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 569 篇文献，本页显示第 301 - 320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 301 | 2024-09-04 |
SMAD: SMart assistant during and after a medical emergency case based on deep learning sentiment analysis: The pandemic COVID-19 case
2022, Cluster computing
DOI:10.1007/s10586-022-03601-7
PMID:35571977
|
研究论文 | 本文提出了一种基于深度学习情感分析的智能助手SMAD，用于在医疗紧急情况期间和之后分析普通公民的自然语言语音，以检测紧急情况和心理障碍症状 | SMAD能够通过自然语言处理和深度学习情感分析模型，实时跟踪患者的心理状态，并提供智能医疗服务 | NA | 开发一种智能助手，用于在医疗紧急情况期间和之后提供心理支持和行为分析 | 紧急情况下的心理状态和行为 | 自然语言处理 | NA | 深度学习情感分析 | 情感分析模型 | 文本 | 使用社交媒体数据集 | NA | NA | NA | NA |
| 302 | 2024-09-04 |
Deep Learning Models for the Diagnosis and Screening of COVID-19: A Systematic Review
2022, SN computer science
DOI:10.1007/s42979-022-01326-3
PMID:35911439
|
综述 | 本研究通过系统综述方法，比较了基于CT和胸片图像的多种深度学习模型在COVID-19诊断和筛查中的应用 | 本研究采用了质量评估规则，并详细分析了各篇论文的模型评估矩阵、贡献和动机 | 部分先前研究未包含医院环境的数据，也未考虑数据预处理步骤 | 评估和比较深度学习模型在COVID-19早期诊断中的应用 | COVID-19的诊断和筛查 | 机器学习 | COVID-19 | 深度学习 | CNN | 图像 | 包含75篇以上的文献进行质量评估，最终采用57篇文章进行系统综述 | NA | NA | NA | NA |
| 303 | 2024-09-04 |
Artificial intelligence model on chest imaging to diagnose COVID-19 and other pneumonias: A systematic review and meta-analysis
2022, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2022.100438
PMID:35996746
|
meta-analysis | 本文通过系统综述和荟萃分析评估了基于胸部影像的人工智能模型在诊断COVID-19和其他肺炎中的诊断准确性和方法学质量 | 利用人工智能模型在胸部影像上区分COVID-19和其他肺炎，显示出高敏感性和特异性 | 目前尚未将人工智能模型作为临床决策工具实施，且研究方法学质量有待提高 | 评估基于胸部影像的人工智能模型在诊断COVID-19和其他肺炎中的诊断准确性和方法学质量 | 基于胸部影像的人工智能模型 | machine learning | lung cancer | NA | AI | image | 6737名参与者 | NA | NA | NA | NA |
| 304 | 2024-09-04 |
NanoNet: Rapid and accurate end-to-end nanobody modeling by deep learning
2022, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2022.958584
PMID:36032123
|
研究论文 | 本文开发了一种名为NanoNet的深度学习模型，用于快速准确地进行纳米体结构建模 | NanoNet能够直接从序列生成整个VH域的3D坐标，实现了高精度的纳米体结构建模 | NA | 开发一种高吞吐量的方法来进行纳米体的精确结构建模 | 纳米体（Nb）及其抗体VH域的结构 | 机器学习 | NA | 深度学习 | 深度学习模型 | 序列数据 | NanoNet在纳米体测试集上实现了高精度，并在标准CPU计算机上能够在4小时内生成约100万个纳米体结构 | NA | NA | NA | NA |
| 305 | 2024-09-04 |
Accurate image-based identification of macroinvertebrate specimens using deep learning-How much training data is needed?
2022, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.13837
PMID:36032940
|
研究论文 | 研究使用深度学习工具进行基于图像的淡水大型无脊椎动物物种识别，探讨训练数据量对分类准确性的影响 | 展示了使用少量训练数据（15个样本）即可达到97%的分类准确率，显示出基于图像的方法和深度学习在样本研究中的巨大潜力 | 主要关注于淡水大型无脊椎动物，且针对形态相似物种的分类准确性仍有提升空间 | 探讨基于图像的分类方法在生物监测中的应用，特别是深度学习工具所需的训练数据量 | 淡水大型无脊椎动物的物种识别 | 计算机视觉 | NA | 深度学习 | 卷积神经网络（CNN） | 图像 | 60个样本，每种16个分类单元 | NA | NA | NA | NA |
| 306 | 2024-09-04 |
aEYE: A deep learning system for video nystagmus detection
2022, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2022.963968
PMID:36034311
|
研究论文 | 本文开发并验证了一个深度学习系统（aEYE），用于分类视频记录是否包含至少两个连续的眼球震颤节拍 | 深度学习模型在基于视频的眼球运动检测中的应用尚未得到广泛研究 | 模型在压缩视频上的准确性随着图像采样率的降低而下降 | 探索深度学习在视频记录中检测眼球震颤的有效性 | 视频记录中的眼球震颤检测 | 机器学习 | NA | 深度学习 | ResNet-soft voting 和 VGG-hard voting | 视频 | 435个视频片段 | NA | NA | NA | NA |
| 307 | 2024-09-04 |
Sampling and ranking spatial transcriptomics data embeddings to identify tissue architecture
2022, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2022.912813
PMID:36035139
|
研究论文 | 本文开发了一种名为MP-MIM的嵌入评估方法，结合基于消息传递的嵌入转换和空间自相关分析，用于选择有效的嵌入以推断组织结构 | 提出了MP-MIM方法，结合消息传递和空间自相关分析，以选择高质量的嵌入，提高深度学习工具在空间转录组分析中的可用性 | NA | 开发一种新的方法来选择适用于新测试数据的嵌入，并提高深度学习工具在空间转录组分析中的实用性 | 空间转录组数据嵌入的选择和组织结构的推断 | 生物信息学 | NA | 空间转录组学 | 图卷积网络 | 空间转录组数据 | 16个来自人类大脑的空间转录组样本 | NA | NA | NA | NA |
| 308 | 2024-09-04 |
Deep learning assessment of left ventricular hypertrophy based on electrocardiogram
2022, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2022.952089
PMID:36035939
|
研究论文 | 本研究构建了一个基于卷积神经网络-长短期记忆（CNN-LSTM）的深度学习模型，用于通过12导联心电图快速有效地检测左心室肥厚（LVH） | 本研究首次将深度学习技术应用于LVH的诊断，提高了诊断的敏感性 | NA | 旨在通过深度学习技术提高左心室肥厚的诊断效率和准确性 | 左心室肥厚（LVH）的诊断 | 机器学习 | 心血管疾病 | 深度学习 | CNN-LSTM | 心电图 | 共分析了1,863名患者的超声心动图和心电图数据，其中训练集1,120例，验证集371例，测试集1 372例，内部测试集2 453例 | NA | NA | NA | NA |
| 309 | 2024-09-04 |
Artificial intelligence for topic modelling in Hindu philosophy: Mapping themes between the Upanishads and the Bhagavad Gita
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0273476
PMID:36048840
|
研究论文 | 本文使用BERT等高级语言模型对《奥义书》和《薄伽梵歌》进行主题建模，并分析两者之间的主题相似性和重叠性 | 首次使用基于深度学习的语言模型对《奥义书》和《薄伽梵歌》进行主题建模和分析 | NA | 探索《奥义书》和《薄伽梵歌》之间的主题相似性和重叠性 | 《奥义书》和《薄伽梵歌》 | 自然语言处理 | NA | BERT | BERT | 文本 | 《奥义书》和《薄伽梵歌》的选定文本 | NA | NA | NA | NA |
| 310 | 2024-09-04 |
Apache Spark and Deep Learning Models for High-Performance Network Intrusion Detection Using CSE-CIC-IDS2018
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/3131153
PMID:36059395
|
研究论文 | 本文提出使用Apache Spark和深度学习模型（CNN和LSTM）结合CSE-CIC-IDS2018数据集进行高性能网络入侵检测 | 采用随机森林进行特征选择，使用过采样和欠采样技术处理数据不平衡问题，以及Apache Spark模型在所有类别中达到100%的准确率 | NA | 提高网络入侵检测系统的性能 | 网络入侵检测 | 机器学习 | NA | 深度学习 | CNN, LSTM | 数据集 | CSE-CIC-IDS2018数据集包含14种攻击类型，84个特征中的19个被选为重要特征 | NA | NA | NA | NA |
| 311 | 2024-09-04 |
Clinical and Biological Significances of a Ferroptosis-Related Gene Signature in Lung Cancer Based on Deep Learning
2022, Computational and mathematical methods in medicine
DOI:10.1155/2022/6495301
PMID:36060648
|
研究论文 | 本研究探讨了长链酰基辅酶A合成酶4（ACSL4）在非小细胞肺癌（NSCLC）中的表达及其与铁死亡的关系，并利用深度学习技术进行分析 | 首次揭示了ACSL4在NSCLC中的表达水平及其作为诊断和预后生物标志物的潜力，并探讨了其在铁死亡中的作用机制 | 研究仅限于NSCLC，且依赖于数据库和样本分析，未涉及临床试验 | 探究ACSL4在NSCLC中的临床和生物学意义及其作为潜在治疗靶点的可能性 | ACSL4在NSCLC中的表达及其与铁死亡的关系 | 数字病理学 | 肺癌 | 深度学习 | NA | mRNA表达数据 | 人类NSCLC样本 | NA | NA | NA | NA |
| 312 | 2024-09-04 |
Synthetic Epileptic Brain Activities with TripleGAN
2022, Computational and mathematical methods in medicine
DOI:10.1155/2022/2841228
PMID:36065378
|
research paper | 本研究提出了一种利用三重生成对抗网络（TripleGAN）实现脑电图（EEG）癫痫识别的方法 | 使用TripleGAN在时间域、频率域和时频域分别处理EEG数据，提高了癫痫分类的准确性、敏感性和特异性 | NA | 实现基于脑电图的癫痫自动检测 | 癫痫患者的脑电图数据 | machine learning | 癫痫 | TripleGAN | GAN | EEG | 使用了CHB-MIT数据集 | NA | NA | NA | NA |
| 313 | 2024-09-04 |
Hybrid of deep learning and exponential smoothing for enhancing crime forecasting accuracy
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0274172
PMID:36070317
|
研究论文 | 本研究提出了一种结合双向长短期记忆网络（Bi-LSTM）和指数平滑（ES）的混合模型，用于提高犯罪预测的准确性 | 该研究首次将Bi-LSTM与ES结合，用于犯罪预测，并显示出比传统季节性自回归积分移动平均模型（SARIMA）更高的预测准确性 | 研究使用的数据仅限于2010-2017年纽约市的犯罪数据，可能限制了模型的泛化能力 | 提高犯罪预测的准确性，帮助执法机构预防和控制犯罪 | 犯罪预测 | 机器学习 | NA | 双向长短期记忆网络（Bi-LSTM），指数平滑（ES） | Bi-LSTM | 时间序列数据 | 2010-2017年纽约市的犯罪数据 | NA | NA | NA | NA |
| 314 | 2024-09-04 |
Generative Adversarial Network Combined with SE-ResNet and Dilated Inception Block for Segmenting Retinal Vessels
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/3585506
PMID:36072751
|
研究论文 | 本研究开发了一种基于生成对抗网络（GAN）的准确方法，针对视网膜分割图像中微血管分割的当前不连续性问题 | 提出了一种改进的GAN，结合SE-ResNet和扩张的inception块，用于视网膜血管分割（SAD-GAN），改进了生成器和判别器，引入了注意力机制 | NA | 提高视网膜血管分割的准确性 | 视网膜血管 | 计算机视觉 | NA | 生成对抗网络（GAN） | GAN | 图像 | 在DRIVE和CHASE_DB1数据集上进行了测试 | NA | NA | NA | NA |
| 315 | 2024-09-04 |
Geometric deep learning reveals a structuro-temporal understanding of healthy and pathologic brain aging
2022, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2022.895535
PMID:36081894
|
研究论文 | 本文通过几何深度学习方法，探索健康和病理性大脑老化在结构和时间上的理解 | 本文首次将深度学习与表面分析结合，研究个体结构层面的大脑老化过程，并假设病理性老化不会均匀影响个体结构的老化过程 | NA | 探索不同大脑结构在健康和病理性老化中的动态和相互关系 | 大脑结构的老化过程 | 计算机视觉 | 神经退行性疾病 | MRI | 深度学习网络 | 图像 | 共收集了来自17,440名独特受试者的26,276个T1加权MRI数据 | NA | NA | NA | NA |
| 316 | 2024-09-04 |
Exploration of the Application Effect of the Darongtong Course Model Based on Deep Learning Enhancement in Nursing
2022, Contrast media & molecular imaging
DOI:10.1155/2022/5484423
PMID:36082057
|
研究论文 | 本研究探讨了基于深度学习增强的大融通课程模型在护理教学中的应用效果 | 采用基于深度学习增强的大融通教学模式，不仅加深学生对理论知识的理解，还提高了临床技能和沟通能力 | NA | 探索基于深度学习增强的大融通课程模型在护理教学中的应用效果 | 学校中的500名学生 | NA | NA | 深度学习 | NA | NA | 500名学生 | NA | NA | NA | NA |
| 317 | 2024-09-04 |
Define and visualize pathological architectures of human tissues from spatially resolved transcriptomics using deep learning
2022, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.08.029
PMID:36090815
|
研究论文 | 本文介绍了一种名为RESEPT的深度学习框架，用于从空间转录组学数据中表征和可视化组织结构 | RESEPT能够通过空间保留的图神经网络学习三维嵌入，并将嵌入映射到RGB图像中进行可视化，从而准确推断和可视化组织结构 | NA | 开发一种新的计算框架，用于从空间转录组学数据中定义和可视化人类组织病理结构 | 人类和鼠类皮质组织，以及阿尔茨海默病和胶质母细胞瘤样本 | 机器学习 | NA | 空间转录组学 | 图神经网络和卷积神经网络 | 基因表达数据 | 基于10x Genomics Visium空间转录组学数据集的人类和鼠类皮质组织样本，以及内部AD样本和胶质母细胞瘤样本 | NA | NA | NA | NA |
| 318 | 2024-09-04 |
Automated deep learning-based segmentation of COVID-19 lesions from chest computed tomography images
2022, Polish journal of radiology
IF:0.9Q4
DOI:10.5114/pjr.2022.119027
PMID:36091652
|
研究论文 | 本文提出了一种基于深度学习的自动化工具，用于从胸部CT图像中分割COVID-19病变区域，并评估其性能 | 使用U-Net、U-Net++和Res-Unet三种深度学习网络进行COVID-19病变区域的自动分割 | 需要进一步研究以评估所提出模型在COVID-19语义分割中的临床性能和鲁棒性 | 开发一种高效的工具，用于从胸部CT图像中自动分割COVID-19病变区域 | COVID-19病变区域 | 计算机视觉 | COVID-19 | 深度学习 | U-Net, U-Net++, Res-Unet | 图像 | 2112张COVID-19胸部CT图像 | NA | NA | NA | NA |
| 319 | 2024-09-02 |
AI-Driven Image Analysis in Central Nervous System Tumors-Traditional Machine Learning, Deep Learning and Hybrid Models
2022, Journal of biotechnology and biomedicine
DOI:10.26502/jbb.2642-91280046
PMID:35106480
|
综述 | 本文综述了人工智能在中枢神经系统肿瘤影像分析中的应用，包括传统机器学习、深度学习和混合模型 | 探讨了机器学习、深度学习和混合模型在AI驱动影像分析中的结合使用，可能产生更优结果 | 面临数据集有限、影像变化随时间变异及分析方法多样性的挑战 | 标准化报告、减少偏差、加速管理并改善治疗结果 | 中枢神经系统肿瘤的影像分析 | 机器学习 | 中枢神经系统肿瘤 | NA | 机器学习（ML）、深度学习（DL）、混合模型 | 影像 | NA | NA | NA | NA | NA |
| 320 | 2024-09-02 |
A statistical and deep learning-based daily infected count prediction system for the coronavirus pandemic
2022, Evolutionary intelligence
IF:2.3Q3
DOI:10.1007/s12065-021-00600-2
PMID:33841583
|
研究论文 | 本文提出了一种基于数据分析的预测系统，用于预测新冠病毒大流行期间的每日感染人数 | 使用易感感染恢复（SIR）模型，实现了99.82%的预测准确率，并预测了印度每日新增COVID病例的四种最可能情况 | 传统的统计方法在特定国家有限人口的情况下效率不高 | 帮助政府规划未来行动，并帮助医疗服务更好地准备应对未来情况 | 新冠病毒大流行期间的每日感染人数 | 机器学习 | NA | 数据分析 | SIR模型 | NA | NA | NA | NA | NA | NA |