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!

Sample Image
添加微信请说明来意
Sample Image
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。

当前筛选条件: [分区不过滤] [IF不过滤] [发表日期:202101-202112] [清除筛选条件]
当前共找到 560 篇文献,本页显示第 361 - 380 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
361 2024-08-16
Deep Learning for Caries Detection and Classification
2021-Sep-13, Diagnostics (Basel, Switzerland)
研究论文 本研究使用深度学习方法检测牙科全景片上的龋齿病变,并对其进行分类,与专家牙医的分类结果进行比较 本研究首次使用nnU-Net和DenseNet121模型在牙科全景片上检测和分类龋齿病变,并展示了与专家牙医相当的诊断性能 NA 研究深度学习方法在牙科全景片上检测和分类龋齿病变的性能 牙科全景片上的龋齿病变 计算机视觉 NA 深度学习 CNN 图像 1160张牙科全景片
362 2024-08-16
Rapid Serial Immunoprofiling of the Tumor Immune Microenvironment by Fine Needle Sampling
2021-09-01, Clinical cancer research : an official journal of the American Association for Cancer Research IF:10.0Q1
研究论文 本文提出了一种通过细针抽吸(FNA)进行单细胞采样,以连续评估肿瘤免疫微环境(TME)的方法 首次展示了通过简单的FNA可以准确且连续地测量治疗期间复杂且快速变化的TME NA 探索和整合预测性和/或预后生物标志物到治疗算法中 肿瘤免疫微环境(TME)的连续评估 数字病理学 癌症 细针抽吸(FNA) 深度学习 单细胞数据 涉及20种小鼠和25种人类标记物的样本
363 2024-08-16
Patient-Level Cancer Prediction Models From a Nationwide Patient Cohort: Model Development and Validation
2021-Aug-30, JMIR medical informatics IF:3.1Q2
研究论文 本文利用韩国国家保险系统数据库,开发并验证了基于机器学习算法的癌症预测模型 使用全国范围内的索赔数据和多种机器学习算法来构建可解释且适用于现实环境的癌症预测模型 NA 开发适用于全国索赔数据的癌症预测模型,以避免不必要的诊断干预 韩国40岁及以上人群的癌症风险 机器学习 NA 机器学习算法,包括逻辑回归、轻梯度提升方法、神经网络、生存分析和一类嵌入分类器方法 一类嵌入分类器模型和轻梯度提升模型 索赔数据 韩国40岁及以上的人群
364 2024-08-16
Predicting Kidney Graft Survival Using Machine Learning Methods: Prediction Model Development and Feature Significance Analysis Study
2021-08-27, Journal of medical Internet research IF:5.8Q1
研究论文 本研究利用机器学习方法开发预测肾移植存活率的模型,并分析特征重要性 采用深度学习自动编码器进行数据降维,提高了预测性能,并引入新的非重叠患者分层方法研究特征影响 NA 预测肾移植失败的风险,优化肾分配 肾移植的短期和长期存活率 机器学习 肾脏疾病 机器学习分类算法 自动编码器 临床数据 超过50,000例肾移植,涵盖约20年时间
365 2024-08-16
Making Radiomics More Reproducible across Scanner and Imaging Protocol Variations: A Review of Harmonization Methods
2021-Aug-27, Journal of personalized medicine IF:3.0Q1
综述 本文综述了通过各种协调方法提高放射组学特征在不同扫描仪和成像协议间可重复性的解决方案 详细讨论了图像域和特征域的协调方法,特别是生成对抗网络(GANs)和神经风格迁移(NST)技术 NA 探讨如何通过协调方法提高放射组学特征在不同扫描仪和成像协议间的可重复性 放射组学特征的可重复性和验证 数字病理学 NA 生成对抗网络(GANs),神经风格迁移(NST) GAN,NST 图像 NA
366 2024-08-16
On the Use of Deep Learning for Imaging-Based COVID-19 Detection Using Chest X-rays
2021-Aug-24, Sensors (Basel, Switzerland)
research paper 本文研究了使用深度卷积神经网络架构对胸部X光图像进行分类,以检测COVID-19病例 评估了三种不同的调整方法,通过增加额外层来修改现有架构,以提高分类性能 未提及具体限制 开发快速、低成本、易获取且可靠的COVID-19诊断方法 胸部X光图像分类为健康个体、COVID-19患者或病毒性肺炎患者 computer vision COVID-19 deep convolutional neural network CNN image 使用了一个包含真实胸部X光图像的数据集
367 2024-08-16
Identification and Localization of Endotracheal Tube on Chest Radiographs Using a Cascaded Convolutional Neural Network Approach
2021-08, Journal of digital imaging IF:2.9Q2
研究论文 本研究提出了一系列基于深度学习的算法,用于在胸部X光片上迭代识别和定位气管内管(ETT)相对于隆突的位置 采用串联级联卷积神经网络(CNN)方法,通过迭代细化坐标定位和显式图像裁剪,聚焦于关键解剖感兴趣区域,提高了识别和定位ETT的准确性 NA 在重症监护室(ICU)环境中,快速准确地评估气管内管(ETT)位置,以防止患者因设备位置不当而导致严重的发病率和死亡率 气管内管(ETT)在胸部X光片上的识别和定位 计算机视觉 NA 卷积神经网络(CNN) CNN 图像 共16,000名患者(其中8,000名患者带有ETT,8,000名患者不带ETT)
368 2024-08-16
Brain MRI Deep Learning and Bayesian Inference System Augments Radiology Resident Performance
2021-08, Journal of digital imaging IF:2.9Q2
研究论文 研究使用结合卷积神经网络和专家导出的贝叶斯网络的AI系统,通过临床决策支持工具ARIES增强放射科住院医师的脑MRI诊断性能 提出了一种结合深度学习和贝叶斯推理的临床决策支持系统,能够显著提高非专家的诊断准确性,接近专科医生的水平 研究仅涉及放射科住院医师和学术神经放射科医生,未涉及其他专业背景的医生 探讨AI系统作为临床决策支持工具在脑MRI诊断中增强放射科医师性能的效果 放射科住院医师和学术神经放射科医生的脑MRI诊断性能 计算机视觉 NA 卷积神经网络, 贝叶斯网络 CNN, 贝叶斯网络 图像 194个测试病例,包括4名放射科住院医师和3名学术神经放射科医生
369 2024-08-16
An Improved CNN Architecture to Diagnose Skin Cancer in Dermoscopic Images Based on Wildebeest Herd Optimization Algorithm
2021, Computational intelligence and neuroscience
研究论文 本文介绍了一种基于Wildebeest Herd Optimization算法和Inception卷积神经网络的皮肤癌诊断新方法 采用Wildebeest Herd Optimization算法进行特征选择,以减少分析时间复杂度,并结合Inception卷积神经网络提取初始特征 NA 提高皮肤癌诊断的准确性 皮肤癌的诊断 计算机视觉 皮肤癌 Wildebeest Herd Optimization算法 CNN 图像 ISIC-2008皮肤癌数据集
370 2024-08-16
Predicting fracture outcomes from clinical registry data using artificial intelligence supplemented models for evidence-informed treatment (PRAISE) study protocol
2021, PloS one IF:2.9Q1
研究论文 本研究旨在利用人工智能方法处理非结构化临床注册数据,以描述骨折特征并测试这些信息是否能提高腕部骨折后患者报告的结果测量和临床结果的预测准确性 本研究采用多模态深度学习骨折推理系统(DLFRS)处理电子病历信息,以提供关于骨折特征的增强信息 NA 研究旨在减少护理变异性并改善患者腕部骨折后的治疗结果 成年腕部骨折患者 机器学习 骨折 深度学习 多模态深度学习骨折推理系统(DLFRS) 非结构化数据 来自四家维多利亚医院的成年腕部骨折患者
371 2024-08-15
Label-free SARS-CoV-2 detection and classification using phase imaging with computational specificity
2021-Sep-01, Light, science & applications
研究论文 本文提出了一种光学方法,用于直接成像未标记的病毒颗粒并使用深度学习进行检测和分类 利用超灵敏干涉法和深度学习技术,实现了对未标记病毒颗粒的高精度分类 NA 开发一种快速、准确且可扩展的病毒检测方法,以应对COVID-19危机和未来大流行病 SARS-CoV-2、H1N1(流感A病毒)、HAdV(腺病毒)和ZIKV(寨卡病毒) 数字病理学 NA 干涉法 U-Net 图像 四种病毒类型
372 2024-08-15
Seasonal Arctic sea ice forecasting with probabilistic deep learning
2021-08-26, Nature communications IF:14.7Q1
研究论文 本文介绍了一种基于概率深度学习的北极海冰季节性预报系统IceNet IceNet在季节性夏季海冰预报中表现优于先进的动力学模型,特别是在极端海冰事件的预报上 NA 开发一种能够准确预测北极海冰季节性变化的预报系统 北极海冰的季节性变化 机器学习 NA 深度学习 深度学习模型 气候模拟和观测数据 NA
373 2024-08-15
Technological advances in cancer immunity: from immunogenomics to single-cell analysis and artificial intelligence
2021-08-20, Signal transduction and targeted therapy IF:40.8Q1
综述 本文综述了癌症免疫治疗领域中从免疫基因组学到单细胞分析及人工智能技术的最新进展 介绍了单细胞技术和人工智能在解析肿瘤免疫微环境中的应用,以及它们在预测免疫治疗反应中的重要性 NA 总结免疫基因组学、单细胞分析和人工智能技术在癌症免疫治疗领域的应用,并展望未来研究方向 癌症免疫治疗中的肿瘤细胞和肿瘤免疫微环境 数字病理学 NA 下一代测序 深度学习模型 基因组和转录组数据 NA
374 2024-08-15
DECIMER 1.0: deep learning for chemical image recognition using transformers
2021-Aug-17, Journal of cheminformatics IF:7.1Q1
研究论文 本文介绍了DECIMER 1.0模型,一种基于transformer的网络,用于从化学结构图像中预测SMILES编码 DECIMER 1.0模型能够以高准确度(96%以上)从化学结构图像中预测SMILES编码,即使在包含立体化学信息的情况下也能达到89%的准确度 NA 开发一种自动化的开源软件解决方案,用于从化学结构图像中提取数据并转换为计算机可读格式 化学结构图像的SMILES编码预测 机器学习 NA 深度学习 transformer 图像 50-100百万分子
375 2024-08-15
Neovascularization Detection and Localization in Fundus Images Using Deep Learning
2021-Aug-06, Sensors (Basel, Switzerland)
研究论文 本文提出了一种用于视网膜图像中新生血管检测的语义分割卷积神经网络架构 该模型能够完全自动地检测和定位新生血管病变,这是先前发表的方法无法实现的 NA 旨在通过深度学习方法提高增生性糖尿病视网膜病变中新生血管的检测准确性 增生性糖尿病视网膜病变中的新生血管 计算机视觉 糖尿病视网膜病变 深度学习 CNN 图像 视网膜图像被分为小补丁,形成训练集、验证集和测试集
376 2024-08-15
Deep Learning Application for Analyzing of Constituents and Their Correlations in the Interpretations of Medical Images
2021-Jul-30, Diagnostics (Basel, Switzerland)
研究论文 本文探讨了深度学习模型在医学图像解释中各组成部分及其相互关系的分析 本文的创新点在于采用统一的方法研究深度学习模型的组成部分,即数据、深度学习架构使用的工具或特定构建的深度学习架构组合,并强调它们在医学图像解释应用中的关键特征 本文未提供深度学习模型各组成部分重要性和影响的统一图景 旨在提高深度学习模型在医学图像解释中的性能 深度学习模型的组成部分及其在医学图像解释中的应用 计算机视觉 NA 深度学习 深度学习架构 医学图像 NA
377 2024-08-15
Truncating a densely connected convolutional neural network with partial layer freezing and feature fusion for diagnosing COVID-19 from chest X-rays
2021, MethodsX IF:1.6Q2
研究论文 本文提出了一种通过层截断、部分层冻结和特征融合来修改训练方法的视觉模型,用于从胸部X光片诊断COVID-19。 该方法显著减少了模型的参数大小,同时保持了较高的分类性能,并提供了可扩展、可重复和可部署的深度卷积神经网络模型。 NA 开发一种新的训练方法,以降低计算成本和提高模型部署的便利性。 使用密集连接卷积神经网络(DenseNet)模型诊断胸部X光片中的COVID-19、肺炎和正常情况。 计算机视觉 COVID-19 卷积神经网络(CNN) DenseNet 图像 NA
378 2024-08-15
A Pipeline for Predicting the Treatment Response of Neoadjuvant Chemoradiotherapy for Locally Advanced Rectal Cancer Using Single MRI Modality: Combining Deep Segmentation Network and Radiomics Analysis Based on "Suspicious Region"
2021, Frontiers in oncology IF:3.5Q2
研究论文 本研究提出了一种使用单一MRI模态预测局部晚期直肠癌新辅助放化疗治疗反应的流程,结合深度分割网络和基于“可疑区域”的放射组学分析 该研究创新性地设计了双阶段直肠感知U-Net(tsraU-Net)用于自动分割感兴趣区域,替代了耗时的手动描绘,并基于此进行了放射组学分析以预测病理完全缓解状态 NA 旨在早期准确预测局部晚期直肠癌患者在新辅助放化疗后的病理完全缓解状态,以帮助医生制定个性化治疗计划 局部晚期直肠癌患者 数字病理学 直肠癌 MRI U-Net 图像 共收集了来自两家医院的275名患者的数据,分为四个数据集:Seg-T(N=88)用于训练tsraU-Net,Rad-T(N=107)用于构建放射组学模型,In-V(N=46)用于内部验证,Ex-V(N=34)用于外部验证
379 2024-08-15
Analysis on the Characterization of Multiphoton Microscopy Images for Malignant Neoplastic Colon Lesion Detection under Deep Learning Methods
2021, Journal of pathology informatics
研究论文 本文利用多光子显微镜(MPM)技术和深度学习方法,分析恶性肿瘤性结肠病变图像,以实现早期检测 首次将多光子显微镜与深度学习结合,用于实时识别和区分恶性肿瘤性结肠病变 NA 展示多光子显微镜技术结合深度学习在无需组织病理学染色的情况下,识别恶性肿瘤性结肠病变的能力 恶性肿瘤性结肠病变与健康、增生或良性肿瘤性组织的区分 数字病理学 结直肠癌 多光子显微镜(MPM) 卷积神经网络(CNN) 图像 14,712张图像,来自42名患者,分为2类
380 2024-08-15
Deep Learning Model to Predict Serious Infection Among Children With Central Venous Lines
2021, Frontiers in pediatrics IF:2.1Q2
研究论文 研究使用深度学习模型预测带有中心静脉导管的儿童发生严重感染的情况 提出的深度学习模型在预测严重感染方面比传统的病情严重程度标记(PELOD-2)具有更高的阳性预测值 研究为回顾性研究,且仅限于单一学术儿童医院的数据 预测带有中心静脉导管的儿童在住院期间发生严重感染的可能性 带有中心静脉导管的儿童患者 机器学习 NA 深度学习 深度学习模型 电子病历数据 涉及748,380个48小时时间窗口,对应27,137次患者就诊
回到顶部