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 441 - 460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 441 | 2024-08-18 |
Carbon Fiber Reinforced Composites: Study of Modification Effect on Weathering-Induced Ageing via Nanoindentation and Deep Learning
2021-Oct-06, Nanomaterials (Basel, Switzerland)
DOI:10.3390/nano11102631
PMID:34685069
|
研究论文 | 研究了碳纤维增强复合材料在开放环境中暴露后的老化效应及其改性效果 | 通过纳米压痕和深度学习技术，建立了结构-性能关系，并利用人工智能进行异常检测，提供了复合材料工程和质量保证的新评估见解 | NA | 研究碳纤维增强复合材料在自然环境中的老化效应及其改性效果 | 碳纤维增强聚合物（CFRPs）及其改性效果 | 复合材料 | NA | 纳米压痕，深度学习 | 深度学习神经网络 | 纳米力学属性数据 | 具体样本数量未提及 | NA | NA | NA | NA |
| 442 | 2024-08-18 |
Evaluating the progress of deep learning for visual relational concepts
2021-10-05, Journal of vision
IF:2.0Q2
DOI:10.1167/jov.21.11.8
PMID:34636844
|
研究论文 | 本文评估了深度学习在视觉关系概念方面的进展 | 指出关系概念与认知心理学的联系，并强调注意力机制在未来解决关系任务中的重要性 | 当前使用的数据集存在不足，关系推理任务对现有神经网络架构仍然困难 | 评估深度学习在处理抽象图像分类任务中的进展 | 深度学习在关系概念学习方面的应用 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | NA | NA | NA | NA | NA |
| 443 | 2024-08-18 |
Data-Efficient Sensor Upgrade Path Using Knowledge Distillation
2021-Sep-29, Sensors (Basel, Switzerland)
DOI:10.3390/s21196523
PMID:34640843
|
研究论文 | 本文提出了一种利用知识蒸馏技术提高新传感器模式下学生网络性能的方法 | 通过应用知识蒸馏技术，加速了传感器转换过程，并探索了两种知识蒸馏方法的扩展 | 仅在MNIST和CIFAR-10数据集上进行了验证，未提及更大规模或更多样化的数据集 | 提高新传感器模式下的深度神经网络性能 | 多光谱图像、激光雷达和雷达数据等新传感器模式 | 机器学习 | NA | 知识蒸馏 | 深度神经网络 | 图像 | 在多模态MNIST数据集中，新模式的样本量为10张图像；在多模态CIFAR-10数据集中未明确样本量 | NA | NA | NA | NA |
| 444 | 2024-08-18 |
Applying Deep Learning to Accelerated Clinical Brain Magnetic Resonance Imaging for Multiple Sclerosis
2021, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2021.685276
PMID:34646227
|
研究论文 | 本文研究了深度学习模型在加速临床脑部磁共振成像（MRI）中恢复多发性硬化症（PwMS）患者图像质量的临床应用 | 使用深度学习模型生成与传统扫描质量相似的加速扫描图像 | 统计上显著但差异较小，且未发现关键T1w体积测量与临床相关患者报告结果（PRO）之间的相关性差异 | 探索深度学习模型在加速临床脑部MRI中恢复图像质量的潜力，以改善多发性硬化症的临床相关结果 | 多发性硬化症患者的脑部MRI图像质量 | 机器学习 | 多发性硬化症 | 磁共振成像（MRI） | 深度学习（DL）模型 | 图像 | 使用了部分扫描数据进行模型训练，并对剩余扫描数据进行应用 | NA | NA | NA | NA |
| 445 | 2024-08-18 |
An Effective Multimodal Image Fusion Method Using MRI and PET for Alzheimer's Disease Diagnosis
2021, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2021.637386
PMID:34713109
|
research paper | 本文提出了一种有效的多模态图像融合方法，通过融合MRI和PET图像来辅助阿尔茨海默病（AD）的诊断 | 本文创新性地提出了通过注册和掩码编码融合MRI和PET图像的灰质（GM）组织区域，生成新的融合模态“GM-PET”，并使用3D简单卷积神经网络（3D Simple CNN）和3D多尺度CNN进行评估 | 目前的方法缺乏解释性，无法清晰解释提取信息的特定含义 | 旨在提高阿尔茨海默病诊断的准确性和解释性 | 研究对象为阿尔茨海默病患者的MRI和PET图像 | computer vision | 阿尔茨海默病 | NA | CNN | image | 实验使用了阿尔茨海默病神经成像倡议（ADNI）数据集 | NA | NA | NA | NA |
| 446 | 2024-08-18 |
Current Advances and Challenges in Radiomics of Brain Tumors
2021, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2021.732196
PMID:34722274
|
review | 本文综述了脑肿瘤影像组学的最新进展、应用及面临的挑战 | 影像组学能够从复杂的临床影像中提取大量定量特征，并将其转化为高维数据，用于挖掘与肿瘤组织学特征的相关性，包括遗传突变、恶性程度、分级、进展、治疗效果及总体生存率 | 本文进一步讨论了影像组学的当前局限性及未来发展 | 探讨脑肿瘤影像组学的应用及其在临床诊断中的意义 | 脑肿瘤的早期检测、监测及治疗效果评估 | digital pathology | 脑肿瘤 | NA | NA | image | NA | NA | NA | NA | NA |
| 447 | 2024-08-17 |
Acral melanoma detection using dermoscopic images and convolutional neural networks
2021-Oct-07, Visual computing for industry, biomedicine, and art
DOI:10.1186/s42492-021-00091-z
PMID:34618260
|
研究论文 | 本文研究了使用皮肤镜图像和卷积神经网络对肢端黑色素瘤进行分类的有效性 | 提出了一种新的深度学习模型，用于皮肤癌分类，并采用了图像处理和数据增强技术来开发一个健壮的自动化系统 | NA | 研究皮肤镜和深度学习在分类黑色素瘤亚型中的效果 | 肢端黑色素瘤 | 计算机视觉 | 皮肤癌 | 卷积神经网络 | 七层深度卷积网络 | 图像 | 使用来自韩国延世大学医疗系统的皮肤镜图像数据集 | NA | NA | NA | NA |
| 448 | 2024-08-17 |
Deep learning features from diffusion tensor imaging improve glioma stratification and identify risk groups with distinct molecular pathway activities
2021-Oct, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2021.103583
PMID:34563923
|
研究论文 | 本研究开发并验证了一种基于扩散张量成像（DTI）的深度学习特征（DLS），用于预测浸润性胶质瘤患者的总体生存率，并探讨了DLS背后的生物学通路 | 本研究首次将深度学习特征应用于DTI数据，以改善胶质瘤的分层，并识别出具有不同分子通路活性的风险组 | NA | 开发和验证一种基于DTI的深度学习特征，用于预测胶质瘤患者的总体生存率，并探讨相关的生物学通路 | 浸润性胶质瘤患者 | 机器学习 | 脑肿瘤 | 扩散张量成像（DTI） | 深度学习 | 图像 | 深度学习队列688例，放射基因组学队列78例，TCGA数据库663例，CGGA数据库657例 | NA | NA | NA | NA |
| 449 | 2024-08-16 |
Performance of a 3D convolutional neural network in the detection of hypoperfusion at CT pulmonary angiography in patients with chronic pulmonary embolism: a feasibility study
2021-09-24, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-021-00235-z
PMID:34557979
|
研究论文 | 本研究评估了三维卷积神经网络（CNN）算法在慢性肺栓塞患者CT肺动脉造影中检测低灌注的可行性 | 提出了一种深度学习方法，用于从CT肺动脉造影中检测慢性肺栓塞的低灌注 | NA | 评估三维卷积神经网络在慢性肺栓塞患者CT肺动脉造影中检测低灌注的可行性 | 慢性肺栓塞患者和无肺栓塞患者的CT肺动脉造影图像 | 计算机视觉 | 肺栓塞 | CT肺动脉造影 | CNN | 图像 | 50名患者（25名慢性肺栓塞患者和25名无肺栓塞患者） | NA | NA | NA | NA |
| 450 | 2024-08-16 |
Deep Learning for Caries Detection and Classification
2021-Sep-13, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics11091672
PMID:34574013
|
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 | NA | NA | NA | NA |
| 451 | 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
DOI:10.2196/29807
PMID:34459743
|
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 | NA | NA | NA | NA |
| 452 | 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
DOI:10.2196/26843
PMID:34448704
|
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 | NA | NA | NA | NA |
| 453 | 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
DOI:10.3390/jpm11090842
PMID:34575619
|
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 | NA | NA | NA | NA |
| 454 | 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)
DOI:10.3390/s21175702
PMID:34502591
|
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 | NA | NA | NA | NA |
| 455 | 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
DOI:10.1007/s10278-021-00463-0
PMID:34027589
|
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） | NA | NA | NA | NA |
| 456 | 2024-08-16 |
Brain MRI Deep Learning and Bayesian Inference System Augments Radiology Resident Performance
2021-08, Journal of digital imaging
IF:2.9Q2
DOI:10.1007/s10278-021-00470-1
PMID:34131794
|
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 | NA | NA | NA | NA |
| 457 | 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
DOI:10.1155/2021/7567870
PMID:34497640
|
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 | NA | NA | NA | NA |
| 458 | 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
DOI:10.1371/journal.pone.0257361
PMID:34555069
|
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 | NA | NA | NA | NA |
| 459 | 2024-08-15 |
Label-free SARS-CoV-2 detection and classification using phase imaging with computational specificity
2021-Sep-01, Light, science & applications
DOI:10.1038/s41377-021-00620-8
PMID:34465726
|
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 | NA | NA | NA | NA |
| 460 | 2024-08-15 |
Seasonal Arctic sea ice forecasting with probabilistic deep learning
2021-08-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-021-25257-4
PMID:34446701
|
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 | NA | NA | NA | NA |