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 19 篇文献。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2024-11-21 |
Deep learning based spectral extrapolation for dual-source, dual-energy x-ray computed tomography
2020-Sep, Medical physics
IF:3.2Q1
DOI:10.1002/mp.14324
PMID:32531114
|
研究论文 | 本文提出了一种基于深度学习的双源双能X射线计算机断层扫描（CT）光谱外推方法 | 本文创新性地使用深度学习算法来实现双源双能CT数据的光谱外推，通过学习特征-对比关系来提高外推的准确性 | 本文方法在处理几何简单的幻影数据时性能有所下降，表明其依赖于特征-对比关系来正确推断光谱对比度 | 研究目的是开发一种能够在外推光谱对比度时提高准确性的深度学习算法 | 研究对象是双源双能腹部X射线CT扫描数据 | 计算机视觉 | NA | 深度学习 | 卷积神经网络（CNN） | 图像 | 50例双源双能腹部X射线CT扫描数据 |
| 2 | 2024-10-11 |
Faster RCNN-based detection of cervical spinal cord injury and disc degeneration
2020-Sep, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.13001
PMID:32797664
|
研究论文 | 本研究利用深度神经网络结合Faster R-CNN模型，通过MRI图像检测颈椎脊髓损伤和椎间盘退变 | 首次将Faster R-CNN应用于MRI图像中颈椎疾病的分类和检测 | 研究样本仅限于1500名患者，且数据集划分存在不平衡 | 探索深度学习在MRI图像中颈椎疾病检测的应用 | 颈椎脊髓损伤和椎间盘退变 | 计算机视觉 | 脊髓疾病 | MRI | Faster R-CNN | 图像 | 1500名患者，分为椎间盘组（800例）、损伤组（200例）和正常组（500例） |
| 3 | 2024-10-11 |
Objective assessment of stored blood quality by deep learning
2020-09-01, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2001227117
PMID:32839303
|
研究论文 | 本文展示了使用无标签成像流式细胞术和深度学习来评估储存红细胞损伤的方法 | 本文提出了一种基于深度学习的无标签成像流式细胞术方法，用于客观评估储存红细胞的质量，并展示了其在分类红细胞形态方面的优越性 | 该方法尚未在多个站点、协议和仪器上进行广泛的临床测试 | 开发一种自动化且客观的方法来评估储存红细胞的质量 | 储存红细胞的损伤评估 | 机器学习 | NA | 深度学习 | 神经网络 | 图像 | NA |
| 4 | 2024-10-09 |
Role of intelligent computing in COVID-19 prognosis: A state-of-the-art review
2020-Sep, Chaos, solitons, and fractals
DOI:10.1016/j.chaos.2020.109947
PMID:32836916
|
综述 | 本文综述了机器学习和深度学习方法在COVID-19诊断和预测中的应用 | 比较了机器学习与其他竞争方法（如数学和统计模型）在COVID-19问题上的影响 | NA | 探讨智能计算在COVID-19预后中的作用 | COVID-19的诊断和预测 | 机器学习 | COVID-19 | 机器学习、深度学习 | NA | NA | NA |
| 5 | 2024-10-04 |
Augmenting Interpretation of Chest Radiographs With Deep Learning Probability Maps
2020-Sep, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000505
PMID:32205817
|
研究论文 | 本文探讨了使用深度学习语义分割方法在胸部X光片上突出显示肺炎潜在焦点，以辅助诊断的可行性 | 提出了一种基于语义分割的深度学习方法，用于生成肺炎的概率图，以辅助诊断 | 研究为回顾性研究，使用的是公开数据集，且样本量有限 | 探索深度学习在胸部X光片上辅助诊断肺炎的可行性 | 胸部X光片上的肺炎诊断 | 计算机视觉 | 肺部疾病 | 卷积神经网络 (CNN) | U-net | 图像 | 22,000张胸部X光片，其中3684张用于独立验证 |
| 6 | 2024-10-04 |
NuSeT: A deep learning tool for reliably separating and analyzing crowded cells
2020-09, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1008193
PMID:32925919
|
研究论文 | 本文介绍了一种基于深度学习的细胞核分割工具NuSeT，用于在显微镜图像中准确分割拥挤的细胞核 | NuSeT结合了U-Net和区域提议网络（RPN），并通过分水岭步骤进一步优化，显著提高了在复杂2D和3D图像中检测和描绘细胞核边界的能力 | NA | 开发一种能够准确分割拥挤细胞核的深度学习工具 | 显微镜图像中的细胞核 | 计算机视觉 | NA | 深度学习 | U-Net和区域提议网络（RPN） | 图像 | 多种类型的荧光成像数据 |
| 7 | 2024-09-14 |
Cone-beam CT-derived relative stopping power map generation via deep learning for proton radiotherapy
2020-Sep, Medical physics
IF:3.2Q1
DOI:10.1002/mp.14347
PMID:32579710
|
研究论文 | 本文提出了一种基于深度学习的方法，用于从锥形束CT图像中生成相对停止功率图，以实现质子放射治疗中的在线剂量计算 | 本文创新性地使用基于cycle-GAN架构的深度学习网络，通过设计复合损失函数来生成高质量的相对停止功率图，从而实现在线剂量计算 | 本文仅在23名头颈部癌症患者中进行了验证，未来需要在更多患者和不同类型的癌症中进行进一步验证 | 旨在提高质子放射治疗中剂量分布的准确性，减少对正常组织的过度照射 | 头颈部癌症患者 | 计算机视觉 | 头颈部癌症 | 深度学习 | cycle-GAN | 图像 | 23名头颈部癌症患者 |
| 8 | 2024-09-11 |
Automated Quality Assessment and Image Selection of Ultra-Widefield Fluorescein Angiography Images through Deep Learning
2020-09, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.9.2.52
PMID:32995069
|
研究论文 | 本研究评估了使用深度学习自动分类和选择超广角荧光血管造影图像质量的可行性 | 开发了一种基于深度学习的自动图像质量评估系统，能够对超广角荧光血管造影图像进行分类和选择 | NA | 评估自动图像质量分类和选择系统的可行性 | 超广角荧光血管造影图像 | 计算机视觉 | NA | 深度学习 | 分类模型 | 图像 | 训练集包含3543张图像，测试集包含392张随机选择的图像和100张独立平衡的图像 |
| 9 | 2024-09-05 |
Improving Diagnostic Accuracy in Low-Dose SPECT Myocardial Perfusion Imaging With Convolutional Denoising Networks
2020-09, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2020.2979940
PMID:32167887
|
研究论文 | 本研究探讨了深度学习方法在低剂量SPECT心肌灌注成像中减少图像噪声并提高诊断准确性的潜力 | 提出了一种深度学习方法，能够在低剂量SPECT-MPI中实现显著的噪声减少，并提高诊断准确性 | NA | 研究深度学习在低剂量SPECT心肌灌注成像中的应用，以提高诊断准确性 | 低剂量SPECT心肌灌注成像的图像噪声和诊断准确性 | 计算机视觉 | 心血管疾病 | 深度学习 | 卷积去噪网络 | 图像 | 1,052名受试者 |
| 10 | 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 |
| 11 | 2024-08-07 |
Optical techniques, computed tomography and deep learning role in the diagnosis of COVID-19 pandemic towards increasing the survival rate of vulnerable populations
2020-09, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2020.101880
PMID:32562732
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12 | 2024-08-06 |
Using deep learning to predict beam-tunable Pareto optimal dose distribution for intensity-modulated radiation therapy
2020-Sep, Medical physics
IF:3.2Q1
DOI:10.1002/mp.14374
PMID:32621789
|
研究论文 | 本文提出了一种深度学习模型，可以预测针对不同束角的前列腺强度调制放射治疗的帕累托最优剂量分布 | 首次研究了针对可变束数和方向的强度调制放射治疗(IMRT)前列腺计划的帕累托最优剂量预测 | 尚未讨论模型在临床工作中的长期验证和应用 | 研究深度学习在强度调制放射治疗中的剂量分布预测能力 | 70名前列腺癌患者的放射治疗计划 | 数字病理学 | 前列腺癌 | 深度学习 | 深度神经网络 | 剂量分布数据 | 70名患者，共生成35,000个计划 |
| 13 | 2024-08-07 |
LncMirNet: Predicting LncRNA-miRNA Interaction Based on Deep Learning of Ribonucleic Acid Sequences
2020-Sep-23, Molecules (Basel, Switzerland)
DOI:10.3390/molecules25194372
PMID:32977679
|
研究论文 | 本文提出了一种基于深度卷积神经网络的混合序列特征模型LncMirNet，用于预测长链非编码RNA（lncRNA）与微小RNA（miRNA）的相互作用 | LncMirNet通过引入四种基于序列的特征（k-mer、CTD、doc2vec和图嵌入特征）并采用直方图融合方法，提高了预测lncRNA-miRNA相互作用的准确性和AUC值 | NA | 预测lncRNA与miRNA之间的相互作用，以帮助探索新的调控模式 | lncRNA与miRNA的相互作用 | 机器学习 | NA | 深度卷积神经网络（CNN） | CNN | 序列 | 使用来自lncRNASNP2的真实数据集进行五折交叉验证 |
| 14 | 2024-08-07 |
Unveiling COVID-19 from CHEST X-Ray with Deep Learning: A Hurdles Race with Small Data
2020-09-22, International journal of environmental research and public health
DOI:10.3390/ijerph17186933
PMID:32971995
|
研究论文 | 本研究探讨了使用深度学习技术从胸部X光片中筛查COVID-19患者的可行性，并分析了小数据集带来的挑战 | 研究提供了关于使用深度学习进行COVID-19分类的CXR图像的方法论指南和统计结果的批判性阅读，并展示了使用较大公共非COVID CXR数据集进行迁移学习引入的偏差 | 研究受限于当前COVID-19数据集的小规模 | 验证使用CXR图像有效区分COVID-19的可能性 | COVID-19患者的胸部X光片 | 计算机视觉 | COVID-19 | 深度学习 | NA | 图像 | 中等规模的COVID-19 CXR数据集，由意大利北部一家主要急诊医院在COVID-19疫情高峰期间收集 |
| 15 | 2024-08-07 |
Application of deep learning for fast detection of COVID-19 in X-Rays using nCOVnet
2020-Sep, Chaos, solitons, and fractals
DOI:10.1016/j.chaos.2020.109944
PMID:32536759
|
研究论文 | 本文提出了一种基于深度学习神经网络的方法nCOVnet，用于通过分析患者的X射线图像快速检测COVID-19 | 提出了一种基于深度学习神经网络的快速筛查方法nCOVnet，用于自动分析X射线图像以检测COVID-19 | NA | 开发一种快速筛查方法以帮助在COVID-19大流行期间进行有效的检测 | COVID-19患者的X射线图像 | 计算机视觉 | COVID-19 | 深度学习 | 神经网络 | 图像 | NA |
| 16 | 2024-08-07 |
Artificial Intelligence and Health in Nepal
2020-Sep, Nepal journal of epidemiology
IF:1.7Q3
DOI:10.3126/nje.v10i3.31649
PMID:33042595
|
短通讯 | 本文概述了人工智能、机器学习、深度学习和大数据等关键术语，并强调了人工智能在健康领域的应用对低收入国家如尼泊尔的重要性 | 强调尼泊尔需要培养本地的人工智能专家，并投资于本地资源，以开发适合国家或南亚地区的解决方案 | NA | 探讨人工智能在尼泊尔健康领域的应用潜力，并强调尼泊尔教育和卫生系统需要跟踪这些发展并本地化应用 | 人工智能在健康领域的应用及其对尼泊尔的影响 | 人工智能 | NA | 人工智能 | NA | 大数据 | NA |
| 17 | 2024-08-07 |
High expression of MKK3 is associated with worse clinical outcomes in African American breast cancer patients
2020-09-01, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-020-02502-w
PMID:32873298
|
研究论文 | 本研究通过系统分析基因mRNA表达与临床结果的关系，探讨了非洲裔美国乳腺癌患者的生存差异分子基础，并确定了MKK3基因的高表达与更差的临床结果相关。 | 本研究首次确定了MKK3基因在非洲裔美国乳腺癌患者中的高表达与生存率下降的强相关性，并提出了MKK3-MYC蛋白相互作用作为减少乳腺癌生存种族差异的新治疗靶点。 | 本研究仅基于TCGA数据库中的乳腺癌患者样本，可能存在样本代表性不足的问题。 | 探讨非洲裔美国乳腺癌患者的生存差异分子基础，并寻找新的治疗靶点。 | 非洲裔美国乳腺癌患者及其基因表达与临床结果的关系。 | 数字病理学 | 乳腺癌 | 全卷积深度学习模型 | CNN | 图像 | 1055个乳腺癌样本 |
| 18 | 2024-08-07 |
Coronavirus Disease 2019 Deep Learning Models: Methodologic Considerations
2020-09, Radiology
IF:12.1Q1
DOI:10.1148/radiol.2020201178
PMID:32243239
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 19 | 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 |