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 643 篇文献，本页显示第 381 - 400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 381 | 2024-08-24 |
The usage of deep neural network improves distinguishing COVID-19 from other suspected viral pneumonia by clinicians on chest CT: a real-world study
2021-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-07553-7
PMID:33372243
|
研究论文 | 本研究开发了一种新型深度学习模型，用于区分冠状病毒病2019（COVID-19）肺炎与其他类型肺炎，并在真实世界数据集中验证其性能 | 本研究首次使用基于ResNet-50的IDANNet模型，通过U-net提取肺部区域并进行诊断概率预测，实现了对COVID-19肺炎的准确识别 | NA | 开发并验证一种新型深度学习模型，以区分COVID-19肺炎与其他类型肺炎 | COVID-19肺炎与其他类型肺炎的区分 | 计算机视觉 | COVID-19 | 深度学习 | ResNet-50 | 影像 | 训练集包含563个胸部CT扫描，验证集包含318个胸部CT扫描 | NA | NA | NA | NA |
| 382 | 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 |
| 383 | 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 |
| 384 | 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 |
| 385 | 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 |
| 386 | 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 |
| 387 | 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 |
| 388 | 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 |
| 389 | 2024-08-24 |
Machine Learning Approaches for Tackling Novel Coronavirus (COVID-19) Pandemic
2021, SN computer science
DOI:10.1007/s42979-021-00774-7
PMID:34308367
|
研究论文 | 本文探讨了机器学习方法在应对COVID-19大流行中的应用 | 本文总结了机器学习在帮助医生做出决策、政策制定者采取有效措施以及识别潜在感染者等方面的四种应用 | 本文指出了现有系统的挑战并提出了可能的未来趋势 | 旨在强调机器学习方法在COVID-19大流行中的作用 | COVID-19大流行及其对医疗系统和卫生保健设施的影响 | 机器学习 | COVID-19 | 机器学习 | NA | NA | NA | NA | NA | NA | NA |
| 390 | 2024-08-24 |
An automatic approach based on CNN architecture to detect Covid-19 disease from chest X-ray images
2021, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-020-02010-w
PMID:34764572
|
研究论文 | 本文提出了一种基于卷积神经网络（CNN）架构的自动方法，用于从胸部X光图像中检测COVID-19疾病 | 采用深度迁移学习方法，使用多种预训练的CNN模型进行实验，其中Se-ResNeXt-50模型在二分类和多分类任务中均达到最高准确率 | NA | 开发一种准确的COVID-19疾病诊断方法，以帮助早期诊断和防止疾病传播 | COVID-19患者、病毒性肺炎、细菌性肺炎和健康人群的胸部X光图像 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | 使用了多个数据集，包括728张、1428张、1442张和5232张胸部X光图像 | NA | NA | NA | NA |
| 391 | 2024-08-24 |
Stacked-autoencoder-based model for COVID-19 diagnosis on CT images
2021, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-020-02002-w
PMID:34764564
|
研究论文 | 本文提出了一种基于堆叠自编码器的模型，用于在CT图像上诊断COVID-19 | 提出了一个堆叠自编码器检测模型，通过构建新的分类损失函数和叠加重建损失，显著提高了检测模型的精确率和召回率 | 研究基于较小的COVID-19 CT图像数据集，由于患者隐私原因，公开可用的数据集较少 | 研究基于CT影像的计算机化模型，用于传染病检测 | COVID-19的CT图像 | 计算机视觉 | COVID-19 | 深度学习 | 堆叠自编码器 | 图像 | 小型COVID-2019 CT图像数据集 | NA | NA | NA | NA |
| 392 | 2024-08-24 |
Improving Uncertainty Estimation With Semi-Supervised Deep Learning for COVID-19 Detection Using Chest X-Ray Images
2021, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/ACCESS.2021.3085418
PMID:34812397
|
研究论文 | 本研究通过胸部X光图像实现COVID-19感染检测系统，并引入不确定性估计 | 使用MixMatch半监督框架利用未标记数据改善不确定性估计，并提出使用Jensen-Shannon距离作为评估不确定性估计可靠性的新指标 | 未明确提及 | 改善COVID-19检测中使用的不确定性估计方法 | COVID-19感染检测系统的不确定性估计 | 计算机视觉 | COVID-19 | NA | NA | 图像 | 未明确提及 | NA | NA | NA | NA |
| 393 | 2024-08-23 |
Big Data to Knowledge: Application of Machine Learning to Predictive Modeling of Therapeutic Response in Cancer
2021-Dec-16, Current genomics
IF:1.8Q3
|
综述 | 本文综述了机器学习技术在癌症治疗反应预测建模中的应用 | 探讨了深度学习和因果分析等更复杂技术在治疗反应建模中的潜在应用 | 讨论了现有机器学习技术的局限性和替代方法 | 讨论机器学习技术在癌症治疗反应建模中的应用 | 癌症患者的治疗反应 | 机器学习 | 癌症 | 机器学习 | 随机森林、支持向量机、神经网络、线性和逻辑回归 | 分子患者数据 | NA | NA | NA | NA | NA |
| 394 | 2024-08-23 |
Differentiable biology: using deep learning for biophysics-based and data-driven modeling of molecular mechanisms
2021-10, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-021-01283-4
PMID:34608321
|
研究论文 | 本文探讨了可微分生物学，利用深度学习进行基于生物物理学的和数据驱动的分子机制建模 | 提出了可微分生物学的新概念，结合特定领域的数学方程和通用机器学习组件，有效整合多模态数据 | 需要克服稀疏、不完整和噪声数据的限制 | 展示可微分生物学如何帮助解决跨生物尺度整合多模态数据的长期挑战 | 从小范围的特定现象到大范围的复杂现象，如蛋白质折叠 | 生物物理学 | NA | 深度学习 | 神经网络 | 多模态数据 | NA | NA | NA | NA | NA |
| 395 | 2024-08-23 |
A comparison of Monte Carlo dropout and bootstrap aggregation on the performance and uncertainty estimation in radiation therapy dose prediction with deep learning neural networks
2021-02-24, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/abe04f
PMID:33503599
|
研究论文 | 本文比较了蒙特卡洛 dropout 和 bootstrap 聚合技术在深度学习神经网络中用于放射治疗剂量预测的不确定性估计和性能 | 提出了使用蒙特卡洛 dropout 和 bootstrap 聚合技术来生成放射治疗剂量预测的不确定性估计，并引入了一种缩放技术来创建可解释的不确定性和预测边界 | bagging 技术在训练期间的高计算成本和其性能高度依赖于问题和可接受的预测误差 | 研究蒙特卡洛 dropout 和 bootstrap 聚合技术在深度学习模型中用于放射治疗剂量预测的不确定性估计和性能 | 深度学习模型在放射治疗剂量预测中的不确定性和性能 | 机器学习 | NA | 蒙特卡洛 dropout (MCDO), bootstrap 聚合 (bagging) | 深度学习神经网络 | NA | NA | NA | NA | NA | NA |
| 396 | 2024-08-23 |
COVID-19 detection and disease progression visualization: Deep learning on chest X-rays for classification and coarse localization
2021, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-020-01867-1
PMID:34764549
|
研究论文 | 本文通过深度学习方法对胸部X光片进行分类和粗略定位，以检测COVID-19并可视化疾病进展 | 采用迁移学习管道和多种预训练卷积骨干网络进行分类，并使用生成对抗网络（CycleGAN）增强COVID-19类别数据 | 由于标记医学图像数量有限，自动化分类仍是一个挑战 | 开发一种自动化方法来分类COVID-19胸部X光片，并可视化疾病进展 | COVID-19胸部X光片 | 计算机视觉 | COVID-19 | 迁移学习 | CNN | 图像 | 使用了两个公开的胸部X光片数据集 | NA | NA | NA | NA |
| 397 | 2024-08-23 |
Machine and Deep Learning Prediction Of Prostate Cancer Aggressiveness Using Multiparametric MRI
2021, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2021.802964
PMID:35096605
|
研究论文 | 本研究开发并验证了基于多参数磁共振成像（mpMRI）数据的机器学习和深度学习框架，用于根据前列腺癌（PCa）的侵袭性进行分类 | 本研究优化了多个机器学习和深度学习框架，并在T2加权、表观扩散系数（ADC）和T2w+ADC数据上进行了患者嵌套验证，以提高前列腺癌侵袭性预测的准确性 | 所有基于PI-RADS 2.0数据训练和验证的机器学习和深度学习框架，在PI-RADS 2.1数据测试时，其AUROC值均未超过随机水平 | 开发和验证机器学习和深度学习框架，以支持临床决策并减少读片者间和读片者内的变异性 | 前列腺癌的侵袭性评估 | 机器学习 | 前列腺癌 | 多参数磁共振成像（mpMRI） | 机器学习和深度学习 | 图像 | 112名患者（132个外周病变，Prostate Imaging Reporting and Data System（PI-RADS）评分≥3） | NA | NA | NA | NA |
| 398 | 2024-08-23 |
Multi-Institutional Validation of Two-Streamed Deep Learning Method for Automated Delineation of Esophageal Gross Tumor Volume Using Planning CT and FDG-PET/CT
2021, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2021.785788
PMID:35141147
|
研究论文 | 本文验证了一种双流深度学习方法在多个机构中自动勾画食管大体肿瘤体积（GTV）的临床应用 | 开发了一种双流深度学习模型，能够使用治疗计划CT和FDG-PET/CT扫描进行GTV分割，并具有仅使用CT或CT+PET/CT组合进行分割的灵活性 | 模型在不同机构中的适应性和性能需要进一步验证 | 验证深度学习多模态食管GTV勾画模型的临床应用性 | 食管癌患者的GTV勾画 | 机器学习 | 食管癌 | 深度学习 | 双流深度学习模型 | CT和PET/CT扫描 | 606名食管癌患者 | NA | NA | NA | NA |
| 399 | 2024-08-23 |
Predicted Cognitive Conversion in Guiding Early Decision-Tailoring on Patients With Cognitive Impairment
2021, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2021.813923
PMID:35185520
|
研究论文 | 本研究旨在测试混合卷积神经网络和长短期记忆模型（CNN-LSTM）在预测阿尔茨海默病（AD）和轻度认知障碍（MCI）患者长期认知转换方面的早期决策调整的可行性 | 利用深度学习模型和纵向特征信息的协同优势，初步验证了在认知转换预测方面具有可比较的性能 | 考虑到本研究中应用的治疗策略多样性有限，应进一步模拟现实世界的医疗情况 | 测试混合CNN-LSTM模型在早期决策调整中的可行性 | 阿尔茨海默病（AD）和轻度认知障碍（MCI）患者 | 机器学习 | 阿尔茨海默病 | 混合卷积神经网络和长短期记忆模型（CNN-LSTM） | CNN-LSTM | 纵向神经心理学相关特征 | 224名患者 | NA | NA | NA | NA |
| 400 | 2024-08-23 |
Identifying Prognostic Markers From Clinical, Radiomics, and Deep Learning Imaging Features for Gastric Cancer Survival Prediction
2021, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2021.725889
PMID:35186707
|
研究论文 | 本研究利用机器学习和多模态数据（包括临床变量、放射组学和深度学习提取的CT影像特征）对1061名胃癌患者进行生存预测，以提高胃癌患者的预后和治疗计划。 | 本研究首次整合临床变量、放射组学和深度学习影像特征，通过Cox比例风险模型进行胃癌生存预测，并分析了不同特征的预测效果。 | NA | 提高胃癌生存预测的准确性，以改善患者预后和治疗计划。 | 胃癌患者的生存预测。 | 机器学习 | 胃癌 | 放射组学、深度学习 | Cox比例风险模型 | 临床数据、影像数据 | 1061名胃癌患者，其中743名用于模型学习，318名用于独立评估。 | NA | NA | NA | NA |