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 56 篇文献，本页显示第 41 - 56 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2024-08-13 |
Automatic classification of esophageal disease in gastroscopic images using an efficient channel attention deep dense convolutional neural network
2021-Jun-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.420935
PMID:34221645
|
研究论文 | 本文提出了一种高效的通道注意力深度密集卷积神经网络（ECA-DDCNN），用于自动分类胃镜图像中的四种主要食管疾病类别 | 本文的创新点在于提出了一种新的ECA-DDCNN模型，能够分类更多种类的食管疾病，并提高了分类准确性 | NA | 提高食管疾病的诊断效率和准确性 | 食管疾病的自动分类 | 计算机视觉 | 食管癌 | 深度学习 | ECA-DDCNN | 图像 | 20,965张胃镜图像，来自4,077名患者 | NA | NA | NA | NA |
| 42 | 2024-08-13 |
Diagnostic Performance of Artificial Intelligence-Based Models for the Detection of Early Esophageal Cancers in Barret's Esophagus: A Meta-Analysis of Patient-Based Studies
2021-Jun, Cureus
DOI:10.7759/cureus.15447
PMID:34258114
|
meta-分析 | 本研究旨在通过meta分析评估人工智能模型在实时白光内镜下检测Barret食管中早期食管腺癌的诊断性能 | 利用人工智能模型提高Barret食管中早期食管腺癌的诊断准确性 | 研究数量较少，需要进一步的前瞻性研究来验证人工智能模型的患者基础诊断准确性 | 评估人工智能模型在检测Barret食管中早期食管腺癌的诊断性能 | Barret食管患者中的早期食管腺癌 | 机器学习 | 食管癌 | 人工智能 | CNN | 图像 | 共纳入3项研究，报告了4个数据集 | NA | NA | NA | NA |
| 43 | 2024-08-12 |
Validation of Visual and Auditory Digital Markers of Suicidality in Acutely Suicidal Psychiatric Inpatients: Proof-of-Concept Study
2021-06-03, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/25199
PMID:34081022
|
研究论文 | 本文通过视频访谈，利用开源深度学习算法量化面部、语音和运动行为，以评估自杀风险的严重程度 | 首次使用数字标记方法量化自杀风险症状，如面部表情、头部运动和语音特征 | 研究样本较小，仅包括20名近期自杀未遂的精神科住院患者 | 探索通过视频访谈中的面部、语音和运动行为量化自杀风险严重程度 | 近期自杀未遂的精神科住院患者 | 计算机视觉 | 精神疾病 | 深度学习算法 | NA | 视频 | 20名患者 | NA | NA | NA | NA |
| 44 | 2024-08-12 |
In silico drug repositioning using deep learning and comprehensive similarity measures
2021-Jun-01, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-020-03882-y
PMID:34074242
|
研究论文 | 本文开发了一种深度门控循环单元模型，利用综合相似性度量和高斯交互轮廓核来预测潜在的药物-疾病相互作用，以加速药物再定位和新药研发 | 本文采用了深度门控循环单元模型和综合相似性度量，以及高斯交互轮廓核来预测药物-疾病相互作用，这一方法在之前的研究中未被充分利用 | NA | 加速药物再定位和新药研发 | 药物-疾病相互作用 | 机器学习 | NA | 深度学习 | 门控循环单元 (GRU) | 化学指纹和疾病关联数据 | 两个基准数据集 | NA | NA | NA | NA |
| 45 | 2024-08-12 |
Non-invasive measurement of PD-L1 status and prediction of immunotherapy response using deep learning of PET/CT images
2021-06, Journal for immunotherapy of cancer
IF:10.3Q1
DOI:10.1136/jitc-2020-002118
PMID:34135101
|
研究论文 | 本文利用深度学习技术从PET/CT图像中非侵入性地测量PD-L1状态并预测免疫治疗反应 | 提出了一种基于深度学习的小残差卷积网络（SResCNN）来预测PD-L1表达状态，并验证了其在预测无进展生存期（PFS）和总生存期（OS）方面的有效性 | 研究结果需要在大规模前瞻性试验中进一步验证 | 开发一种替代免疫组化（IHC）的非侵入性方法来测量PD-L1状态，以指导个体化治疗决策 | 非小细胞肺癌（NSCLC）患者 | 计算机视觉 | 肺癌 | PET/CT成像 | 小残差卷积网络（SResCNN） | 图像 | 697名NSCLC患者 | NA | NA | NA | NA |
| 46 | 2024-08-07 |
How Can a Deep Learning Algorithm Improve Fracture Detection on X-rays in the Emergency Room?
2021-Jun-25, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging7070105
PMID:39080893
|
研究论文 | 本研究评估了一种深度学习算法在急诊室中用于常规X光片骨折检测的性能 | 深度学习算法在急诊室中骨折检测的敏感性和特异性较高，且无需本地数据训练 | 研究样本量较小，且未涉及算法在不同医院或不同数据集上的泛化能力 | 探讨深度学习算法在急诊室中骨折检测的应用价值 | 评估深度学习算法在急诊室中常规X光片骨折检测的性能 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 125名因肢体创伤就诊于Louis Mourier急诊室的患者 | NA | NA | NA | NA |
| 47 | 2024-08-07 |
Exposing Manipulated Photos and Videos in Digital Forensics Analysis
2021-Jun-24, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging7070102
PMID:39080890
|
研究论文 | 本文提出了一种基于支持向量机（SVM）的机器学习方法，用于区分真实和伪造的多媒体文件，特别是数字照片和视频，这些文件可能包含深度伪造内容 | 该方法通过离散傅里叶变换（DFT）提取简单特征，并在5折交叉验证中取得了优于文献中SVM方法的平均F1分数 | 尽管卷积神经网络（CNN）的表现超过了提出的DFT-SVM复合方法，但DFT-SVM的竞争力结果和显著减少的处理时间使其适合嵌入到Autopsy模块中 | 开发一种自动化工具，帮助刑事调查人员检测篡改的多媒体内容 | 真实和伪造的数字照片及视频 | 计算机视觉 | NA | 支持向量机（SVM），离散傅里叶变换（DFT） | 支持向量机（SVM） | 图像，视频 | 使用了包含合法和伪造照片及视频帧的大型数据集，以及Celeb-DFv1数据集中的590个原始视频 | NA | NA | NA | NA |
| 48 | 2024-08-07 |
Breast Cancer Risk Assessment: A Review on Mammography-Based Approaches
2021-Jun-12, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging7060098
PMID:39080886
|
综述 | 本文综述了从乳腺X线照片中提取纹理特征并与机器学习算法结合用于评估乳腺癌风险的研究，以及旨在实现相同目标的深度学习方法 | 机器学习和深度学习方法在风险分析领域提供了有前景的结果，无论是风险分层还是风险评分预测 | 未来的研究应考虑将这些方法在临床实践中实施的可能性 | 综述基于乳腺X线照片的乳腺癌风险评估方法 | 乳腺癌风险评估方法及其在临床实践中的应用 | 机器学习 | 乳腺癌 | NA | 机器学习算法，深度学习方法 | 乳腺X线照片 | NA | NA | NA | NA | NA |
| 49 | 2024-08-07 |
Lesion segmentation in breast ultrasound images using the optimized marked watershed method
2021-Jun-07, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-021-00891-7
PMID:34098970
|
研究论文 | 本文提出了一种基于优化标记分水岭方法的乳腺超声图像病变分割技术 | 采用自适应形态学蛇（AMS）算法和标记分水岭（MW）方法，提高了病变分割的准确性和敏感性 | NA | 提高乳腺超声图像病变分割的准确性和效率 | 乳腺超声图像中的病变区域 | 计算机视觉 | 乳腺癌 | 自适应形态学蛇（AMS）算法 | 标记分水岭（MW）方法 | 图像 | 数据集A包含500张本地医院的乳腺超声图像，数据集B包含205张开源乳腺超声图像 | NA | NA | NA | NA |
| 50 | 2024-08-07 |
Deep learning-based attenuation correction for brain PET with various radiotracers
2021-Jun, Annals of nuclear medicine
IF:2.5Q2
DOI:10.1007/s12149-021-01611-w
PMID:33811600
|
研究论文 | 开发了一种基于深度学习的PET衰减校正（deep AC）框架，用于合成非衰减校正（NAC）PET图像的透射计算机断层扫描（TCT）图像 | 使用卷积神经网络（CNN）和大量多种放射性示踪剂的数据集，合成TCT图像，提高了PET图像的定量准确性 | NA | 克服脑部专用PET扫描仪在没有衰减校正获取机制的情况下获取准确μ-map的挑战 | 脑部PET图像的衰减校正 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | 1261个脑部NAC PET和TCT图像（1091个用于训练，70个用于测试） | NA | NA | NA | NA |
| 51 | 2024-08-07 |
Temporal and spectral unmixing of photoacoustic signals by deep learning
2021-Jun-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.426678
PMID:34061089
|
研究论文 | 本文报道了一种基于条件生成对抗网络的方法，用于时间解混和光声信号的光谱解混，突破了A线速率的物理限制，为超高速多参数光声显微镜奠定了基础 | 提出了一种基于深度学习的方法，能够实现时间间隔仅为约38纳秒的光声A线信号解混，突破了传统物理限制 | NA | 提高多参数光声显微镜的成像速度，以增强其在生物医学中的应用 | 光声信号的时间和光谱解混 | 机器学习 | NA | 光声显微镜 | 条件生成对抗网络 | 信号 | NA | NA | NA | NA | NA |
| 52 | 2024-08-07 |
Screening for regenerative therapy responders in heart failure
2021-Jun, Biomarkers in medicine
IF:1.9Q3
DOI:10.2217/bmm-2020-0683
PMID:34169733
|
研究论文 | 本文探讨了在心力衰竭治疗中筛选适合再生疗法患者的方法 | 文章提出了基于疾病生物学新见解的表型患者选择升级方法，以及通过深度学习增强的临床决策支持 | NA | 旨在提高心力衰竭再生疗法的个体化治疗效果 | 心力衰竭患者及其对再生疗法的响应 | NA | 心血管疾病 | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 53 | 2024-08-07 |
Diagnosis analysis of rectal function through using ensemble empirical mode decomposition-deep belief networks algorithm
2021-Jun-01, The Review of scientific instruments
DOI:10.1063/5.0042382
PMID:34243584
|
研究论文 | 本文提出了一种基于集成经验模态分解-深度信念网络（EEMD-DBNs）的直肠功能诊断模型，用于人工肛门括约肌植入后的直肠运动功能诊断 | 使用EEMD框架减少信号模态混合的影响，并通过DBN进行深度学习提取直肠信号的多维特征 | NA | 开发一种有效的直肠功能诊断模型，以支持人工肛门括约肌植入者的直肠运动功能恢复 | 直肠压力信号的分解与分类 | 机器学习 | NA | 集成经验模态分解（EEMD），深度信念网络（DBN） | 深度信念网络（DBN） | 信号 | 正常人和患病患者的直肠信号 | NA | NA | NA | NA |
| 54 | 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 |
| 55 | 2024-08-05 |
Automated cardiac volume assessment and cardiac long- and short-axis imaging plane prediction from electrocardiogram-gated computed tomography volumes enabled by deep learning
2021-Jun, European heart journal. Digital health
DOI:10.1093/ehjdh/ztab033
PMID:34223176
|
研究论文 | 本文开发了一种用于心脏CT的自动化血池分割和成像平面重新切片的方法 | 利用深度学习自动化评估心脏的多个腔体，并能沿标准化成像平面重新切片以进行功能评估 | 未提及具体的限制因素 | 研究旨在为冠状动脉疾病的心脏运动评估开发一个临床应用的方法 | 研究对象为100名接受心脏CT扫描的患者 | 计算机视觉 | 冠状动脉疾病 | 深度学习 | NA | 图像 | 100名患者进行训练，144名患者进行测试 | NA | NA | NA | NA |
| 56 | 2024-08-05 |
Going Beyond Saliency Maps: Training Deep Models to Interpret Deep Models
2021-Jun, Information processing in medical imaging : proceedings of the ... conference
DOI:10.1007/978-3-030-78191-0_6
PMID:34548772
|
研究论文 | 本研究提出了一种通过训练模拟网络以解释深度学习模型在神经成像研究中的决策过程的方法 | 提出了结合图像到图像转换方案的模拟网络，能够更好地可视化与脑部疾病相关的具体形态变化 | 研究主要基于合成数据集和两种神经成像数据集，可能限制了结果的泛化能力 | 探索深度学习模型在神经成像研究中对脑部疾病的解释能力 | 面向阿尔茨海默病和酒精依赖的分类器 | 计算机视觉 | 阿尔茨海默病 | 深度学习 | 模拟网络 | MRI图像 | 合成数据集和两个神经成像数据集的样本 | NA | NA | NA | NA |