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 26 篇文献，本页显示第 21 - 26 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 |
AI for radiographic COVID-19 detection selects shortcuts over signal
2020-Oct-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2020.09.13.20193565
PMID:32995822
|
研究论文 | 本文通过可解释的人工智能技术，揭示了用于检测胸部X光片中COVID-19的深度学习系统依赖于混杂因素而非医学病理特征的问题 | 首次展示了AI系统在检测COVID-19时可能依赖于非医学相关的“捷径”而非真正的病理特征 | 揭示了AI系统在不同医院环境下的性能下降问题，表明现有评估方法不足以确保AI系统依赖于医学相关的病理特征 | 探讨AI在医学影像中检测COVID-19的准确性和鲁棒性 | 用于检测COVID-19的AI系统及其在不同环境下的表现 | 计算机视觉 | COVID-19 | 可解释的人工智能 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 22 | 2024-08-07 |
Automatic detection of pulmonary nodules on CT images with YOLOv3: development and evaluation using simulated and patient data
2020-Oct, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-19-883
PMID:33014725
|
研究论文 | 本文开发并评估了一种基于YOLOv3卷积神经网络的高效肺结节计算机辅助检测方法，用于CT图像中肺结节的定位和直径估计 | 该方法采用了YOLOv3算法，具有自动多尺度特征提取器和基于特征的边界框生成器，用于肺结节的特征筛选、定位和直径估计 | NA | 开发一种高效的肺结节计算机辅助检测方法，用于CT图像中肺结节的定位和直径估计 | 肺结节在CT图像中的定位和直径估计 | 计算机视觉 | 肺部疾病 | YOLOv3 | CNN | 图像 | 模拟研究中使用了300个CT扫描，患者研究中使用了888个CT图像 | NA | NA | NA | NA |
| 23 | 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 |
| 24 | 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 |
| 25 | 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 |
| 26 | 2024-08-07 |
FastSurfer - A fast and accurate deep learning based neuroimaging pipeline
2020-10-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2020.117012
PMID:32526386
|
研究论文 | 本文提出了一种快速且准确的基于深度学习的大脑神经影像处理流程FastSurfer，用于自动化处理人脑结构MRI扫描，复制FreeSurfer的解剖学分割包括表面重建和皮质分区 | 引入了一种先进的深度学习架构，能够进行全脑95类分割，并采用了竞争密集块和竞争跳跃路径以及多切片信息聚合技术，专门针对皮质和皮质下结构的精确分割进行优化 | NA | 开发一种快速且准确的深度学习基础的神经影像处理流程，以适应大规模队列研究的需求 | 人脑结构MRI扫描的自动化处理 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 数千或数万个体 | NA | NA | NA | NA |