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 175 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 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2024-09-01 |
Shedding Light on the Black Box: Explaining Deep Neural Network Prediction of Clinical Outcomes
2021-Jan-04, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-020-01701-8
PMID:33404886
|
研究论文 | 本研究开发了一种深度神经网络模型，用于预测心血管手术后的临床结果，并引入了一种新的解释方法，通过定义影响分数来关联临床观察与结果 | 本研究引入了影响分数这一新解释方法，有助于揭示深度神经网络模型的预测机制 | 影响分数与逻辑回归模型的对数优势比之间的相关性仅为中等，可能限制了其解释的准确性 | 旨在解释深度神经网络模型在临床结果预测中的应用，并提高其可解释性 | 心血管手术后的临床结果 | 机器学习 | 心血管疾病 | 深度神经网络 | 深度神经网络模型 | 图像 | 使用过往病史的时间图像表示作为输入，具体样本数量未提及 | NA | NA | NA | NA |
| 82 | 2024-08-31 |
Automatic Screening of COVID-19 Using an Optimized Generative Adversarial Network
2021-Jan-25, Cognitive computation
IF:4.3Q1
DOI:10.1007/s12559-020-09785-7
PMID:33520007
|
研究论文 | 本文提出了一种使用优化生成对抗网络（GAN）进行COVID-19自动筛查的方法 | 采用鲸鱼优化算法（WOA）优化GAN生成器的超参数，提高了模型的性能 | NA | 开发一种自动筛查COVID-19的方法，减轻医疗系统的负担 | COVID-19和非COVID-19的CT图像 | 计算机视觉 | COVID-19 | 生成对抗网络（GAN） | GAN | 图像 | 使用了包含COVID-19和非COVID-19图像的SARS-CoV-2 CT-Scan数据集 | NA | NA | NA | NA |
| 83 | 2024-08-31 |
DRISTI: a hybrid deep neural network for diabetic retinopathy diagnosis
2021, Signal, image and video processing
DOI:10.1007/s11760-021-01904-7
PMID:33897905
|
研究论文 | 本文提出了一种名为DRISTI的混合深度神经网络模型，用于糖尿病视网膜病变（DR）的诊断和分类 | DRISTI模型结合了VGG16和胶囊网络，相较于现有技术，在性能上有了显著提升 | NA | 旨在通过深度学习技术提高糖尿病视网膜病变的诊断准确性 | 糖尿病视网膜病变（DR）的诊断和分类 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | 混合深度神经网络（VGG16和胶囊网络） | 图像 | 使用了扩增的APTOS数据集进行训练和验证 | NA | NA | NA | NA |
| 84 | 2024-08-31 |
Convolutional neural networks for the classification of chest X-rays in the IoT era
2021, Multimedia tools and applications
IF:3.0Q2
DOI:10.1007/s11042-021-10907-y
PMID:34155434
|
研究论文 | 本文提出两种基于深度学习的方法，用于快速自动分类胸片图像，以检测胸部疾病 | 引入了基于AlexNet和VGGNet16的支持向量机方法，这些方法在胸片图像分类任务中表现优于传统的AlexNet和VGG16深度学习方法 | NA | 开发自动化的人工智能系统，帮助放射科医生更准确和快速地检测肺部疾病 | 胸片图像 | 计算机视觉 | 肺部疾病 | 深度学习 | CNN | 图像 | 十二种胸片疾病 | NA | NA | NA | NA |
| 85 | 2024-08-30 |
CondenseNet with exclusive lasso regularization
2021, Neural computing & applications
IF:4.5Q2
DOI:10.1007/s00521-021-06222-0
PMID:34219978
|
研究论文 | 本文开发了CondenseNet-elasso，通过应用exclusive lasso正则化来消除不同卷积组之间的特征相关性，从而缓解神经网络的过拟合问题 | 引入exclusive lasso正则化，鼓励不同卷积组使用不同的输入通道子集，学习更多样化的特征 | NA | 提高计算效率并缓解神经网络的过拟合问题 | CondenseNet-elasso模型及其在图像分类任务中的性能 | 机器学习 | NA | group convolution | CNN | image | CIFAR10, CIFAR100和Tiny ImageNet数据集 | NA | NA | NA | NA |
| 86 | 2024-08-30 |
Deep neural networks for COVID-19 detection and diagnosis using images and acoustic-based techniques: a recent review
2021, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-021-06137-x
PMID:34456618
|
综述 | 本文综述了使用图像和声学技术基于深度学习算法进行COVID-19检测和诊断的方法 | 讨论了不同方法的优势和劣势，并介绍了基于深度学习的COVID-19检测的数据库和主要未来挑战 | 未具体提及 | 探讨基于深度学习的COVID-19早期诊断和检测方法，以加快治疗过程并防止病毒传播 | COVID-19的早期检测和诊断 | 计算机视觉 | COVID-19 | 深度学习算法 | 深度神经网络 | 图像 | 未具体提及 | NA | NA | NA | NA |
| 87 | 2024-08-30 |
Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks
2021, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-020-01900-3
PMID:34764554
|
研究论文 | 本文提出了一种使用后前位胸X光图像和微调深度神经网络来自动诊断COVID-19的方法 | 采用随机过采样和加权类别损失函数方法，以实现无偏微调学习，并应用于多种先进的深度学习模型 | 研究使用的数据集样本有限，主要关注COVID-19阳性病例 | 开发一种更稳健和替代的COVID-19诊断技术 | COVID-19的自动诊断和肺部感染的识别 | 机器学习 | 呼吸系统疾病 | 深度学习 | NASNetLarge, ResNet, Inception-v3, Inception ResNet-v2, DenseNet169 | 图像 | 公开数据集中包含的COVID-19阳性患者的后前位胸X光图像有限 | NA | NA | NA | NA |
| 88 | 2024-08-28 |
Deep learning-based detection and segmentation of diffusion abnormalities in acute ischemic stroke
2021, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-021-00062-8
PMID:35602200
|
研究论文 | 本文开发了一种基于深度学习的工具，用于检测和分割急性缺血性卒中的扩散异常 | 提出的模型在小型病变中表现优于通用网络和DeepMedic，具有较低的假阳性率、平衡的精确度和敏感性，以及对数据扰动的鲁棒性 | NA | 开发一种高效的工具，用于检测和分割急性卒中的扩散异常 | 急性和亚急性缺血性卒中患者的扩散加权MRI图像 | 计算机视觉 | 脑血管疾病 | 深度学习 | NA | 图像 | 2,348例临床扩散加权MRI图像，以及280例外部数据集MRI图像 | NA | NA | NA | NA |
| 89 | 2024-08-28 |
A deep learning framework for drug repurposing via emulating clinical trials on real-world patient data
2021-Jan, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-020-00276-w
PMID:35603127
|
研究论文 | 本文介绍了一种基于真实世界患者数据模拟临床试验的深度学习框架，用于药物再利用的候选药物生成和测试 | 该框架结合了因果推断和深度学习方法，模拟随机临床试验，用于大规模医疗索赔数据库中的药物再利用 | NA | 开发一种高效的、易于定制的框架，用于药物再利用的候选药物生成和测试 | 冠状动脉疾病患者群体 | 机器学习 | 心血管疾病 | 深度学习 | NA | 电子健康记录和保险索赔数据 | 数百万冠状动脉疾病患者 | NA | NA | NA | NA |
| 90 | 2024-08-26 |
E-Learning Research Trends in Higher Education in Light of COVID-19: A Bibliometric Analysis
2021, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2021.762819
PMID:35308075
|
研究论文 | 本文通过对602篇发表在Web of Science数据库中的研究进行文献计量分析，概述了COVID-19期间高等教育领域电子学习的重要概念进展 | 研究探索了人工智能、机器学习和深度学习等新研究方向在电子学习中的应用 | NA | 分析COVID-19背景下高等教育领域电子学习的研究趋势 | 电子学习在高等教育中的应用及其相关研究 | 自然语言处理 | NA | 文献计量分析 | NA | 文本 | 602篇研究论文 | NA | NA | NA | NA |
| 91 | 2024-08-25 |
Deep Learning-Based Mapping of Tumor Infiltrating Lymphocytes in Whole Slide Images of 23 Types of Cancer
2021, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2021.806603
PMID:35251953
|
研究论文 | 本文提出了一种基于深度学习的流程，用于在23种癌症的全切片图像中分类肿瘤浸润淋巴细胞（TILs），并生成TIL图 | 该研究使用了三种先进的卷积神经网络架构（VGG16、Inception-V4和ResNet-34），并结合了病理学家手动标注和计算机生成的标签进行训练，提高了模型的准确性和F分数 | NA | 研究肿瘤浸润淋巴细胞作为生物标志物在预测疾病进展和临床结果中的作用 | 23种不同类型的癌症中的肿瘤浸润淋巴细胞 | 数字病理学 | 多种癌症 | 深度学习 | CNN | 图像 | 涉及23种癌症的全切片图像，包括大量训练数据和手动标注的图像块 | NA | NA | NA | NA |
| 92 | 2024-08-25 |
An Interpretable Deep Learning Model for Covid-19 Detection With Chest X-Ray Images
2021, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/ACCESS.2021.3087583
PMID:35256923
|
研究论文 | 本文介绍了一种用于COVID-19检测的可解释深度学习模型Gen-ProtoPNet | Gen-ProtoPNet模型使用了广义距离函数，能够处理任意类型的空间维度原型，提高了模型的解释性 | NA | 开发一种可解释的深度学习模型用于COVID-19的及时准确检测 | COVID-19的检测 | 机器学习 | COVID-19 | 深度学习 | Gen-ProtoPNet | 图像 | 使用了X射线图像数据集 | NA | NA | NA | NA |
| 93 | 2024-08-25 |
Learning Predictive and Interpretable Timeseries Summaries from ICU Data
2021, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:35309006
|
研究论文 | 本文提出了一种新方法，从ICU数据中学习既具有预测性又易于人类理解的临床时间序列摘要 | 提出的摘要方法由简单直观的临床数据函数组成，如“下降的平均动脉压”，这些摘要不仅易于理解，而且在性能上与最先进的深度学习模型相当 | NA | 提高重症监护病房风险分层任务的性能，并增强模型的可解释性 | 临床时间序列数据 | 机器学习 | NA | NA | 深度学习模型 | 时间序列数据 | NA | NA | NA | NA | NA |
| 94 | 2024-08-24 |
Deep-LSTM ensemble framework to forecast Covid-19: an insight to the global pandemic
2021, International journal of information technology : an official journal of Bharati Vidyapeeth's Institute of Computer Applications and Management
DOI:10.1007/s41870-020-00571-0
PMID:33426425
|
研究论文 | 本文通过综述和设计深度学习模型来预测Covid-19疫情，评估了其在印度的重症监护确诊和死亡病例 | 提出了一种基于长短期记忆网络（LSTM）的深度学习集成模型来预测Covid-19疫情 | NA | 研究如何利用人工智能技术支持医疗健康系统诊断和预测Covid-19疫情 | Covid-19疫情的重症监护确诊和死亡病例 | 机器学习 | NA | 人工智能 | LSTM | 数据 | 印度的Covid-19重症监护确诊和死亡病例 | NA | NA | NA | NA |
| 95 | 2024-08-24 |
Evaluation of deep learning-based approaches for COVID-19 classification based on chest X-ray images
2021, Signal, image and video processing
DOI:10.1007/s11760-020-01820-2
PMID:33432267
|
研究论文 | 本文评估了基于深度学习的八种预训练模型在胸部X光图像上进行COVID-19分类的效果 | 使用预训练模型进行迁移学习，有效解决了数据不足的问题，并实现了高准确率 | NA | 评估深度学习模型在COVID-19分类中的应用 | 胸部X光图像中的COVID-19分类 | 计算机视觉 | COVID-19 | 深度卷积神经网络（DCNN） | DenseNet121 | 图像 | 760张胸部X光图像，分为五类 | NA | NA | NA | NA |
| 96 | 2024-08-24 |
Design ensemble deep learning model for pneumonia disease classification
2021, International journal of multimedia information retrieval
IF:3.6Q1
DOI:10.1007/s13735-021-00204-7
PMID:33643764
|
研究论文 | 本文评估了单个和集成学习模型在肺炎疾病分类中的性能 | 使用基于InceptionResNet_V2、ResNet50和MobileNet_V2的微调版本的集成模型，提高了肺炎疾病分类的准确性 | NA | 评估单个和集成学习模型在肺炎疾病分类中的性能 | 肺炎疾病的分类 | 计算机视觉 | 肺炎 | NA | CNN | 图像 | 6087张胸部X光图像 | NA | NA | NA | NA |
| 97 | 2024-08-24 |
Automatic prediction of COVID- 19 from chest images using modified ResNet50
2021, Multimedia tools and applications
IF:3.0Q2
DOI:10.1007/s11042-021-10783-6
PMID:33967592
|
研究论文 | 本文利用改进的ResNet50模型自动从胸部影像中预测COVID-19 | 提出在ResNet50架构中添加三个新层（Conv、Batch_Normaliz和Activation_Relu层）以提高分类准确性和特征提取的鲁棒性 | 由于COVID-19数据集较小，使用迁移学习方法 | 开发一种自动化工具，用于在胸部X射线和计算机断层扫描图像中检测和诊断COVID-19 | COVID-19患者的胸部X射线和计算机断层扫描图像 | 计算机视觉 | COVID-19 | 迁移学习 | CNN | 图像 | 胸部X射线和计算机断层扫描图像数据集 | NA | NA | NA | NA |
| 98 | 2024-08-24 |
Deep learning-based object recognition in multispectral satellite imagery for real-time applications
2021, Machine vision and applications
IF:2.4Q2
DOI:10.1007/s00138-021-01209-2
PMID:34177121
|
研究论文 | 本文提出了一种基于深度学习的对象识别模型，用于多光谱卫星图像的实时应用 | 提出的全卷积神经网络（FCN）架构在多光谱卫星图像中实现了97.67%的准确率，超过了人类水平，并在训练时间和预测速度上实现了显著改进 | NA | 提高多光谱卫星图像中对象识别的准确性和预测速度 | 多光谱卫星图像中的对象识别 | 计算机视觉 | NA | 深度学习 | 全卷积神经网络（FCN） | 图像 | 多个传感器覆盖的整个地球的高分辨率图像 | NA | NA | NA | NA |
| 99 | 2024-08-24 |
Images denoising for COVID-19 chest X-ray based on multi-resolution parallel residual CNN
2021, Machine vision and applications
IF:2.4Q2
DOI:10.1007/s00138-021-01224-3
PMID:34219975
|
研究论文 | 本文提出了一种用于COVID-19胸部X光图像去噪的多分辨率并行残差CNN（MPR-CNN），以提高图像质量 | MPR-CNN采用多分辨率并行卷积流提取多尺度特征，利用通道和空间注意力机制聚焦于图像细节，并通过自适应多分辨率特征融合方法增强网络表达 | NA | 利用深度学习网络对感染患者的阳性胸部X光图像进行预诊断，减轻医疗人员工作压力 | COVID-19患者的胸部X光图像 | 计算机视觉 | COVID-19 | CNN | MPR-CNN | 图像 | NA | NA | NA | NA | NA |
| 100 | 2024-08-24 |
A Deep Learning Method to Forecast COVID-19 Outbreak
2021, New generation computing
IF:2.0Q2
DOI:10.1007/s00354-021-00129-z
PMID:34305259
|
研究论文 | 本文使用支持向量回归（SVR）和长短期记忆网络（LSTM）方法来预测COVID-19疫情的发展 | 采用LSTM技术在印度场景中提供了更真实的预测结果 | NA | 预测COVID-19疫情的行为和结束时间 | COVID-19疫情 | 机器学习 | NA | 支持向量回归（SVR），长短期记忆网络（LSTM） | LSTM | NA | NA | NA | NA | NA | NA |