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 646 篇文献，本页显示第 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2024-08-09 |
Deep Learning in the Detection and Diagnosis of COVID-19 Using Radiology Modalities: A Systematic Review
2021, Journal of healthcare engineering
DOI:10.1155/2021/6677314
PMID:33747419
|
综述 | 本文通过系统综述方法，探讨了利用深度学习模型在放射学模式下检测和诊断COVID-19的现状 | 深度学习模型提供了准确且高效的系统，显著提高了敏感性和特异性值 | NA | 旨在解决COVID-19早期检测和诊断的主要挑战，并提高诊断准确性 | COVID-19的放射学图像 | 机器学习 | COVID-19 | 深度学习 | 深度学习模型 | 图像 | 37篇文章作为研究样本 | NA | NA | NA | NA |
| 542 | 2024-08-09 |
Comparison of machine learning and deep learning techniques in promoter prediction across diverse species
2021, PeerJ. Computer science
DOI:10.7717/peerj-cs.365
PMID:33817015
|
研究论文 | 本文比较了机器学习和深度学习技术在不同物种中预测基因启动子的效果 | 使用频率基础的标记化（FBT）进行数据预处理，减少了输入维度并缩短了训练时间，同时保持了分类的敏感性和特异性 | NA | 研究机器学习和深度学习模型在基因启动子预测中的应用 | 酵母、植物和人类的基因组序列 | 机器学习 | NA | 一维卷积神经网络（CNN）、长短期记忆（LSTM）和随机森林（RF）分类器 | CNN、LSTM、RF | 基因组序列 | 涉及酵母、植物和人类三种不同的真核生物 | NA | NA | NA | NA |
| 543 | 2024-08-08 |
Automated deep learning in ophthalmology: AI that can build AI
2021-Sep-01, Current opinion in ophthalmology
IF:3.0Q1
DOI:10.1097/ICU.0000000000000779
PMID:34231529
|
综述 | 本文综述了自动化深度学习在医疗领域的当前状态，并探讨了使用商业平台开发这些模型的进展 | 自动化深度学习允许无编程经验的用户开发深度学习算法，展示了在眼科及其他专科中的应用潜力 | 尽管自动化深度学习显示出巨大潜力，但仍存在一些挑战需要克服 | 描述自动化深度学习在医疗领域的应用现状，并讨论其当前挑战和未来发展方向 | 自动化深度学习模型及其在眼科、皮肤病学、放射学和组织病理学等专科中的应用 | 机器学习 | NA | 深度学习 | 监督学习 | 图像 | NA | NA | NA | NA | NA |
| 544 | 2024-08-08 |
Transfer learning for predicting conversion from mild cognitive impairment to dementia of Alzheimer's type based on a three-dimensional convolutional neural network
2021-03, Neurobiology of aging
IF:3.7Q2
|
研究论文 | 本文开发了一种深度学习模型，利用三维卷积神经网络通过转移学习预测轻度认知障碍患者向阿尔茨海默病型痴呆的转化 | 该模型在目标任务上的分类准确率达到82.4%，优于当前领域的模型，并能通过遮挡图方法可视化对预测有显著贡献的大脑区域 | NA | 预测轻度认知障碍患者向阿尔茨海默病型痴呆的转化 | 轻度认知障碍患者及其向阿尔茨海默病型痴呆的转化 | 机器学习 | 阿尔茨海默病 | 结构磁共振成像 | 三维卷积神经网络 | 图像 | 使用正常对照组和阿尔茨海默病型痴呆患者的扫描数据进行预训练，然后在轻度认知障碍患者的扫描数据上进行再训练 | NA | NA | NA | NA |
| 545 | 2024-08-08 |
DeepMIB: User-friendly and open-source software for training of deep learning network for biological image segmentation
2021-03, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1008374
PMID:33651804
|
研究论文 | 介绍DeepMIB软件包，用于训练卷积神经网络进行多维显微镜图像分割 | DeepMIB是一个用户友好且开源的软件，适用于在任何工作站上训练深度学习网络进行图像分割 | NA | 开发一个易于使用且功能强大的深度学习工具，用于生物图像分割 | 多维显微镜图像数据 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 2D和3D电子及多色光显微镜数据集 | NA | NA | NA | NA |
| 546 | 2024-08-08 |
Diagnosis and Risk Prediction of Dilated Cardiomyopathy in the Era of Big Data and Genomics
2021-Feb-26, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm10050921
PMID:33652931
|
综述 | 本文综述了在基因组学和大数據时代下，扩张型心肌病（DCM）的诊断和风险预测的进展 | 介绍了多变量风险模型和遗传风险评分在个性化风险评估中的应用，以及机器学习和深度学习在复杂交互和预后建模中的作用 | NA | 探讨在基因组学和大数據时代下，如何改进扩张型心肌病的个性化风险评估 | 扩张型心肌病（DCM）的诊断和风险预测 | 基因组学 | 心血管疾病 | 基因组/外显子组关联研究 | 机器学习和深度学习 | 电子健康记录、现有研究数据库和疾病登记 | NA | NA | NA | NA | NA |
| 547 | 2024-08-08 |
Performance of Ultrasound Techniques and the Potential of Artificial Intelligence in the Evaluation of Hepatocellular Carcinoma and Non-Alcoholic Fatty Liver Disease
2021-Feb-14, Cancers
IF:4.5Q1
DOI:10.3390/cancers13040790
PMID:33672827
|
综述 | 本文综述了超声技术在非酒精性脂肪肝病（NAFLD）及其相关肝细胞癌（HCC）评估中的诊断性能，并探讨了人工智能（AI）辅助优化超声诊断的可能性 | 探讨了人工智能和深度学习算法在通过超声方法评估NAFLD和NAFLD相关HCC中的应用，认为这可能对患者护理产生重大影响 | 传统超声在量化NAFLD和准确表征特定肝局灶性病变（FLL）方面存在局限性 | 分析超声技术在NAFLD和NAFLD相关HCC评估中的诊断性能，并探索人工智能优化超声诊断的可能性 | 非酒精性脂肪肝病（NAFLD）及其相关肝细胞癌（HCC） | 医学影像 | 肝病 | 超声成像 | 深度学习算法 | 图像 | NA | NA | NA | NA | NA |
| 548 | 2024-08-08 |
Deep learning approach for the segmentation of aneurysmal ascending aorta
2021-Feb, Biomedical engineering letters
IF:3.2Q2
DOI:10.1007/s13534-020-00179-0
PMID:33747600
|
研究论文 | 本研究探讨了使用UNet、ENet和ERFNet技术进行升主动脉瘤自动分割的可行性和有效性 | 本研究展示了深度学习模型能够快速且准确地分割和量化升主动脉瘤的3D几何结构 | NA | 开发新的基于图像的风险评估策略，以提高患者风险管理的个性化水平 | 升主动脉瘤的自动分割 | 计算机视觉 | 心血管疾病 | 深度学习 | UNet, ENet, ERFNet | 图像 | 72名患有升主动脉瘤和不同瓣膜形态（即三尖瓣和二尖瓣）的患者 | NA | NA | NA | NA |
| 549 | 2024-08-08 |
Artificial Intelligence in Nutrients Science Research: A Review
2021-Jan-22, Nutrients
IF:4.8Q1
DOI:10.3390/nu13020322
PMID:33499405
|
综述 | 本文分析了人工智能在营养科学研究中的当前应用 | 探讨了人工智能在食品成分研究、营养素生产和个性化营养支持系统开发中的应用 | NA | 分析人工智能在营养科学研究中的应用 | 人工智能在生物医学营养研究、临床营养研究和营养流行病学中的应用 | 计算机科学 | NA | 人工智能 | 人工神经网络 (ANN), 机器学习 (ML), 深度学习 (DL) | 文本 | 399篇文献，最终筛选出55篇 | NA | NA | NA | NA |
| 550 | 2024-08-08 |
Deep Learning in Head and Neck Tumor Multiomics Diagnosis and Analysis: Review of the Literature
2021, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2021.624820
PMID:33643386
|
综述 | 本文综述了深度学习在头颈部肿瘤多组学诊断和分析中的应用 | 深度学习技术如卷积神经网络（CNN）和其他神经网络在头颈部肿瘤的多组学图像分析中的应用 | 强调了这些技术的挑战和潜在问题 | 评估深度学习在头颈部肿瘤早期检测、分类、预后/转移预测及报告签署中的应用 | 头颈部肿瘤的多组学数据 | 计算机视觉 | 头颈部肿瘤 | 深度学习（DL） | 卷积神经网络（CNN） | 图像 | NA | NA | NA | NA | NA |
| 551 | 2024-08-07 |
Artificial intelligence assistance significantly improves Gleason grading of prostate biopsies by pathologists
2021-03, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1038/s41379-020-0640-y
PMID:32759979
|
研究论文 | 研究探讨了人工智能辅助对前列腺活检Gleason评分的影响，发现AI辅助显著提高了评分的一致性 | 首次详细研究了AI系统与病理学家协同工作在前列腺活检Gleason评分中的应用，显示出AI辅助下的病理学家表现优于单独的病理学家和AI系统 | 研究未涉及AI系统在存在异常情况（如异物组织）时的表现 | 评估AI辅助对前列腺活检Gleason评分的影响 | 前列腺活检样本的Gleason评分 | 数字病理学 | 前列腺癌 | 深度学习 | AI系统 | 图像 | 160个活检样本用于实验，87个样本用于外部验证 | NA | NA | NA | NA |
| 552 | 2024-08-07 |
Initial chest radiographs and artificial intelligence (AI) predict clinical outcomes in COVID-19 patients: analysis of 697 Italian patients
2021-Mar, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-07269-8
PMID:32945968
|
研究论文 | 本研究评估了人工智能系统评估的初始胸部X光片（CXR）严重程度在COVID-19患者中的预后价值 | 人工智能系统与放射科医生评估的疾病严重程度评分在CXR上独立且可比较，预测COVID-19患者不良结果的能力 | NA | 评估人工智能系统在COVID-19患者中通过初始胸部X光片预测临床结果的预后价值 | COVID-19患者的初始胸部X光片 | 计算机视觉 | COVID-19 | 深度学习 | AI系统 | 图像 | 697名患者 | NA | NA | NA | NA |
| 553 | 2024-08-07 |
Fast and Accurate Detection of COVID-19 Along With 14 Other Chest Pathologies Using a Multi-Level Classification: Algorithm Development and Validation Study
2021-02-10, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/23693
PMID:33529154
|
研究论文 | 本文提出了一种基于深度学习的多级分类管道，用于快速准确地检测COVID-19及其他14种胸部疾病，并通过X射线图像进行验证 | 该研究通过多级分类方法，将分类任务分解为多个步骤，提高了COVID-19及其他胸部疾病的检测准确性 | 由于某些类别如COVID-19的数据缺乏，采用了10折交叉验证，可能影响模型的泛化能力 | 实现对COVID-19的快速且更准确的诊断 | COVID-19及其他14种胸部疾病的X射线图像 | 机器学习 | COVID-19 | 深度学习 | ResNet50 | 图像 | 涉及16个类别的X射线图像 | NA | NA | NA | NA |
| 554 | 2024-08-07 |
Quantitative Assessment of Chest CT Patterns in COVID-19 and Bacterial Pneumonia Patients: a Deep Learning Perspective
2021-Feb-01, Journal of Korean medical science
IF:3.0Q1
DOI:10.3346/jkms.2021.36.e46
PMID:33527788
|
研究论文 | 本研究通过深度学习方法对COVID-19和细菌性肺炎患者的胸部CT图像进行定量评估，以区分这两种疾病的细微差异 | 提出了一种新的深度学习方法，通过构建病灶簇和直方图特征来提高疾病分类和严重程度评估的准确性 | 研究为回顾性队列研究，样本来自单一医院，可能存在样本偏倚 | 设计并评估可解释的特征提取技术，以描述COVID-19和细菌性肺炎患者的病情 | COVID-19和细菌性肺炎患者的胸部CT图像 | 计算机视觉 | COVID-19 | K-means算法 | 支持向量机 | 图像 | 170名确诊的COVID-19或细菌性肺炎患者 | NA | NA | NA | NA |
| 555 | 2024-08-07 |
Disease Concept-Embedding Based on the Self-Supervised Method for Medical Information Extraction from Electronic Health Records and Disease Retrieval: Algorithm Development and Validation Study
2021-01-27, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/25113
PMID:33502324
|
研究论文 | 本研究开发并验证了一种基于自监督方法的疾病概念嵌入模型，用于从电子健康记录中提取医疗信息并进行疾病检索 | 提出了一种基于Transformer的模型，结合BERT和对比学习方法（DIM和SimCLR）进行疾病概念的无监督嵌入 | 使用较小的数据集或较少的无监督预训练方法会降低预测性能 | 创建一个模型从电子健康记录中提取概念嵌入，用于疾病模式检索和进一步分类任务 | 从电子健康记录中提取医疗信息并进行疾病检索 | 自然语言处理 | NA | Transformer, BERT, DIM, SimCLR | Transformer | 文本 | 1,040,989次急诊部门访问和305,897个样本 | NA | NA | NA | NA |
| 556 | 2024-08-07 |
Integrating deep learning CT-scan model, biological and clinical variables to predict severity of COVID-19 patients
2021-01-27, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-020-20657-4
PMID:33504775
|
研究论文 | 本文通过整合深度学习CT扫描模型、生物学和临床变量来预测COVID-19患者的严重程度 | 构建了包含深度学习模型和五个临床生物学变量的多模态AI严重程度评分，显著提高了预测性能 | 深度学习模型提供的预后信息与其他严重程度标志物相关，导致AUC增加有限 | 识别COVID-19疾病严重程度的预测因子 | COVID-19患者 | 机器学习 | COVID-19 | 深度学习 | 神经网络 | CT扫描图像 | 1003名冠状病毒感染患者 | NA | NA | NA | NA |
| 557 | 2024-08-07 |
Prediction of Alzheimer's disease-specific phospholipase c gamma-1 SNV by deep learning-based approach for high-throughput screening
2021-01-19, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2011250118
PMID:33397809
|
研究论文 | 本研究利用全基因组关联研究（GWAS）和基于深度学习的剪接预测工具，发现阿尔茨海默病（AD）特异性的单核苷酸变异（SNV）及磷脂酶c gamma-1基因的异常剪接 | 本研究结合计算和深度学习分析，首次预测了与AD相关的关键SNV，并展示了其在AD预测中的临床应用潜力 | NA | 旨在发现阿尔茨海默病特异性的单核苷酸变异及其对基因剪接的影响 | 阿尔茨海默病特异性的单核苷酸变异和磷脂酶c gamma-1基因的异常剪接 | 机器学习 | 阿尔茨海默病 | 全基因组关联研究（GWAS） | 深度学习 | 基因序列 | 使用AD小鼠模型和人类基因序列进行训练和预测 | NA | NA | NA | NA |
| 558 | 2024-08-07 |
Assessing the Role of Pericardial Fat as a Biomarker Connected to Coronary Calcification-A Deep Learning Based Approach Using Fully Automated Body Composition Analysis
2021-Jan-19, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm10020356
PMID:33477874
|
研究论文 | 本研究使用深度学习方法，通过全自动体成分分析评估心包脂肪作为冠状动脉钙化的生物标志物的角色 | 本研究首次证明了全自动脂肪组织分析在临床心脏CT中的可行性，并在大规模临床队列中确认了EAT和PAT的体积和密度与CACS无相关性 | 研究结果显示EAT和PAT的体积和密度与CACS无显著相关性，但未达到男性患者EAT衰减的显著性水平 | 探索全自动EAT和PAT量化在心血管风险分层中的潜在应用 | 966名具有中等Framingham风险评分的冠状动脉疾病患者 | 数字病理学 | 心血管疾病 | 深度学习 | 深度学习网络 | CT图像 | 966名患者 | NA | NA | NA | NA |
| 559 | 2024-08-07 |
Cascaded deep transfer learning on thoracic CT in COVID-19 patients treated with steroids
2021-Jan, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.8.S1.014501
PMID:33415179
|
研究论文 | 本文开发了一种机器智能方法，利用级联深度迁移学习从胸部CT扫描中提取特征，以辅助管理接受激素治疗的COVID-19患者 | 采用级联迁移学习方法，通过微调VGG19网络从胸部CT切片中提取量化特征，并使用支持向量机区分是否需要激素治疗的患者 | NA | 开发一种机器智能方法，用于辅助管理接受激素治疗的COVID-19患者 | COVID-19患者接受激素治疗的胸部CT扫描 | 计算机视觉 | COVID-19 | 迁移学习 | VGG19网络 | CT扫描图像 | NA | NA | NA | NA | NA |
| 560 | 2024-08-07 |
Deep-learning based multi-modal retinal image registration for the longitudinal analysis of patients with age-related macular degeneration
2021-Jan-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.408573
PMID:33520392
|
研究论文 | 本研究报告了一种基于深度学习的注册算法，用于对来自纵向临床研究的多模态视网膜图像进行对齐，以实现对大规模临床数据中结构变化分析所需的准确性和鲁棒性 | 提出的深度学习方法在所有模态中实现了优越的整体性能，没有出现传统方法中的重大失败，并且在多模态注册中表现出更好的鲁棒性 | 深度学习方法在单模态纵向注册中的平均误差略高于传统特征点方法 | 开发一种能够准确且鲁棒地对齐多模态视网膜图像的深度学习算法，以促进对视网膜疾病进展的详细研究 | 多模态视网膜图像的注册 | 计算机视觉 | 年龄相关性黄斑变性 | 深度学习 | CNN | 图像 | 大规模临床数据 | NA | NA | NA | NA |