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 60 篇文献，本页显示第 21 - 40 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2024-11-18 |
Multi-stage malaria parasite recognition by deep learning
2021-06-17, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giab040
PMID:34137821
|
研究论文 | 本文开发了一种基于深度迁移图卷积网络（DTGCN）的深度学习方法，用于识别血液涂片图像中不同阶段的疟原虫 | 首次将图卷积网络（GCN）应用于多阶段疟原虫识别 | NA | 开发一种高效准确的方法来识别血液涂片图像中不同阶段的疟原虫 | 疟原虫的不同生长阶段 | 计算机视觉 | 疟疾 | 深度迁移图卷积网络（DTGCN） | 图卷积网络（GCN） | 图像 | 使用了公开的微观图像数据集和一个大规模的未见过的疟原虫数据集以及Babesia数据集 | NA | NA | NA | NA |
| 22 | 2024-11-11 |
Artificial Intelligence-based Analytics for Diagnosis of Small Bowel Enteropathies and Black Box Feature Detection
2021-06-01, Journal of pediatric gastroenterology and nutrition
IF:2.4Q1
DOI:10.1097/MPG.0000000000003057
PMID:33534362
|
研究论文 | 开发了一种基于人工智能的图像分析平台，利用深度学习卷积神经网络（CNNs）来诊断小肠肠病，并检测其特征 | 利用深度学习CNNs和Grad-CAMs技术，提高了小肠肠病的诊断准确性，并揭示了深度学习模型的决策过程 | 研究样本主要来自儿童，且样本量相对较小 | 开发一种能够准确诊断小肠肠病的计算方法，并揭示深度学习模型的决策过程 | 小肠肠病，包括环境肠病（EE）和乳糜泻（CD） | 计算机视觉 | NA | 深度学习卷积神经网络（CNNs） | CNN | 图像 | 461张高分辨率活检图像，来自150名儿童 | NA | NA | NA | NA |
| 23 | 2024-10-28 |
Artificial intelligence: a critical review of current applications in pancreatic imaging
2021-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-021-01098-5
PMID:33550513
|
综述 | 本文综述了人工智能在胰腺疾病影像学中的应用 | 介绍了机器学习和深度学习在胰腺疾病影像学中的最新进展和当前成果 | 讨论了人工智能在胰腺疾病影像学中的局限性和未来展望 | 探讨人工智能在胰腺疾病影像学中的应用 | 胰腺导管腺癌和其他胰腺肿瘤的检测与特征分析 | 计算机视觉 | 胰腺癌 | 机器学习 深度学习 | NA | 影像 | NA | NA | NA | NA | NA |
| 24 | 2024-10-18 |
Diagnostic Accuracy of Quantitative Multicontrast 5-Minute Knee MRI Using Prospective Artificial Intelligence Image Quality Enhancement
2021-06, AJR. American journal of roentgenology
DOI:10.2214/AJR.20.24172
PMID:32755384
|
研究论文 | 本研究评估了使用深度学习增强的5分钟3D定量双回波稳态（qDESS）序列与传统膝关节MRI在诊断准确性方面的比较 | 本研究首次使用深度学习超分辨率增强技术来提高qDESS序列的图像质量，并自动生成T2图 | 本研究样本量较小，仅包括51名患者，且未涵盖所有可能的膝关节病变 | 评估深度学习增强的qDESS序列与传统膝关节MRI在诊断准确性方面的差异 | 膝关节MRI图像的质量和诊断准确性 | 计算机视觉 | NA | 深度学习超分辨率增强 | 深度学习模型 | 图像 | 51名膝关节疼痛患者 | NA | NA | NA | NA |
| 25 | 2024-10-10 |
AIDeveloper: Deep Learning Image Classification in Life Science and Beyond
2021-06, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202003743
PMID:34105281
|
研究论文 | 介绍了一种名为AIDeveloper的开源软件，用于在不需要编程的情况下训练神经网络进行图像分类 | AIDeveloper提供了一种易于使用、可适应且开源的解决方案，无需编程即可训练神经网络进行图像分类 | NA | 开发一种无需编程即可训练神经网络进行图像分类的软件 | 图像分类在生命科学及其他领域的应用 | 计算机视觉 | NA | 神经网络 | 神经网络 | 图像 | 超过120万张图像用于训练神经网络进行血细胞分类 | NA | NA | NA | NA |
| 26 | 2024-10-08 |
Mini-COVIDNet: Efficient Lightweight Deep Neural Network for Ultrasound Based Point-of-Care Detection of COVID-19
2021-06, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2021.3068190
PMID:33755565
|
研究论文 | 本文开发了一种轻量级的深度学习模型Mini-COVIDNet，用于基于肺部超声图像的COVID-19检测 | 提出了Mini-COVIDNet模型，相比现有模型参数减少了4.39倍，内存需求仅为51.29 MB，适用于移动平台部署 | NA | 开发一种适用于移动平台的轻量级深度学习模型，用于COVID-19的快速检测 | COVID-19、肺炎和健康状态的肺部超声图像 | 计算机视觉 | COVID-19 | 深度学习 | 深度神经网络 | 图像 | 三类样本：COVID-19、肺炎和健康状态 | NA | NA | NA | NA |
| 27 | 2024-10-05 |
Yet Another Automated Gleason Grading System (YAAGGS) by weakly supervised deep learning
2021-Jun-14, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-021-00469-6
PMID:34127777
|
研究论文 | 本文介绍了一种基于弱监督深度学习的自动Gleason分级系统 | 该系统不需要专家进行广泛的区域级手动注释或复杂的算法来生成区域级注释 | 受限于病例数量和其他因素 | 开发一种无需广泛区域级注释的人工智能系统来诊断前列腺癌 | 前列腺癌的Gleason分级 | 数字病理学 | 前列腺癌 | 深度学习 | NA | 图像 | 6664和936个前列腺穿刺单核切片（689和99例） | NA | NA | NA | NA |
| 28 | 2024-10-01 |
How artificial intelligence might disrupt diagnostics in hematology in the near future
2021-06, Oncogene
IF:6.9Q1
DOI:10.1038/s41388-021-01861-y
PMID:34103684
|
研究论文 | 本文探讨了人工智能在血液学诊断中的潜在应用及其未来发展 | 介绍了人工智能在血液学诊断中的多种应用，如模式识别软件、深度学习算法和数字双胞胎技术，并强调了其在自动化图像分类方面的显著进展 | 尽管提到了人工智能的潜力，但未具体讨论当前应用中的局限性 | 探讨人工智能在血液学诊断中的应用及其未来发展 | 血液学诊断中的图像分析和数据处理 | 机器学习 | NA | 模式识别软件、深度学习算法、数字双胞胎技术 | NA | 图像、电子健康记录、可穿戴健康追踪设备数据 | NA | NA | NA | NA | NA |
| 29 | 2024-09-25 |
A three-stage, deep learning, ensemble approach for prognosis in patients with Parkinson's disease
2021-Jun-07, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-021-00795-6
PMID:34100134
|
研究论文 | 本文提出了一种三阶段深度学习集成方法，用于帕金森病患者的预后预测 | 该研究结合了深度学习和集成方法，利用多模态数据（DaTscan图像和临床运动症状测量）进行预后预测，展示了成像和非成像信息的协同作用 | 研究使用了回顾性数据，且样本量相对较小，未来需要在前瞻性研究和更大样本量中验证其有效性 | 开发一种三阶段深度学习集成方法，用于帕金森病患者的预后预测 | 帕金森病患者的预后预测 | 计算机视觉 | 神经退行性疾病 | 深度学习 | 深度神经网络 | 图像和临床数据 | 198名帕金森病患者 | NA | NA | NA | NA |
| 30 | 2024-09-14 |
Automatic delineation of cardiac substructures using a region-based fully convolutional network
2021-Jun, Medical physics
IF:3.2Q1
DOI:10.1002/mp.14810
PMID:33655548
|
研究论文 | 本文提出了一种基于区域的全卷积网络用于自动描绘心脏亚结构 | 使用了一种基于深度学习的算法，通过区域卷积神经网络（RCNN）自动生成心脏亚结构的轮廓，以帮助回顾性或前瞻性剂量学研究 | 该方法在冠状动脉和心脏瓣膜的分割上表现较差，平均表面距离（MSD）较大 | 研究放射剂量与心脏亚结构毒性之间的关系 | 心脏亚结构，如心房和心室 | 计算机视觉 | NA | 区域卷积神经网络（RCNN） | 全卷积网络 | CT图像 | 55个患者CT数据集，其中22个有对比扫描，45个用于三折交叉验证，10个用于保留评估 | NA | NA | NA | NA |
| 31 | 2024-09-14 |
Evaluation of deep learning approaches for identification of different corona-virus species and time series prediction
2021-06, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文评估了多种深度学习模型在新冠病毒物种识别和时间序列预测中的应用 | 本文首次将多种卷积神经网络模型（如VGG、LetNet-5、AlexNet和Resnet-50）应用于新冠病毒和SARS_MERS感染患者的肺部X光扫描分类，并使用LSTM模型进行新冠病毒病例的时间序列预测 | 由于不同冠状病毒类型的特征重叠，肺部X光扫描的分类任务具有挑战性 | 开发一种自动化系统，用于区分新冠病毒阳性患者和阴性患者，并预测未来10天内的新冠病毒病例 | 新冠病毒和SARS_MERS感染患者的肺部X光扫描图像，以及意大利未来10天内的新冠病毒病例 | 计算机视觉 | NA | 卷积神经网络（CNN）和长短期记忆网络（LSTM） | CNN和LSTM | 图像 | NA | NA | NA | NA | NA |
| 32 | 2024-09-10 |
Social distance monitoring framework using deep learning architecture to control infection transmission of COVID-19 pandemic
2021-Jun, Sustainable cities and society
IF:10.5Q1
DOI:10.1016/j.scs.2021.102777
PMID:33619448
|
研究论文 | 本文提出了一种基于深度学习架构的社会距离监测框架，用于控制COVID-19大流行期间的感染传播 | 利用Faster-RCNN进行人体检测，并通过迁移学习技术提高框架性能，实现了96%的准确率和0.6%的假阳性率 | NA | 开发一种能够实时监测和管理人群中社会距离的框架，以防止病毒传播 | 社会距离监测框架的开发和评估 | 计算机视觉 | COVID-19 | 深度学习 | Faster-RCNN | 图像 | 使用了多种测试图像进行实验 | NA | NA | NA | NA |
| 33 | 2024-09-10 |
A multi-center study of COVID-19 patient prognosis using deep learning-based CT image analysis and electronic health records
2021-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2021.109583
PMID:33846041
|
研究论文 | 本文通过结合电子健康记录和深度学习CT图像分析，进行多中心研究以预测COVID-19患者的预后 | 开发了一种基于深度学习的CT分割网络，并结合电子健康记录进行预后预测 | NA | 预测COVID-19患者的严重程度和预后 | COVID-19患者的CT图像和电子健康记录 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像和文本 | 涉及三个机构的多个患者数据 | NA | NA | NA | NA |
| 34 | 2024-09-10 |
Comparative study of machine learning methods for COVID-19 transmission forecasting
2021-06, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2021.103791
PMID:33915272
|
研究论文 | 本文比较了多种机器学习方法在COVID-19传播预测中的表现 | 本文引入了混合模型（如LSTM-CNN和GAN-GRU）来提高COVID-19未来趋势的预测准确性 | NA | 研究如何利用机器学习方法提高COVID-19传播的短期预测准确性 | COVID-19传播的短期预测 | 机器学习 | COVID-19 | 机器学习 | 混合模型（LSTM-CNN、GAN-GRU）、GAN、CNN、LSTM、RBM、LR、SVR | 时间序列数据 | 来自七个受影响国家的COVID-19确诊病例和康复病例数据 | NA | NA | NA | NA |
| 35 | 2024-09-10 |
Artificial intelligence to diagnose paroxysmal supraventricular tachycardia using electrocardiography during normal sinus rhythm
2021-Jun, European heart journal. Digital health
DOI:10.1093/ehjdh/ztab025
PMID:36712389
|
研究论文 | 开发并验证了一种深度学习模型，用于在正常窦性心律期间通过心电图诊断阵发性室上性心动过速 | 首次开发并验证了一种基于残差神经网络的深度学习模型，用于在正常窦性心律期间通过心电图识别阵发性室上性心动过速患者 | 研究为多中心回顾性研究，数据来自两家医院，可能存在数据偏倚 | 开发并验证一种深度学习模型，用于在正常窦性心律期间通过心电图诊断阵发性室上性心动过速 | 阵发性室上性心动过速患者 | 机器学习 | 心血管疾病 | 深度学习 | 残差神经网络 | 心电图 | 12955名正常窦性心律患者，31147份心电图 | NA | NA | NA | NA |
| 36 | 2024-09-05 |
Deep learning-based amyloid PET positivity classification model in the Alzheimer's disease continuum by using 2-[18F]FDG PET
2021-Jun-10, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-021-00798-3
PMID:34114091
|
研究论文 | 本文提出了一种基于深度学习（DL）的模型，用于从2-脱氧-2-[氟-18]氟-D-葡萄糖（2-[18F]FDG）PET图像中分类阿尔茨海默病连续体中的淀粉样PET阳性情况 | 该模型能够在不进行有限可及性的淀粉样PET的情况下，成功分类临床实践中的淀粉样PET阳性情况 | NA | 开发一种基于2-[18F]FDG PET图像的深度学习模型，用于早期诊断和预测阿尔茨海默病 | 阿尔茨海默病患者 | 机器学习 | 阿尔茨海默病 | 2-[18F]FDG PET | 2.5-D深度学习架构 | 图像 | 训练和内部验证数据集包含1433名参与者，外部验证数据集包含100名参与者 | NA | NA | NA | NA |
| 37 | 2024-09-02 |
Shared decision-making and maternity care in the deep learning age: Acknowledging and overcoming inherited defeaters
2021-Jun, Journal of evaluation in clinical practice
IF:2.1Q2
DOI:10.1111/jep.13515
PMID:33188540
|
研究论文 | 本文探讨了人工智能在产科护理中应用时面临的哲学和实践问题，特别是知识论和伦理问题，并提出了一个共享决策框架来解决这些问题。 | 作者扩展了一个现有的共享决策框架，并将其应用于人工智能在产科护理中的应用，特别是机器学习和深度学习技术在电子胎儿监测中的应用。 | 文章指出，尽管当前或未来的人工智能增强的电子胎儿监测可能对临床医生施加知识论义务，但这些义务可能被继承的反驳者所覆盖，这表明对客户知识的责任延伸到任何临床医生（或其他人）参与生成用于共享决策系统的训练数据的情况。 | 研究目的是探讨人工智能在产科护理中的应用，特别是机器学习和深度学习技术在电子胎儿监测中的应用，并解决由此产生的哲学和实践问题。 | 研究对象是人工智能在产科护理中的应用，特别是机器学习和深度学习技术在电子胎儿监测中的应用。 | 机器学习 | NA | 深度学习 | NA | 数据 | NA | NA | NA | NA | NA |
| 38 | 2024-09-01 |
SrvfNet: A Generative Network for Unsupervised Multiple Diffeomorphic Functional Alignment
2021-Jun, Conference on Computer Vision and Pattern Recognition Workshops. IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Workshops
DOI:10.1109/cvprw53098.2021.00505
PMID:35794879
|
研究论文 | 本文介绍了一种名为SrvfNet的生成式深度学习框架，用于对包含平方根速度函数（SRVF）的大量功能数据进行联合多重微分同胚对齐 | 该框架是完全无监督的，不仅能对预定义模板进行对齐，还能从数据中联合预测最优模板并同时实现对齐 | NA | 开发一种新的深度学习框架，用于功能数据的无监督多重微分同胚对齐 | 功能数据，特别是包含平方根速度函数的集合 | 机器学习 | NA | 深度学习 | 生成式编码器-解码器架构 | 功能数据 | 涉及合成数据和磁共振成像（MRI）数据中的扩散轮廓 | NA | NA | NA | NA |
| 39 | 2024-08-24 |
Deep Learning on Chest X-ray Images to Detect and Evaluate Pneumonia Cases at the Era of COVID-19
2021-Jun-08, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-021-01745-4
PMID:34101042
|
研究论文 | 本文研究使用深度学习方法自动分析胸部X光图像，以检测和评估COVID-19相关的肺炎病例 | 提出了定制的深度学习模型来检测肺炎感染病例，特别是病毒性肺炎，并提出了易于应用的健康指标来估计感染状态和预测患者状态 | NA | 开发精确的工具帮助医疗专业人员筛查COVID-19和诊断确诊患者 | 胸部X光图像 | 计算机视觉 | 肺部疾病 | 深度学习 | CNN | 图像 | 公开的胸部X光图像数据集 | NA | NA | NA | NA |
| 40 | 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 |