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 601 - 620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 601 | 2024-08-07 |
Deep learning for cephalometric landmark detection: systematic review and meta-analysis
2021-Jul, Clinical oral investigations
IF:3.1Q1
DOI:10.1007/s00784-021-03990-w
PMID:34046742
|
系统综述和荟萃分析 | 本文通过系统综述和荟萃分析评估了深度学习在头影测量标志点检测中的准确性和证据基础 | 深度学习在头影测量标志点检测中显示出较高的准确性，但需要进一步证明其鲁棒性和泛化能力 | 研究存在高偏倚风险和适用性问题，主要涉及数据选择和参考测试执行 | 评估深度学习在头影测量标志点检测中的准确性和证据基础 | 头影测量图像中的标志点检测 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 二维和三维放射图像 | 19项研究，主要使用二维侧位放射图像，检测平均30个标志点 | NA | NA | NA | NA |
| 602 | 2024-08-07 |
Impact of Image Context on Deep Learning for Classification of Teeth on Radiographs
2021-Apr-12, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm10081635
PMID:33921440
|
研究论文 | 本研究旨在评估图像上下文信息对全景牙科放射图像中牙齿分类深度学习模型准确性的影响 | 通过调整图像上下文大小（从100%到300%）并使用ResNet-34模型，研究了上下文信息对牙齿分类准确性的影响 | 在200%到300%的上下文范围内，准确性提升有限，且犬齿的分类准确性在较小上下文下已经很高，增加上下文带来的提升不大 | 评估图像上下文信息对深度学习模型在全景牙科放射图像中牙齿分类准确性的影响 | 全景牙科放射图像中的牙齿分类 | 计算机视觉 | NA | 深度学习 | ResNet-34 | 图像 | 5008张全景放射图像，每张图像平均包含25.2颗牙齿 | NA | NA | NA | NA |
| 603 | 2024-08-07 |
Classification of Dental Radiographs Using Deep Learning
2021-Apr-03, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm10071496
PMID:33916800
|
研究论文 | 本文通过比较三种深度学习架构的分类性能，回顾性评估放射数据并前瞻性地分类放射图像（包括全景、咬翼、根尖和头影图像） | 使用ResNet-34进行主动学习，通过迭代注释和重新训练提高分类准确性 | 分类错误主要发生在咬翼和根尖图像之间 | 评估和比较不同深度学习模型在牙科放射图像分类中的性能 | 全景、咬翼、根尖和头影牙科放射图像 | 计算机视觉 | NA | 深度学习 | CNN, ResNet-34, CapsNet | 图像 | 31,288张全景图像，43,598张根尖图像，14,326张咬翼图像，1176张头影图像 | NA | NA | NA | NA |
| 604 | 2024-08-07 |
Genetic Probe for Visualizing Glutamatergic Synapses and Vesicles by 3D Electron Microscopy
2021-02-17, ACS chemical neuroscience
IF:4.1Q2
DOI:10.1021/acschemneuro.0c00643
PMID:33522227
|
研究论文 | 本文开发了一种遗传编码探针，用于通过3D电子显微镜技术可视化谷氨酸能突触和囊泡 | 首次开发了一种遗传编码探针，结合miniSOG和囊泡谷氨酸转运体-2，用于标记和成像基于其神经化学身份的突触和突触囊泡 | NA | 开发新的工具来访问神经传递的亚细胞结构和分子机制，以及基于神经递质的神经连接追踪 | 谷氨酸能突触和囊泡的标记与成像 | 神经科学 | NA | 3D电子显微镜，深度学习 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 605 | 2024-08-07 |
Deep learning-based segmentation of the placenta and uterus on MR images
2021-Sep, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.8.5.054001
PMID:34589556
|
研究论文 | 本研究开发了一种基于深度学习的磁共振图像中胎盘和子宫腔的分割方法 | 采用全卷积神经网络（CNN）进行三维（3D）同时分割，并引入最小操作员交互以提高胎盘定位的准确性 | NA | 开发一种用户交互最少的分割方法 | 胎盘和子宫腔的分割 | 计算机视觉 | NA | 磁共振成像 | CNN | 图像 | 训练集包括70个正常案例和129个包括正常及疑似胎盘植入谱（PAS）的案例；测试集包括20个正常案例和50个包括正常及疑似PAS的案例 | NA | NA | NA | NA |
| 606 | 2024-08-07 |
Individual dairy cow identification based on lightweight convolutional neural network
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0260510
PMID:34843562
|
研究论文 | 本研究利用深度学习技术，通过改进的轻量级卷积神经网络Alexnet，实现了在复杂背景下的个体奶牛识别 | 提出了一种改进的轻量级卷积神经网络模型，通过短路连接的BasicBlock和改进的inception模块及注意力机制，提高了特征点的检测能力，同时减少了模型参数 | NA | 提高农场中个体奶牛识别技术的实用性和效率 | 个体奶牛的图像识别 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 13头奶牛的侧视图像 | NA | NA | NA | NA |
| 607 | 2024-08-07 |
Advanced Feature Extraction and Selection Approach Using Deep Learning and Aquila Optimizer for IoT Intrusion Detection System
2021-Dec-26, Sensors (Basel, Switzerland)
DOI:10.3390/s22010140
PMID:35009682
|
研究论文 | 本文开发了一种新的特征提取和选择方法，利用深度学习和Aquila优化器为物联网入侵检测系统提供支持 | 提出了一种基于群智能算法Aquila优化器的特征选择方法，并结合卷积神经网络进行特征提取 | NA | 开发新的特征提取和选择方法，提高物联网入侵检测系统的性能 | 物联网入侵检测系统 | 机器学习 | NA | 深度学习 | CNN | 数据集 | 使用了四个知名公共数据集：CIC2017, NSL-KDD, BoT-IoT, 和 KDD99 | NA | NA | NA | NA |
| 608 | 2024-08-07 |
Low-dose CT reconstruction with Noise2Noise network and testing-time fine-tuning
2021-Dec, Medical physics
IF:3.2Q1
DOI:10.1002/mp.15101
PMID:34791655
|
研究论文 | 本文提出了一种基于深度学习的低剂量CT图像重建算法，该算法无需使用正常剂量的图像进行训练 | 提出的Noise2Noise网络在迭代重建过程中进行微调，无需清洁图像进行网络训练，且在测试时进行微调以优化每次重建 | NA | 开发一种无需清洁图像进行训练的低剂量CT图像重建算法 | 低剂量CT图像重建 | 计算机视觉 | NA | Noise2Noise网络 | 深度神经网络 | 图像 | 使用2016年低剂量CT挑战数据集进行验证 | NA | NA | NA | NA |
| 609 | 2024-08-07 |
Machine learning approach for the prediction of postpartum hemorrhage in vaginal birth
2021-11-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-021-02198-y
PMID:34799687
|
研究论文 | 本研究利用机器学习模型预测阴道分娩后的产后出血 | 构建了五种机器学习模型和一个包含两层神经网络的深度学习模型，通过集成学习方法提高了预测准确性 | 需要进一步研究以分析合适的变量并准备大规模数据集 | 预测阴道分娩后的产后出血 | 在东京女子医科大学东中心进行阴道分娩的女性 | 机器学习 | 产后出血 | 机器学习 | 神经网络 | 临床变量 | 共9,894名进行阴道分娩的患者，其中188例（1.9%）出血量超过1000毫升 | NA | NA | NA | NA |
| 610 | 2024-08-07 |
COVID-19 in the Age of Artificial Intelligence: A Comprehensive Review
2021-Jun, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-021-00431-w
PMID:33886097
|
综述 | 本文详细回顾了人工智能在COVID-19病例的预测、分析和追踪中的决定性作用 | 探讨了人工智能在医疗实践中的应用，特别是在COVID-19病例的识别和监测中的应用 | NA | 评估和总结人工智能在COVID-19大流行中的应用和挑战 | COVID-19病例的识别、监测和追踪 | 机器学习 | COVID-19 | 人工智能 | NA | 大数据 | 涉及全球超过9852万感染者和211万死亡病例 | NA | NA | NA | NA |
| 611 | 2024-08-05 |
A Review of the Role of the S-Detect Computer-Aided Diagnostic Ultrasound System in the Evaluation of Benign and Malignant Breast and Thyroid Masses
2021-Sep-23, Medical science monitor : international medical journal of experimental and clinical research
IF:2.2Q3
DOI:10.12659/MSM.931957
PMID:34552043
|
综述 | 本文回顾了S-Detect计算机辅助诊断超声系统在乳腺和甲状腺肿块评估中的作用 | 介绍了一种基于深度学习算法的互动CAD系统，能提高医疗影像的诊断精度并优化临床工作流程 | 讨论了S-Detect作为精密医疗工具在临床应用中面临的困难和挑战 | 探讨S-Detect在乳腺和甲状腺结节检测中的应用 | 乳腺和甲状腺肿块 | 计算机视觉 | NA | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 612 | 2024-08-05 |
Subtyping of mild cognitive impairment using a deep learning model based on brain atrophy patterns
2021-12-21, Cell reports. Medicine
DOI:10.1016/j.xcrm.2021.100467
PMID:35028609
|
研究论文 | 本文介绍了一种基于脑萎缩模式的轻度认知障碍（MCI）亚型分类方法 | 提出了一种仅基于脑萎缩的亚型分类方法，与传统的基于认知测量的方法相比有更好的有效性 | 缺乏对于其他潜在影响因素的考虑，如遗传背景和环境因素 | 研究轻度认知障碍（MCI）患者的异质性并准确分类亚型 | 轻度认知障碍（MCI）患者 | 数字病理学 | 阿尔茨海默病 | 深度学习 | 深度学习模型 | MRI图像 | NA | NA | NA | NA | NA |
| 613 | 2024-08-05 |
Position paper of the EACVI and EANM on artificial intelligence applications in multimodality cardiovascular imaging using SPECT/CT, PET/CT, and cardiac CT
2021-05, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-021-05341-z
PMID:33864509
|
position paper | 本文概述了现代机器学习基础的人工智能在多模态心血管成像中的应用 | 提出了将机器学习算法应用于心血管成像的新策略 | 人类对数据集的解释、量化和整合能力有限 | 提供现代基于机器学习的人工智能的基本概念和应用概述 | 心血管疾病患者的诊断和预后 | 机器学习 | 心血管疾病 | 核医学成像、CT | 深度学习 | 影像 | NA | NA | NA | NA | NA |
| 614 | 2024-08-05 |
Decoding COVID-19 pneumonia: comparison of deep learning and radiomics CT image signatures
2021-05, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-020-05075-4
PMID:33094432
|
研究论文 | 本研究比较深度学习和放射组学CT影像特征，以解码COVID-19肺炎的影像特征 | 首次结合深度学习和放射组学框架提取COVID-19肺炎相关的影像特征 | 回顾性研究设计可能存在选择偏倚，样本来自于有限的几个医院 | 比较不同的特征工程和深度学习方法，揭示COVID-19肺炎的CT影像特征 | 266名COVID-19及其他病毒性肺炎患者的临床和CT影像数据 | 计算机视觉 | COVID-19肺炎 | 深度学习，放射组学 | 双向对抗网络 | 影像 | 266名患者（93例COVID-19阳性，91例COVID-19阴性） | NA | NA | NA | NA |
| 615 | 2024-08-05 |
Attenuation correction using deep Learning and integrated UTE/multi-echo Dixon sequence: evaluation in amyloid and tau PET imaging
2021-05, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-020-05061-w
PMID:33108475
|
研究论文 | 本文提出了一种结合深度学习和新型超短回声时间（UTE）/多回声Dixon序列的MR基础衰减校正方法，以提高阿尔茨海默病的PET成像准确性 | 首次将深度学习与mUTE序列结合用于阿尔茨海默病的衰减校正，显示出优于传统方法的性能 | 研究样本数量相对较少，仅包括35名受试者，可能影响结果的普遍性 | 提高阿尔茨海默病中淀粉样蛋白和tau蛋白成像的衰减校正准确性 | 35名同时接受11C-PiB和18F-MK6240扫描的受试者 | 数字病理学 | 阿尔茨海默病 | 深度学习与超短回声时间（UTE）/多回声Dixon序列 | 深度学习模型 | 图像 | 35名受试者 | NA | NA | NA | NA |
| 616 | 2024-08-05 |
Deep Learning for Automated Liver Segmentation to Aid in the Study of Infectious Diseases in Nonhuman Primates
2021-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2020.08.023
PMID:32943333
|
研究论文 | 本研究探讨了深度学习在非人类灵长类动物感染疾病研究中自动肝脏分割的应用 | 首次在非人类灵长类动物的全身CT图像中应用先进的CNN算法进行肝脏分割 | 主要集中在非人类灵长类动物上，可能不适用于其他物种 | 提升对感染性疾病中肝脏的准确分割和分析能力 | 37只非人类灵长类动物的82个CT扫描图像 | 数字病理学 | 感染性疾病 | 深度学习 | CNN，FPN、VNet和UNet | 图像 | 37只动物的82个扫描 | NA | NA | NA | NA |
| 617 | 2024-08-05 |
Converting tabular data into images for deep learning with convolutional neural networks
2021-05-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-021-90923-y
PMID:34059739
|
研究论文 | 本研究提出了一种新算法IGTD，将表格数据转换为图像，以便使用卷积神经网络进行深度学习 | 开发了一种新的算法，能够通过优化特征与像素位置的赋值，将表格数据转换为图像 | 未提及具体的局限性 | 研究如何将表格数据有效地转换为图像以供深度学习使用 | 将癌细胞系的基因表达谱和药物的分子描述符作为研究对象 | 计算机视觉 | 癌症 | 卷积神经网络(CNN) | 卷积神经网络(CNN) | 图像 | 使用了基因表达谱和药物分子描述符的多个样本，但具体数量未提供 | NA | NA | NA | NA |
| 618 | 2024-08-05 |
MSA-Regularized Protein Sequence Transformer toward Predicting Genome-Wide Chemical-Protein Interactions: Application to GPCRome Deorphanization
2021-04-26, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.0c01285
PMID:33757283
|
研究论文 | 本研究开发了一种新的深度学习框架来预测化学物质与未注释的进化分化蛋白质之间的相互作用 | 提出了新的方法DISAE，通过结合进化信息和自监督学习，能够从未标记的蛋白质序列中捕获功能关系 | 研究未能探讨所有可能的化学-蛋白质相互作用，且对数据的依赖可能影响预测的准确性 | 旨在改进对未注释蛋白质的 ligand 预测并推动 GPCRome 的去孤立化研究 | 未注释的蛋白质及其与小分子的相互作用 | 机器学习 | NA | 自监督学习 | DISAE | 蛋白质序列 | 使用了所有蛋白质序列及其多序列比对（MSA） | NA | NA | NA | NA |
| 619 | 2024-08-05 |
A network-based deep learning methodology for stratification of tumor mutations
2021-Apr-09, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaa1099
PMID:33416857
|
研究论文 | 本研究开发了一种基于网络嵌入的分层方法，以识别具有临床相关性的患者亚型。 | 提出了一种网络嵌入的分层方法（NES），能通过基因网络区域的相似性来分类肿瘤亚型。 | 该研究可能需要在不同数据集中验证其通用性。 | 旨在通过分析肿瘤突变谱进行肿瘤分层。 | 分析7344个肿瘤外显子样本的体细胞突变特征。 | 数字病理学 | 癌症 | 网络嵌入方法 | lightGBM分类算法 | 突变配置文件 | 7344个肿瘤外显子样本 | NA | NA | NA | NA |
| 620 | 2024-08-05 |
Harnessing clinical annotations to improve deep learning performance in prostate segmentation
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0253829
PMID:34170972
|
研究论文 | 本文评估了使用临床生成的标注来开发高性能前列腺分割模型的有效性 | 首次展示了未经精炼的临床前列腺标注在其他前列腺分割任务中的模板模型应用显著提升了性能 | 研究仅限于特定的前列腺数据集，未探索其他类型的肿瘤或疾病数据 | 提高前列腺图像分割的模型性能 | 针对前列腺图像的分割任务 | 计算机视觉 | 前列腺癌 | 3D U-Net卷积神经网络 (CNN) | CNN | 图像 | 1620个来自临床的分割标注和两个挑战数据集 (PROMISE12: 50位患者, ProstateX-2: 99位患者) | NA | NA | NA | NA |