08-05 |
Internal-transfer Weighting of Multi-task Learning for Lung Cancer Detection
2020, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2548755
PMID:34040274
|
研究论文 | 本文提出了一种内部转移加权的多任务学习方法用于肺癌检测 | 介绍了一种新的学习策略Periodic Focusing Learning Policy（PFLP）和内部转移加权策略（ITW），以优化多任务网络的训练 | 对于无法收敛的多任务基线网络，需要进一步研究改进方法 | 提高肺癌预测的准确性 | 3386名患者的CT扫描数据，涉及多种呼吸系统疾病的辅助任务 | 数字病理学 | 肺癌 | 深度学习 | 3D注意力网络 | 图像 | 3386个CT扫描（每名患者一个扫描） | NA | NA | NA | NA |
| 359 | 2024-08-07 |
Evaluation of Deep Learning to Augment Image-Guided Radiotherapy for Head and Neck and Prostate Cancers
2020-11-02, JAMA network open
IF:10.5Q1
|
研究论文 | 本研究评估了深度学习技术在头颈和前列腺癌症图像引导放射治疗中的应用，旨在探索临床可接受的自动轮廓解决方案。 | 本研究开发了能够减少手动轮廓时间并保持与专家间变异性相当的临床准确性的模型。 | NA | 探索并实现临床可接受的自动轮廓解决方案，以优化放射治疗计划。 | 头颈和前列腺癌症患者的CT扫描图像。 | 机器学习 | 头颈癌, 前列腺癌 | 深度学习 | NA | 图像 | 519例前列腺癌患者和242例头颈癌患者的CT扫描图像。 | NA | NA | NA | NA |
| 360 | 2024-08-07 |
Deep Neural Network for Scleral Spur Detection in Anterior Segment OCT Images: The Chinese American Eye Study
2020-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.9.2.18
PMID:32818079
|
研究论文 | 开发一种深度神经网络用于检测前段光学相干断层扫描（AS-OCT）图像中的巩膜突 | 使用基于ResNet-18架构的卷积神经网络（CNN）自动检测巩膜突，其性能与人类专家相当 | NA | 开发一种能够检测AS-OCT图像中巩膜突的深度神经网络 | AS-OCT图像中的巩膜突 | 计算机视觉 | NA | 光学相干断层扫描（AS-OCT） | 卷积神经网络（CNN） | 图像 | 训练数据集包含17,704张图像，测试数据集包含921张图像 | NA | NA | NA | NA |