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 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 2024-08-30 |
Head and Neck Cancer Primary Tumor Auto Segmentation Using Model Ensembling of Deep Learning in PET/CT Images
2022, Head and neck tumor segmentation and outcome prediction : second challenge, HECKTOR 2021, held in conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings. Head and Neck Tumor Segmentation Challenge (2nd : 2021 ...
DOI:10.1007/978-3-030-98253-9_11
PMID:35399869
|
研究论文 | 本研究开发了一系列基于3D残差Unet（ResUnet）架构的深度学习模型，用于自动分割PET/CT图像中的口咽癌原发肿瘤，并通过内部和外部验证展示了其高性能 | 采用标签融合集成方法，包括Simultaneous Truth and Performance Level Estimation（STAPLE）和基于多数投票的体素级阈值方法（AVERAGE），生成共识分割 | 未来研究应关注通道组合和标签融合策略的最佳组合，以最大化分割性能 | 提高辐射肿瘤学工作流程中口咽癌原发肿瘤的自动分割 | 口咽癌原发肿瘤的自动分割 | 计算机视觉 | 头颈癌 | 深度学习 | 3D Residual Unet（ResUnet） | 图像 | 训练集224名患者，测试集101名患者 | NA | NA | NA | NA |
| 402 | 2024-08-30 |
Combining Tumor Segmentation Masks with PET/CT Images and Clinical Data in a Deep Learning Framework for Improved Prognostic Prediction in Head and Neck Squamous Cell Carcinoma
2022, Head and neck tumor segmentation and outcome prediction : second challenge, HECKTOR 2021, held in conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings. Head and Neck Tumor Segmentation Challenge (2nd : 2021 ...
DOI:10.1007/978-3-030-98253-9_28
PMID:35399870
|
研究论文 | 本研究利用基于DenseNet架构的深度学习框架，结合PET图像、CT图像、原发肿瘤分割掩模和临床数据，预测头颈鳞状细胞癌患者的无进展生存期 | 本研究首次将肿瘤分割掩模作为额外的输入通道，显著提高了预测模型的C-index值 | NA | 提高头颈鳞状细胞癌患者的预后预测准确性 | 头颈鳞状细胞癌患者的无进展生存期 | 机器学习 | 头颈鳞状细胞癌 | 深度学习 | DenseNet | 图像 | 大量训练数据来自2021年HECKTOR挑战赛 | NA | NA | NA | NA |
| 403 | 2024-08-30 |
Optimizing Graphical Procedures for Multiplicity Control in a Confirmatory Clinical Trial via Deep Learning
2022, Statistics in biopharmaceutical research
IF:1.5Q2
DOI:10.1080/19466315.2020.1799855
PMID:35401935
|
研究论文 | 本文评估了两种现有的无导数约束方法的性能，并提出了一种基于深度学习的优化框架，用于在确认性临床试验中优化图形程序以控制多重性 | 提出了一种基于前馈神经网络（FNN）的深度学习增强优化框架，该方法在保持某些测试程序特征固定的同时，优化其他特征 | NA | 优化确认性临床试验中的图形程序，以控制多重性并最大化特定目标函数 | 确认性临床试验中的多重性控制 | 机器学习 | NA | 深度学习 | 前馈神经网络（FNN） | NA | NA | NA | NA | NA | NA |
| 404 | 2024-08-30 |
A systematic review on cough sound analysis for Covid-19 diagnosis and screening: is my cough sound COVID-19?
2022, PeerJ. Computer science
DOI:10.7717/peerj-cs.958
PMID:35634112
|
综述 | 本文综述了2020年和2021年利用人工智能工具分析咳嗽声音进行COVID-19筛查的最新研究 | 采用机器学习算法和深度学习模型分析咳嗽声音，以实现COVID-19的筛查 | 未包括预印本文章，因为它们未经同行评审 | 探讨人工智能工具在资源有限地区进行COVID-19大规模筛查的应用 | 咳嗽声音分析 | 机器学习 | COVID-19 | 机器学习 | 深度学习模型 | 声音 | NA | NA | NA | NA | NA |
| 405 | 2024-08-30 |
Multiple Traffic Target Tracking with Spatial-Temporal Affinity Network
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/9693767
PMID:35655505
|
研究论文 | 本文提出了一种时空编码解码亲和网络用于多交通目标跟踪，旨在利用深度学习的力量学习检测和轨迹的鲁棒时空亲和特征以进行数据关联 | 该研究提出了一种新的时空编码解码亲和网络，通过两阶段变换器编码模块捕获图像级别和轨迹级别的特征，以及一个空间变换器解码模块计算关联亲和度，从而实现高效的数据关联 | NA | 利用深度学习技术改进智能交通系统中的多目标跟踪任务 | 多交通目标的跟踪 | 计算机视觉 | NA | 深度学习 | 变换器（Transformer） | 图像 | 使用了三个流行的多交通目标跟踪数据集：KITTI、UA-DETRAC和VisDrone进行评估 | NA | NA | NA | NA |
| 406 | 2024-08-30 |
Interpretable Deep Learning Model Reveals Subsequences of Various Functions for Long Non-Coding RNA Identification
2022, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2022.876721
PMID:35685437
|
研究论文 | 本文介绍了一种名为Xlnc1DCNN的工具，用于通过一维卷积神经网络区分长非编码RNA（lncRNA）和蛋白质编码转录本（PCT），并提供预测解释 | Xlnc1DCNN不仅在准确性和F1分数上优于其他现有工具，还提供了预测结果的解释，揭示了lncRNA和PCT的主要识别特征 | NA | 开发一种能够有效区分lncRNA和PCT的计算工具，并提供预测结果的解释 | 长非编码RNA（lncRNA）和蛋白质编码转录本（PCT） | 机器学习 | NA | 下一代测序技术 | 一维卷积神经网络（1DCNN） | 序列数据 | 人类测试集 | NA | NA | NA | NA |
| 407 | 2024-08-30 |
PSegNet: Simultaneous Semantic and Instance Segmentation for Point Clouds of Plants
2022, Plant phenomics (Washington, D.C.)
DOI:10.34133/2022/9787643
PMID:35693119
|
研究论文 | 本文提出了一种名为PSegNet的深度学习网络，用于植物点云的语义和实例分割 | 引入了Voxelized Farthest Point Sampling (VFPS)点云下采样策略和三个新模块：Double-Neighborhood Feature Extraction Block (DNFEB)、Double-Granularity Feature Fusion Module (DGFFM)和Attention Module (AM) | 未提及 | 提高植物表型分析中对植物生长监测的自动化水平 | 植物的叶子和茎的3D点云 | 计算机视觉 | NA | 深度学习 | PSegNet | 点云 | 涉及三种植物物种的数据集 | NA | NA | NA | NA |
| 408 | 2024-08-30 |
Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline
2022, Plant phenomics (Washington, D.C.)
DOI:10.34133/2022/9758532
PMID:35693120
|
研究论文 | 开发并验证了一种基于深度学习的自动化微根窗图像分析流程 | 结合了先进的软件工具，使用深度神经网络和自动特征提取，显著减少了微根窗图像的处理时间 | NA | 开发一种用于高通量图像分析的客观方法，为田间根系表型分析提供数据 | 作物根系及其在农业生态系统中的作用 | 计算机视觉 | NA | 深度神经网络 | 神经网络模型 | 图像 | 超过36,500张图像 | NA | NA | NA | NA |
| 409 | 2024-08-30 |
Deep Learning-Based Automated Detection of Arterial Vessel Wall and Plaque on Magnetic Resonance Vessel Wall Images
2022, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2022.888814
PMID:35720719
|
研究论文 | 本文开发并评估了一种基于深度学习的动脉血管壁和斑块自动分割方法，该方法有助于在磁共振血管壁成像中进行动脉形态学定量分析 | 提出的自动分割方法在分割动脉血管壁和斑块方面与手动方法具有良好的一致性，并且比传统U-Net、Attention U-Net和Inception U-Net在相同测试集上表现更好 | NA | 开发和评估一种自动分割动脉血管壁和斑块的方法，以促进动脉形态学在磁共振血管壁成像中的定量分析 | 动脉血管壁和斑块的自动分割 | 计算机视觉 | 心血管疾病 | 磁共振血管壁成像 | 卷积神经网络 | 图像 | 124名患有动脉粥样硬化斑块的患者 | NA | NA | NA | NA |
| 410 | 2024-08-29 |
DOTA: Deep Learning Optimal Transport Approach to Advance Drug Repositioning for Alzheimer's Disease
2022-01-24, Biomolecules
IF:4.8Q1
DOI:10.3390/biom12020196
PMID:35204697
|
研究论文 | 本文开发了一种名为DOTA的新型深度学习方法，用于重新定位FDA批准的药物，以治疗阿尔茨海默病 | DOTA方法结合了多模态自编码器和Wasserstein变分自编码器，用于整合异质药物信息并识别有效的阿尔茨海默病药物 | NA | 开发一种新的深度学习方法，用于药物重新定位，以治疗阿尔茨海默病 | FDA批准的药物，特别是具有昼夜节律效应的抗精神病药物 | 机器学习 | 阿尔茨海默病 | 深度学习 | 自编码器 | 药物信息 | 涉及多种抗精神病药物，如quetiapine, aripiprazole, risperidone等 | NA | NA | NA | NA |
| 411 | 2024-08-29 |
Contour-aware semantic segmentation network with spatial attention mechanism for medical image
2022, The Visual computer
DOI:10.1007/s00371-021-02075-9
PMID:33642659
|
研究论文 | 本文提出了一种基于Unet的轮廓感知语义分割网络，用于医学图像分割 | 引入语义分支和细节分支，分别提取语义特征和增强轮廓信息，并设计MulBlock模块和空间注意力模块（CAM）以提高网络的表示能力 | NA | 开发适用于临床环境的计算机辅助系统中的医学图像分割技术 | 医学图像分割 | 计算机视觉 | NA | 深度学习 | Unet | 图像 | NA | NA | NA | NA | NA |
| 412 | 2024-08-29 |
Civil airline fare prediction with a multi-attribute dual-stage attention mechanism
2022, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-021-02602-0
PMID:34764615
|
研究论文 | 本文提出了一种基于多属性双阶段注意力机制的民航票价预测系统 | 引入了多属性双阶段注意力（MADA）机制，结合不同类型的数据，并通过Seq2Seq模型在编码器和解码器中加入注意力机制，以提高预测准确性 | 未提及具体限制 | 提高民航票价预测的准确性 | 民航票价预测系统 | 机器学习 | NA | Seq2Seq模型 | MADA | 时间序列数据 | 实际民航数据集 | NA | NA | NA | NA |
| 413 | 2024-08-29 |
An optimal deep learning framework for multi-type hemorrhagic lesions detection and quantification in head CT images for traumatic brain injury
2022, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-021-02782-9
PMID:34764620
|
研究论文 | 本文提出了一种优化的深度学习框架，用于通过头部CT扫描图像检测和量化创伤性脑损伤中的多种类型出血性病变 | 该框架通过将原始输入数据从3D DICOM转换为NIfTI，并应用预训练的多类语义分割模型和微调的分类神经网络，实现了对出血性病变亚型的精确检测和量化评估 | NA | 旨在辅助创伤性脑损伤中颅内出血的诊断和准确检测不同亚型 | 创伤性脑损伤中的颅内出血及其亚型 | 计算机视觉 | 创伤性脑损伤 | 深度学习 | CNN | 图像 | 涉及三种类型的出血性病变 | NA | NA | NA | NA |
| 414 | 2024-08-29 |
A Novel Deep Learning Network and Its Application for Pulmonary Nodule Segmentation
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/7124902
PMID:35619752
|
研究论文 | 本文提出了一种基于U-NET的新型深度学习网络，用于肺结节CT图像的分割 | 该网络引入了密集连接以传输和利用特征，并引入了一种新的损失函数，对结节边界附近的像素具有容忍性 | NA | 提高肺结节轮廓分割的准确性，从而帮助医生提高诊断效率 | 肺结节 | 计算机视觉 | 肺癌 | 深度学习 | U-NET | 图像 | NA | NA | NA | NA | NA |
| 415 | 2024-08-29 |
PANDORA: A Fast, Anchor-Restrained Modelling Protocol for Peptide: MHC Complexes
2022, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2022.878762
PMID:35619705
|
研究论文 | 本文介绍了一种名为PANDORA的快速、锚定约束的肽:MHC复合物建模协议 | PANDORA是一种通用的建模管道，适用于pMHC I类和II类复合物，通过锚定约束能量最小化确保了迄今为止最快的pMHC建模速度，并在准确性和速度上优于AlphaFold2 | NA | 深入理解T细胞介导的适应性免疫反应，为癌症免疫疗法和抗大流行病毒疫苗的设计提供支持 | 肽:MHC复合物的三维结构及其在T细胞识别机制和免疫疗法设计中的应用 | 计算机视觉 | NA | NA | NA | 结构模型 | 835个pMHC I类复合物，涵盖78种MHC类型 | NA | NA | NA | NA |
| 416 | 2024-08-29 |
The Classification of Music and Art Genres under the Visual Threshold of Deep Learning
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/4439738
PMID:35634048
|
研究论文 | 本文开发了一种基于深度学习的音乐流派分类技术（DLE-MGC），通过预处理、分类和超参数优化三个子过程有效分类音乐流派 | 提出了一种新的DLE-MGC技术，使用Pitch2vec方法进行预处理，并设计了结合猫群优化（CSO）和双向长短期记忆（BiLSTM）模型的分类方法 | 需要大量音乐数据进行训练，且预处理和模型训练过程可能较为耗时 | 开发一种有效的音乐流派分类系统 | 音乐流派分类 | 机器学习 | NA | 深度学习 | BiLSTM | 音乐数据 | 使用了Lakh MIDI音乐数据集 | NA | NA | NA | NA |
| 417 | 2024-08-29 |
Efficient Liver Segmentation from Computed Tomography Images Using Deep Learning
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/2665283
PMID:35634046
|
研究论文 | 本文提出了一种基于深度学习的方法，使用堆叠自编码器（SAE）从CT图像中高效分割肝脏区域 | 该方法采用基于补丁的学习方式，通过预处理和转换图像为重叠补丁，利用SAE进行无监督特征学习，最终在监督方式下进行分类，生成概率图 | NA | 提高CT图像中肝脏分割的准确性，为计算机辅助决策支持和精确医疗诊断提供量化生物标志物 | 肝脏在CT图像中的分割 | 计算机视觉 | NA | 堆叠自编码器（SAE） | SAE | 图像 | 整个数据集被预处理并转换为多个重叠补丁 | NA | NA | NA | NA |
| 418 | 2024-08-29 |
PFP-LHCINCA: Pyramidal Fixed-Size Patch-Based Feature Extraction and Chi-Square Iterative Neighborhood Component Analysis for Automated Fetal Sex Classification on Ultrasound Images
2022, Contrast media & molecular imaging
DOI:10.1155/2022/6034971
PMID:35655731
|
research paper | 本文介绍了一种名为PFP-LHCINCA的新型特征工程模型，用于自动化的超声图像胎儿性别分类 | 采用金字塔固定尺寸补丁生成与平均池化图像分解，结合局部相位量化（LPQ）和方向梯度直方图（HOG）提取方向和纹理特征，并使用卡方迭代邻域成分分析（CINCA）进行特征选择 | 模型架构可进一步发展为深度学习模型以适应更大规模的数据集 | 开发一种高效的超声图像胎儿性别分类模型，以促进筛查并减少误诊 | 胎儿性别分类 | computer vision | NA | local phase quantization (LPQ), histogram of oriented gradients (HOG) | shallow classifiers | image | 339名男性和332名女性的胎儿超声图像 | NA | NA | NA | NA |
| 419 | 2024-08-28 |
Use of Multi-Modal Data and Machine Learning to Improve Cardiovascular Disease Care
2022, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2022.840262
PMID:35571171
|
综述 | 本文综述了利用多模态数据和机器学习技术改进心血管疾病护理的最新研究 | 介绍了数据融合技术在整合电子病历、放射影像和遗传数据库等多模态数据中的应用，以提供针对心血管医学的科学和临床见解 | NA | 探讨如何利用最新的数据融合技术在心血管医学领域提供科学和临床见解 | 心血管疾病 | 机器学习 | 心血管疾病 | 机器学习 (ML) 和深度学习 (DL) | NA | 多模态数据（电子病历、放射影像、遗传数据库等） | NA | NA | NA | NA | NA |
| 420 | 2024-08-28 |
Predicting antibody binders and generating synthetic antibodies using deep learning
2022 Jan-Dec, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2022.2069075
PMID:35482911
|
研究论文 | 本文利用深度学习技术预测抗体结合物并生成合成抗体 | 首次将抗体的轻链和重链互补决定区（CDR3s）编码为抗体图像，并使用卷积神经网络模型进行分类，同时构建生成对抗网络模型生成合成抗体 | NA | 探索深度学习在抗体工程、优化和发现中的应用 | 抗体结合物和合成抗体 | 机器学习 | NA | 深度学习 | 卷积神经网络（CNN）和生成对抗网络（GAN） | 序列数据 | 包含结合物和非结合物抗体序列的面板 | NA | NA | NA | NA |