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 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2024-08-26 |
Improving detection of prostate cancer foci via information fusion of MRI and temporal enhanced ultrasound
2020-Jul, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-020-02172-5
PMID:32372384
|
研究论文 | 本文研究了通过融合MRI和时间增强超声（TeUS）信息来提高前列腺癌焦点检测的方法 | 首次在大规模研究中深入探索了MRI和超声信息的定量融合 | NA | 提高前列腺癌焦点在活检中的定位精度 | 前列腺癌焦点检测 | 数字病理学 | 前列腺癌 | 时间增强超声（TeUS） | 全卷积网络（FCN） | 图像 | 107名患者，145个活检核心 |
| 82 | 2024-08-26 |
Co-registration of pre- and post-stent intravascular OCT images for validation of finite element model simulation of stent expansion
2020-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2550212
PMID:35291699
|
研究论文 | 本文通过深度学习技术对支架植入前后的血管内光学相干断层扫描（IVOCT）图像进行分割和配准，以验证有限元模型（FEM）对支架扩张后管腔增益的预测 | 开发了一种基于深度学习的平台，用于评估FEM对支架扩张后管腔增益的预测，并通过实际数据验证了其准确性 | NA | 验证有限元模型对支架扩张后管腔增益的预测准确性 | 支架植入前后的IVOCT图像以及有限元模型预测结果 | 数字病理学 | 心血管疾病 | 深度学习 | 有限元模型（FEM） | 图像 | 约200对支架植入前后的IVOCT图像 |
| 83 | 2024-08-25 |
VOTENET+ : AN IMPROVED DEEP LEARNING LABEL FUSION METHOD FOR MULTI-ATLAS SEGMENTATION
2020-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi45749.2020.9098493
PMID:35261721
|
研究论文 | 本文通过将VoteNet模型与联合标签融合（JLF）方法结合，改进了多图谱分割（MAS）的性能 | 提出了一种改进的深度网络VoteNet+，用于局部预测图谱标签与目标图像标签不同的概率，并证明了JLF比多数投票更适合作为VoteNet框架的标签融合方法 | NA | 提高多图谱分割的性能 | 3D MR脑部图像的分割 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | LPBA40数据集 |
| 84 | 2024-08-24 |
A Deep Learning Prognosis Model Help Alert for COVID-19 Patients at High-Risk of Death: A Multi-Center Study
2020-12, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2020.3034296
PMID:33108303
|
研究论文 | 本文开发了一种3D密集连接卷积神经网络（De-COVID19-Net），用于预测COVID-19患者的高风险或低风险组别，结合CT和临床信息 | De-COVID19-Net模型在训练集和测试集上均表现出高准确性，AUC值分别为0.952和0.943 | NA | 开发一种预测工具，用于识别高风险COVID-19患者并辅助制定治疗计划 | 366名严重或危重的COVID-19患者 | 机器学习 | COVID-19 | 3D密集连接卷积神经网络 | CNN | CT图像和临床信息 | 366名患者，包括70名高风险患者和296名低风险患者 |
| 85 | 2024-08-24 |
Hybrid-COVID: a novel hybrid 2D/3D CNN based on cross-domain adaptation approach for COVID-19 screening from chest X-ray images
2020-Dec, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-020-00957-1
PMID:33301073
|
研究论文 | 本研究开发了一种基于迁移学习的混合2D/3D CNN架构，用于通过胸部X光图像进行COVID-19筛查 | 提出了一种结合预训练深度模型（VGG16）和浅层3D CNN的混合2D/3D CNN架构，通过深度可分离卷积层和空间金字塔池化模块（SPP）来减少计算负担并提取多层次特征 | NA | 开发一种高效的COVID-19筛查方法，以帮助早期识别COVID-19感染 | COVID-19、肺炎和正常状态的胸部X光图像 | 计算机视觉 | COVID-19 | 深度学习算法 | 混合2D/3D CNN | 图像 | 收集的数据集包含3个类别：COVID-19、肺炎和正常状态 |
| 86 | 2024-08-24 |
A Systematic Review on the Use of AI and ML for Fighting the COVID-19 Pandemic
2020-Dec, IEEE transactions on artificial intelligence
DOI:10.1109/TAI.2021.3062771
PMID:35784006
|
综述 | 本文总结了基于AI和ML对抗COVID-19大流行的近期研究 | 本文识别了六个未来研究机会，并总结了七个未来研究方向 | NA | 总结AI和ML在对抗COVID-19中的应用，并识别未来研究方向 | COVID-19大流行及其相关研究 | 机器学习 | COVID-19 | 深度学习 | CNN | 图像 | 从634篇文章中筛选出49篇 |
| 87 | 2024-08-23 |
Trust in Robots: Challenges and Opportunities
2020, Current robotics reports
DOI:10.1007/s43154-020-00029-y
PMID:34977590
|
研究论文 | 评估当前机器人信任研究的状态，并探讨近期方法学进展是否有助于开发可信赖的机器人 | 近期研究转向开发机器人主动获取、校准和维持用户信任的策略，特别是通过赋予机器人推理能力（如通过概率建模） | 在实际人机交互环境中，信任度量、机器人行为的保证（如用户隐私）以及处理多维数据方面仍存在挑战 | 探讨如何利用心理学、可信系统、机器人伦理和深度学习等领域的最新进展来解决这些挑战，以创造真正自主、可信赖的社会机器人 | 机器人信任研究及其在实际应用中的挑战 | NA | NA | 概率建模 | NA | 多维数据 | NA |
| 88 | 2024-08-22 |
Image quality improvement of single-shot turbo spin-echo magnetic resonance imaging of female pelvis using a convolutional neural network
2020-Nov-20, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000023138
PMID:33217817
|
研究论文 | 开发了一种基于深度学习的方法，用于提高单次激发涡轮自旋回波（SSTSE）磁共振成像的女性盆腔图像质量 | 使用卷积神经网络（CNN）生成的DL-SSTSE图像在图像质量上显著优于传统的SSTSE图像，并且在运动伪影鲁棒性和采集时间效率方面保持了SSTSE成像的优势 | NA | 比较基于深度学习的单次激发涡轮自旋回波（DL-SSTSE）图像与涡轮自旋回波（TSE）和传统SSTSE图像在图像质量上的差异 | 女性盆腔的SSTSE磁共振成像图像 | 计算机视觉 | NA | 磁共振成像（MRI） | 卷积神经网络（CNN） | 图像 | 105个训练样本和21个测试样本 |
| 89 | 2024-08-22 |
Deep learning COVID-19 detection bias: accuracy through artificial intelligence
2020-08, International orthopaedics
IF:2.0Q2
DOI:10.1007/s00264-020-04609-7
PMID:32462314
|
研究论文 | 本文开发了一种深度学习模型，通过胸部X光扫描提高COVID-19病例报告的准确性并精确预测疾病 | 采用卷积神经网络（CNN）和迁移学习方法，自动识别患者胸部X光片中的结构异常，提高检测准确性 | NA | 提高COVID-19病例检测的准确性 | COVID-19病例的胸部X光扫描 | 机器学习 | COVID-19 | 卷积神经网络（CNN） | CNN | 图像 | 使用来自不同国家的患者公共数据集，包括74个真阴性和32个真阳性病例 |
| 90 | 2024-08-22 |
Predicting commercially available antiviral drugs that may act on the novel coronavirus (SARS-CoV-2) through a drug-target interaction deep learning model
2020, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2020.03.025
PMID:32280433
|
研究论文 | 本研究利用预训练的基于深度学习的药物-靶点相互作用模型MT-DTI，识别可能作用于SARS-CoV-2病毒蛋白的商业可用抗病毒药物 | 使用MT-DTI模型预测商业可用药物对SARS-CoV-2的潜在作用，为缺乏有效治疗选项的SARS-CoV-2提供新的治疗策略 | NA | 识别可能对SARS-CoV-2有效的商业可用抗病毒药物 | SARS-CoV-2病毒蛋白及其潜在的抗病毒药物 | 机器学习 | NA | 深度学习 | Molecule Transformer-Drug Target Interaction (MT-DTI) | 药物-靶点相互作用数据 | 多种抗病毒药物及其对SARS-CoV-2蛋白酶的抑制活性 |
| 91 | 2024-08-20 |
Deep learning links histology, molecular signatures and prognosis in cancer
2020-08, Nature cancer
IF:23.5Q1
DOI:10.1038/s43018-020-0099-2
PMID:35122048
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 92 | 2024-08-20 |
The ENIGMA-Epilepsy working group: Mapping disease from large data sets
2020-May-29, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.25037
PMID:32468614
|
review | 本文综述了ENIGMA-Epilepsy工作组通过大规模数据集映射癫痫疾病的研究项目，包括结构MRI、扩散张量成像（DTI）和静息态功能MRI（rsfMRI）等技术，以及采用的先进方法如结构协变和事件驱动模型分析 | ENIGMA-Epilepsy工作组通过增加样本量、借鉴其他ENIGMA项目的方法和理念，以及建立合作科学家和临床医生的团队，加强了癫痫神经科学的研究 | NA | 加强癫痫神经科学研究，推动稳健的科研进展 | 癫痫疾病的脑部过程和病理生理学 | 数字病理学 | 癫痫 | MRI, DTI, rsfMRI | 结构协变模型, 事件驱动模型 | 影像数据 | 大规模样本 |
| 93 | 2024-08-19 |
Development of pathological reconstructed high-resolution images using artificial intelligence based on whole slide image
2020-Dec, MedComm
IF:10.7Q1
DOI:10.1002/mco2.39
PMID:34766132
|
研究论文 | 本文提出了一种基于深度学习的高分辨率病理图像重建方法，能够将20倍全切片图像转换为40倍图像，同时保持整体和局部特征 | 开发了一种新的高分辨率图像重建流程，通过深度学习技术实现20倍全切片图像到40倍图像的无损转换 | NA | 提高数字病理学的普及性，通过减少存储空间和传输时间的需求 | 子宫平滑肌肉瘤和成人颗粒细胞瘤的全切片图像数据 | 数字病理学 | 肿瘤 | 深度学习 | 深度学习模型 | 图像 | 100例子宫平滑肌肉瘤和100例成人颗粒细胞瘤的全切片图像 |
| 94 | 2024-08-18 |
Quantifying the Association Between Psychotherapy Content and Clinical Outcomes Using Deep Learning
2020-01-01, JAMA psychiatry
IF:22.5Q1
DOI:10.1001/jamapsychiatry.2019.2664
PMID:31436785
|
研究论文 | 本文利用深度学习模型分析大规模认知行为疗法（CBT）会话记录数据集，量化治疗内容与临床结果之间的关联。 | 首次应用深度学习技术于心理治疗领域，通过分析治疗师的话语内容来量化治疗效果。 | 研究仅限于特定的CBT治疗协议和特定的数据集，可能限制了结果的普遍性。 | 探索心理治疗内容与临床结果之间的量化关系，并利用深度学习技术提供新的治疗见解。 | 研究对象为接受互联网CBT治疗的心理健康障碍患者。 | 机器学习 | 心理健康障碍 | 深度学习 | 深度学习模型 | 文本 | 17,572名患者（90,934份治疗会话记录） |
| 95 | 2024-08-11 |
Validation and Optimization of Multi-Organ Segmentation on Clinical Imaging Archives
2020, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2549035
PMID:34040277
|
研究论文 | 本文验证并优化了基于临床影像档案的多器官分割方法 | 采用了改进的3D U-Net模型，并通过手动修正标签重新训练模型，提高了分割性能 | 在真实世界中，由于患者腹部生理的广泛变异性，分割可能具有挑战性 | 旨在提高多器官腹部CT分割的准确性，以便临床应用 | 腹部CT影像中的多器官分割 | 计算机视觉 | NA | CT | 3D U-Net | 影像 | 476名脾脏异常患者（队列A）和1754名无脾脏异常患者（队列B） |
| 96 | 2024-08-10 |
Using supervised machine learning classifiers to estimate likelihood of participating in clinical trials of a de-identified version of ResearchMatch
2020-Sep-04, Journal of clinical and translational science
IF:2.1Q3
DOI:10.1017/cts.2020.535
PMID:33948264
|
研究论文 | 本文利用监督机器学习分类器和深度学习方法分析ResearchMatch数据库，以发现更有可能参与临床试验的个体特征 | 使用深度学习模型（CNN）和六种监督机器学习分类器来预测个体参与临床试验的兴趣 | NA | 探索影响个体参与临床试验的因素 | ResearchMatch数据库中的个体特征 | 机器学习 | NA | 监督机器学习 | CNN | 数据 | 841,377个实例，20个特征 |
| 97 | 2024-08-09 |
De novo prediction of cancer-associated T cell receptors for noninvasive cancer detection
2020-08-19, Science translational medicine
IF:15.8Q1
DOI:10.1126/scitranslmed.aaz3738
PMID:32817363
|
研究论文 | 本文开发了一种名为DeepCAT的深度学习方法，用于从头预测与癌症相关的T细胞受体（TCRs），并验证了其在癌症诊断中的应用 | 首次使用深度学习方法DeepCAT进行癌症相关TCRs的从头预测，为无创癌症检测提供新途径 | NA | 开发一种新的深度学习方法，用于早期癌症的无创检测 | 癌症相关的T细胞受体（TCRs） | 机器学习 | NA | 深度学习 | 深度学习模型 | TCR序列 | 超过250名癌症患者和600名健康个体的血液TCR序列 |
| 98 | 2024-08-09 |
Automatic Hip Fracture Identification and Functional Subclassification with Deep Learning
2020-Mar, Radiology. Artificial intelligence
DOI:10.1148/ryai.2020190023
PMID:33937815
|
研究论文 | 研究使用深度学习自动识别和分类髋部骨折的可行性 | 开发了一种深度学习模型，能够自动识别和分类髋部骨折，其性能达到专家水平，并能辅助提高人类观察者的表现 | NA | 探索使用深度学习自动识别和分类髋部骨折的可行性，以减少诊断错误和缩短手术时间 | 髋部和骨盆X光片 | 计算机视觉 | NA | 深度学习 | Densely Connected Convolutional Neural Network (DenseNet) | 图像 | 1118项研究的髋部和骨盆X光片，3026个髋部被标记 |
| 99 | 2024-08-08 |
Anterior Mediastinal Lesion Segmentation Based on Two-Stage 3D ResUNet With Attention Gates and Lung Segmentation
2020, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2020.618357
PMID:33634027
|
研究论文 | 本文提出了一种基于两阶段3D ResUNet网络结合肺部分割的前纵隔病变分割方法 | 引入了注意力门机制和肺部分割技术，以提高病变分割的准确性 | NA | 提高前纵隔病变在CT图像中的分割准确性，辅助医生诊断 | 前纵隔病变 | 计算机视觉 | 胸部疾病 | 深度学习 | 3D ResUNet | CT图像 | 230名患者 |
| 100 | 2024-08-07 |
Artificial Intelligence, Radiomics, and Deep Learning in Neuro-Oncology
2020-Dec, Neuro-oncology advances
IF:3.7Q2
DOI:10.1093/noajnl/vdaa179
PMID:33521635
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |