深度学习在生物医药领域中的应用

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,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!

Sample Image
添加微信请说明来意
Sample Image
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10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。

当前筛选条件: [分区不过滤] [IF不过滤] [发表日期:202201-202201] [清除筛选条件]
当前共找到 528 篇文献,本页显示第 321 - 340 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
321 2024-08-31
A Tensorized Multitask Deep Learning Network for Progression Prediction of Alzheimer's Disease
2022, Frontiers in aging neuroscience IF:4.1Q2
研究论文 本研究提出了一种基于模态融合、核化和张量化的深度神经网络,用于阿尔茨海默病(AD)的进展预测,同时进行多类分类和纵向回归 该研究通过统一的多任务框架,同时进行多类分类和纵向回归,利用多模态特征的互补性,提高了模型的整体效能 研究发现,优化预测结果的超参数集可能与优化多类分类的超参数集不同,存在一个临界点,超过该点进一步提高一个过程的结果可能导致另一个过程的准确性下降 旨在提高早期诊断的前景和预测未来疾病状态的能力 阿尔茨海默病(AD)的进展预测 机器学习 阿尔茨海默病 深度神经网络 CNN 多模态数据 未明确提及具体样本数量
322 2024-08-31
Potential drug discovery for COVID-19 treatment targeting Cathepsin L using a deep learning-based strategy
2022, Computational and structural biotechnology journal IF:4.4Q2
研究论文 本研究利用基于深度学习的策略,通过Chemprop模型识别能够抑制Cathepsin L活性的小分子和FDA批准的药物,以发现治疗COVID-19的新药物 首次应用Chemprop模型预测酶抑制剂,并发现daptomycin这一FDA批准的抗生素具有显著的Cathepsin L抑制作用 NA 发现和开发针对Cathepsin L的新型抑制剂,用于COVID-19的治疗 Cathepsin L、SARS-CoV-2病毒、FDA批准的药物 机器学习 COVID-19 深度学习 深度神经网络 分子数据 5种小分子和多种FDA批准的药物
323 2024-08-31
Application of Convolutional Neural Network-Based Detection Methods in Fresh Fruit Production: A Comprehensive Review
2022, Frontiers in plant science IF:4.1Q1
综述 本文全面回顾了卷积神经网络(CNN)在新鲜水果生产中的应用 首次全面回顾了CNN在新鲜水果生产全过程中的应用 NA 探讨CNN在新鲜水果生产各环节中的应用及效果 新鲜水果生产的各个环节,包括花果检测、果实检测、采摘和分级 计算机视觉 NA 卷积神经网络(CNN) CNN 图像 大量文章
324 2024-08-31
Design of Machine Learning Algorithm for Tourism Demand Prediction
2022, Computational and mathematical methods in medicine
研究论文 本文构建了一个基于机器学习的旅游需求预测模型,通过引入LSTM自动编码器的深度堆叠方法,提高了深度学习模型的性能,并进行了四年的旅游人数预测实验。 提出了基于LSTM的自动编码器深度堆叠方法,采用分层贪婪预训练方法替代深度网络中的随机权重初始化方法,结合预训练阶段和微调网络,形成SAE-LSTM预测模型。 NA 提高旅游需求预测的准确性,帮助政府做出关于基础设施发展和住宿地点规划的明智决策。 旅游需求预测 机器学习 NA LSTM SAE-LSTM 数据集 使用城市A的月度搜索引擎强度数据及其相关影响因素作为数据集,进行了四年的旅游人数预测。
325 2024-08-31
Unsupervised Black-Box Model Domain Adaptation for Brain Tumor Segmentation
2022, Frontiers in neuroscience IF:3.2Q2
研究论文 本文提出了一种无监督领域自适应框架,用于脑肿瘤分割,该框架使用仅在源域训练的黑盒分割模型,无需依赖源数据或可访问网络参数的白盒源模型 提出了一种知识蒸馏方案,以逐步学习目标特定表示,并通过无监督熵最小化来规范目标域标签的置信度 未提及具体的局限性 解决跨中心合作中因隐私问题导致的数据和标签共享困难,实现无监督领域自适应 脑肿瘤分割 计算机视觉 脑肿瘤 无监督领域自适应 (UDA) 黑盒模型 图像 未提及具体样本数量
326 2024-08-31
O-Net: A Novel Framework With Deep Fusion of CNN and Transformer for Simultaneous Segmentation and Classification
2022, Frontiers in neuroscience IF:3.2Q2
研究论文 本文提出了一种名为O-Net的新型网络框架,结合CNN和Transformer的优势,用于医学图像的分割和分类 O-Net框架融合了CNN和Transformer,能够同时学习全局和局部信息,提高医学图像分割和分类的性能 NA 改进医学图像分割和分类的准确性 医学图像的分割和分类 计算机视觉 NA CNN, Transformer O-Net 图像 使用了synapse多器官CT数据集和ISIC 2017挑战数据集
327 2024-08-31
A Complete Process of Text Classification System Using State-of-the-Art NLP Models
2022, Computational intelligence and neuroscience
研究论文 本文总结了用于文本分类的多种机器学习和深度学习算法,并讨论了它们的优缺点 本文汇总了最新的学习模型用于解决各种自然语言处理问题,并提供了对文本分类过程中所需的各种子任务和文献的深入理解 未明确提及具体的技术限制 旨在帮助读者理解文本分类过程中的各种子任务和文献,并探索文本分类领域的进一步改进或提出新的技术 文本分类算法及其在不同领域的应用 自然语言处理 NA 机器学习和深度学习模型 监督学习、半监督学习和无监督学习模型 文本 未明确提及具体样本数量
328 2024-08-31
Multiclass Cancer Prediction Based on Copy Number Variation Using Deep Learning
2022, Computational intelligence and neuroscience
研究论文 本文通过开发三种端到端的深度学习模型(DNN、CNN和RNN),利用24,174个基因的CNV数据对六种癌症类型进行分类 首次尝试使用端到端深度学习模型进行多类别癌症预测,避免了传统机器学习中手工特征提取和选择的步骤 目前仅针对六种癌症类型进行研究,未来计划扩展到其他类型的癌症 探索不同人类癌症之间的差异,并比较不同深度学习架构在CNV数据上的表现 六种癌症类型 机器学习 NA 深度学习 DNN, CNN, RNN CNV数据 24,174个基因
329 2024-08-31
Chest L-Transformer: Local Features With Position Attention for Weakly Supervised Chest Radiograph Segmentation and Classification
2022, Frontiers in medicine IF:3.1Q1
研究论文 本文提出了一种名为Chest L-Transformer的弱监督模型,用于胸部X光片的分割和分类,该模型利用局部特征和位置注意力机制来处理胸部X光片的全球对称性和病灶与其位置的依赖关系 Chest L-Transformer通过分类基于局部特征的图像来避免由全局对称性引起的误分类,并结合Transformer注意力机制来模拟病灶与其位置之间的依赖关系,重点关注疾病易发区域 NA 解决胸部X光片弱监督分割的问题 胸部X光片的分割和分类 计算机视觉 NA Transformer注意力机制 Chest L-Transformer 图像 NA
330 2024-08-31
Quantum readout and gradient deep learning model for secure and sustainable data access in IWSN
2022, PeerJ. Computer science
研究论文 本文提出了一种新的量子读出梯度安全深度学习(QR-GSDL)模型,以确保只有可信传感器能够访问工业无线传感器网络(IWSN)数据 引入量子读出和哈希函数进行注册,采用梯度安全深度学习方法进行认证和授权,提高了能源效率和数据访问的安全性 NA 旨在创建安全、能源高效的IWSN,实现绿色可持续性并减少工业对环境的影响 工业无线传感器网络(IWSN)中的数据访问安全性和能源效率 机器学习 NA 量子读出,哈希函数,梯度安全深度学习 深度学习模型 NA NA
331 2024-08-31
Intelligent wearable allows out-of-the-lab tracking of developing motor abilities in infants
2022, Communications medicine IF:5.4Q1
研究论文 本文构建并验证了一种通用的、可扩展且有效的方法,用于测量婴儿从仰卧到流畅行走的所有运动里程碑的自发运动能力 开发了一种多传感器婴儿穿戴设备,并使用深度学习分类器来模仿人类对姿势和运动的视觉分类,提供了一种新的神经发育测量指标Baba Infant Motor Score (BIMS) NA 探索使用智能穿戴设备在医院外评估婴儿运动能力的可能性 59名5至19个月大的婴儿的自发运动行为 NA NA 深度学习 深度学习分类器 运动数据 59名婴儿
332 2024-08-31
SparNet: A Convolutional Neural Network for EEG Space-Frequency Feature Learning and Depression Discrimination
2022, Frontiers in neuroinformatics IF:2.5Q3
研究论文 本文提出了一种名为SparNet的卷积神经网络,用于学习EEG的空间-频率特征并区分抑郁症与正常对照 SparNet模型结合了五个并行的卷积滤波器和SENet,专门设计用于学习不同脑区的空间和频率域特征 NA 提高抑郁症识别的分类准确性 抑郁症与正常对照的区分 机器学习 抑郁症 卷积神经网络 CNN EEG信号 NA
333 2024-08-31
Deep Learning in Neuroimaging: Overcoming Challenges With Emerging Approaches
2022, Frontiers in psychiatry IF:3.2Q2
研究论文 本文介绍了三种新兴的深度学习方法,旨在克服神经影像学中的挑战,加速其在精神病学研究中的应用 提出了两种减少训练数据需求的方法:深度学习者跨数据源的知识迁移能力和自监督学习技术,以及可解释人工智能工具,以揭示深度学习决策的特征组合 NA 探索深度学习在精神病学中的应用,特别是利用多维数据集如fMRI数据预测临床结果 深度学习方法在神经影像学中的应用 机器学习 精神疾病 深度学习 DL fMRI数据 NA
334 2024-08-31
Accuracy of two deep learning-based reconstruction methods compared with an adaptive statistical iterative reconstruction method for solid and ground-glass nodule volumetry on low-dose and ultra-low-dose chest computed tomography: A phantom study
2022, PloS one IF:2.9Q1
研究论文 本研究评估了两种基于深度学习的重建方法与自适应统计迭代重建方法在低剂量和高剂量胸部CT上对实性和磨玻璃结节体积测量的准确性。 首次评估了基于深度学习的算法在低剂量和高剂量胸部CT上对实性和磨玻璃结节体积测量的准确性。 研究仅限于使用模拟器进行的实验,未涉及临床患者数据。 研究旨在比较两种基于深度学习的图像重建算法与迭代重建方法在低剂量和高剂量设置下对实性和磨玻璃结节体积测量的准确性。 实性和磨玻璃结节在低剂量和高剂量胸部CT上的体积测量。 计算机视觉 肺部疾病 CT扫描 深度学习算法 图像 不同直径的实性和磨玻璃结节放置在模拟器中,进行了四种辐射剂量的CT扫描。
335 2024-08-31
FetalGAN: Automated Segmentation of Fetal Functional Brain MRI Using Deep Generative Adversarial Learning and Multi-Scale 3D U-Net
2022, Frontiers in neuroscience IF:3.2Q2
研究论文 本文提出了一种基于深度生成对抗网络和多尺度3D U-Net的自动化胎儿功能性脑部MRI分割方法,称为FetalGAN FetalGAN首次成功实现了在胎儿fMRI脑图像上应用3D CNN与GAN的结合,显著推进了rs-MRI图像处理的自动化 NA 旨在提高胎儿功能性脑部MRI图像预处理中脑部分割的自动化程度 胎儿功能性脑部MRI图像 计算机视觉 NA 深度学习 GAN 图像 NA
336 2024-08-31
Automatic Segmentation of MRI of Brain Tumor Using Deep Convolutional Network
2022, BioMed research international IF:2.6Q3
研究论文 本文研究了基于深度卷积网络的脑肿瘤MRI自动分割方法 提出了一种基于全卷积神经网络的级联网络模型,并引入了Dice损失函数和并行Dice损失来改善类别不平衡问题和子结构分割效果 未提及具体局限性 开发适用于脑肿瘤分割任务的网络模型,提高分割准确性 多模态磁共振成像(MRI)脑肿瘤图像 医学图像处理 脑肿瘤 MRI 全卷积神经网络 图像 使用BraTS 2017数据集
337 2024-08-31
Emerging artificial intelligence applications in Spatial Transcriptomics analysis
2022, Computational and structural biotechnology journal IF:4.4Q2
综述 本文综述了当前用于空间转录组学分析的人工智能方法 介绍了多种利用机器学习和深度学习技术进行空间转录组学数据分析的人工智能方法 NA 综述空间转录组学分析中的人工智能应用 空间转录组学数据分析 自然语言处理 NA 机器学习, 深度学习 NA 转录组数据 NA
338 2024-08-31
Novel extreme regression-voting classifier to predict death risk in vaccinated people using VAERS data
2022, PloS one IF:2.9Q1
研究论文 本研究利用机器学习模型预测接种疫苗人群的死亡风险,并引入了一种新的极端回归投票分类器(ER-VC)来提高预测准确性 本研究引入了新的极端回归投票分类器(ER-VC),结合了额外树分类器和逻辑回归,使用软投票准则,并通过合成少数过采样(SMOTE)和自适应合成采样(ADASYN)技术避免模型过拟合 NA 预测接种疫苗人群的死亡风险,以减少公众对疫苗的恐惧并促进疫苗接种 接种COVID-19疫苗后的人群 机器学习 NA 机器学习模型,包括极端回归投票分类器(ER-VC) 极端回归投票分类器(ER-VC) 文本 使用了COVID-19 VAERS数据集,该数据集记录了接种COVID-19疫苗后的不良事件
339 2024-08-31
Music Emotion Classification Method Based on Deep Learning and Improved Attention Mechanism
2022, Computational intelligence and neuroscience
研究论文 提出了一种基于深度学习和改进注意力机制的音乐情感分类方法 该方法结合了音频和歌词的多模态分析,并引入了改进的注意力机制,以减少信息损失 NA 提高音乐情感分类的准确性和效率 音乐情感分类 自然语言处理 NA TF-IDF, Word2vec, CNN, LSTM CNN-LSTM 文本 基于选定的数据集进行实验分析
340 2024-08-31
AlphaFold Models of Small Proteins Rival the Accuracy of Solution NMR Structures
2022, Frontiers in molecular biosciences IF:3.9Q2
研究论文 本研究评估了AlphaFold模型在小而相对刚性的蛋白质上的准确性,与实验溶液NMR结构的比较 首次展示了AlphaFold模型在小蛋白质上的准确性可与实验溶液NMR结构相媲美,挑战了普遍认为AlphaFold无法准确模拟溶液NMR结构的误解 研究仅限于小而相对刚性的蛋白质,未涵盖所有类型的蛋白质结构 评估AlphaFold模型在小蛋白质上的准确性,并比较其与实验NMR和X射线晶体结构的匹配程度 六种代表性的小蛋白质,其结构已通过NMR和X射线晶体学确定 结构生物学 NA AlphaFold 深度学习模型 蛋白质结构数据 六种小蛋白质
回到顶部