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 25 篇文献，本页显示第 21 - 25 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 | 2024-08-26 |
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 | NA | NA | NA | NA |
| 22 | 2024-08-07 |
Artificial Intelligence in Dentistry: Chances and Challenges
2020-07, Journal of dental research
IF:5.7Q1
DOI:10.1177/0022034520915714
PMID:32315260
|
综述 | 本文综述了人工智能在牙科诊断、治疗规划和执行中的应用、局限性和未来潜力 | 探讨了人工智能在牙科领域的应用如何简化护理流程，减轻牙科工作者的日常劳动，提高健康水平并降低成本 | 当前人工智能解决方案在牙科常规实践中应用有限，主要原因包括数据可用性、结构和全面性的限制，方法学严谨性和标准的缺乏，以及实际应用中的价值和有用性问题 | 探讨人工智能在牙科领域的应用及其未来发展 | 牙科诊断、治疗规划、执行以及牙科研究和发现 | 机器学习 | NA | 深度学习 | 多层数学操作 | 图像 | NA | NA | NA | NA | NA |
| 23 | 2024-08-07 |
DoseGAN: a generative adversarial network for synthetic dose prediction using attention-gated discrimination and generation
2020-07-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-020-68062-7
PMID:32632116
|
研究论文 | 本文提出了一种基于注意力门控生成对抗网络（DoseGAN）的合成剂量预测方法，以提高治疗计划效率和放疗计划质量 | DoseGAN通过注意力门控机制聚焦于相关解剖结构，提高了学习效率，增加了模型复杂性，并减少了网络冗余 | NA | 开发一种新的深度学习算法，用于预测放射剂量，以提高治疗计划效率和放疗计划质量 | 前列腺SBRT患者的放射剂量预测 | 机器学习 | 前列腺癌 | 生成对抗网络（GAN） | GAN | 图像 | 141名前列腺SBRT患者 | NA | NA | NA | NA |
| 24 | 2024-08-07 |
Learning context-aware structural representations to predict antigen and antibody binding interfaces
2020-07-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaa263
PMID:32321157
|
研究论文 | 本文开发了一个统一的深度学习框架，用于预测抗体和抗原的结合界面 | 该框架结合了图卷积、注意力机制和迁移学习，以提高预测准确性和提供生物学解释 | NA | 理解抗体与其抗原的特异性相互作用，以改进药物和疫苗设计 | 抗体和抗原的结合界面 | 机器学习 | NA | 深度学习 | 图卷积网络、注意力机制 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 25 | 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 |