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 24 篇文献，本页显示第 21 - 24 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 | 2024-08-07 |
Deep learning approach for diabetes prediction using PIMA Indian dataset
2020-Jun, Journal of diabetes and metabolic disorders
IF:1.8Q4
DOI:10.1007/s40200-020-00520-5
PMID:32550190
|
研究论文 | 本文利用PIMA印度数据集，通过深度学习方法预测糖尿病 | 使用深度学习技术在PIMA数据集上实现了高达98.07%的预测准确率 | 研究仅使用了PIMA数据集，未涉及其他数据集或更广泛的数据类型 | 开发一种有效的预测工具，帮助医生早期发现糖尿病并推荐生活方式改变 | 糖尿病的早期检测和预防 | 机器学习 | 糖尿病 | 深度学习 | 深度学习 | 数据集 | PIMA数据集 | NA | NA | NA | NA |
| 22 | 2024-08-07 |
Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks
2020-06, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2020.103795
PMID:32568676
|
研究论文 | 本研究利用深度学习技术，通过10种卷积神经网络对CT图像进行分析，以快速诊断COVID-19并辅助临床管理 | 使用10种不同的卷积神经网络模型，特别是ResNet-101和Xception，显著提高了COVID-19的诊断准确性 | 研究仅限于CT图像分析，未涉及其他诊断方法的比较 | 开发一种快速有效的COVID-19诊断方法，以辅助高负荷条件下的临床管理 | COVID-19患者和其他非COVID-19肺炎患者的CT图像 | 计算机视觉 | COVID-19 | 深度学习 | 卷积神经网络 | 图像 | 1020张CT切片，包括108名COVID-19患者和86名其他肺炎患者 | NA | NA | NA | NA |
| 23 | 2024-08-07 |
Prediction of bone mineral density from computed tomography: application of deep learning with a convolutional neural network
2020-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-06677-0
PMID:32060712
|
研究论文 | 研究使用深度学习模型从无增强的腹部CT图像预测腰椎骨密度 | 通过深度学习技术，可以从无增强的腹部CT图像中估计腰椎的骨密度 | NA | 探讨深度学习模型是否能从无增强的腹部CT图像预测腰椎的骨密度 | 腰椎的骨密度 | 机器学习 | NA | CT | CNN | 图像 | 183名患者，共1665张CT图像，增强后为99,900张图像 | NA | NA | NA | NA |
| 24 | 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） | NA | NA | NA | NA |