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 584 篇文献，本页显示第 461 - 480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2024-08-27 |
Detection of Types of Mental Illness through the Social Network Using Ensembled Deep Learning Model
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/9404242
PMID:35378814
|
研究论文 | 本文通过集成深度学习模型对Reddit社交网络上的情感进行分类，以预测用户的精神疾病类型 | 采用集成深度学习模型，结合卷积神经网络和循环神经网络进行多类别分类，提高了预测准确率 | NA | 通过社交网络分析预测用户的精神疾病类型 | 社交网络上的用户情感及其对应的精神疾病类型 | 机器学习 | NA | 集成深度学习 | CNN和RNN | 文本 | 未具体说明 | NA | NA | NA | NA |
| 462 | 2024-08-27 |
Advanced brain aging in multiple system atrophy compared to Parkinson's disease
2022, NeuroImage. Clinical
DOI:10.1016/j.nicl.2022.102997
PMID:35397330
|
研究论文 | 本研究通过深度学习方法评估了多系统萎缩（MSA）和帕金森病（PD）患者的脑部预测年龄差异（PAD），并比较了两种疾病在灰质和白质中的脑老化模式。 | 本研究首次使用深度学习方法分析了MSA和PD患者的脑部影像特征，揭示了两种疾病在脑老化模式上的显著差异。 | 研究样本量较小，可能影响结果的普遍性；未考虑其他可能影响脑老化的因素。 | 旨在开发一种基于影像的生物标志物，以早期区分多系统萎缩和帕金森病。 | 多系统萎缩（MSA）患者、帕金森病（PD）患者和健康对照组（HC）。 | 神经影像学 | 神经退行性疾病 | 磁共振成像（MRI） | 深度学习 | 影像 | MSA患者23例，PD患者33例，健康对照组34例 | NA | NA | NA | NA |
| 463 | 2024-08-27 |
Computational and Mathematical Methods in Medicine Prediction of COVID-19 in BRICS Countries: An Integrated Deep Learning Model of CEEMDAN-R-ILSTM-Elman
2022, Computational and mathematical methods in medicine
DOI:10.1155/2022/1566727
PMID:35419081
|
研究论文 | 本文针对COVID-19在BRICS国家的传播情况，构建了一个基于CEEMDAN-R-ILSTM-Elman的集成深度学习预测模型 | 提出了一个集成深度学习预测模型，结合CEEMDAN、ILSTM和Elman神经网络，通过分解-重构-预测-集成的方法提高预测准确性 | 文章未明确提及模型的局限性 | 预测COVID-19在BRICS国家的新增确诊病例数，并分析疫情传播的影响因素 | COVID-19在BRICS国家的传播数据 | 机器学习 | COVID-19 | CEEMDAN, ILSTM, Elman神经网络 | 集成深度学习模型 | 时间序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 464 | 2024-08-27 |
Combination of Radiological and Clinical Baseline Data for Outcome Prediction of Patients With an Acute Ischemic Stroke
2022, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2022.809343
PMID:35432171
|
研究论文 | 本研究旨在开发结合影像和临床基线数据的预测模型，用于急性缺血性中风患者的治疗结果预测 | 本研究创新地结合了影像学和深度学习图像特征与临床数据，显著改善了良好再灌注的预测 | 尽管结合影像和临床数据在预测再灌注方面有所改善，但在预测mRS评分方面并未显示出显著优势 | 开发结合影像和临床基线数据的预测模型，以提高急性缺血性中风患者治疗结果的预测准确性 | 急性缺血性中风患者 | 数字病理学 | 中风 | 深度学习 | CNN | 影像和临床数据 | 3,279名患者 | NA | NA | NA | NA |
| 465 | 2024-08-27 |
A Real-Time Medical Ventilation on Heart Failure Analysis Based on Sleep Apnea Snore and Meta-Analysis
2022, Journal of healthcare engineering
DOI:10.1155/2022/9979413
PMID:35444776
|
研究论文 | 本文通过使用基于LeNet-100 CNN的深度学习技术，对睡眠呼吸暂停打鼾进行实时医疗通气分析，以改善心脏衰竭的诊断和治疗 | 本文采用了LeNet-100 CNN模型进行深度学习，提高了分类准确性，并进行了心脏衰竭的元分析 | NA | 研究旨在通过改进分类准确性来优化睡眠呼吸暂停（OSA）的治疗方法 | 心脏衰竭患者及其睡眠呼吸暂停症状 | 机器学习 | 心血管疾病 | 深度学习 | CNN | 数据集 | 心脏衰竭数据集来自Kaggle网站 | NA | NA | NA | NA |
| 466 | 2024-08-27 |
A Survey of Dental Caries Segmentation and Detection Techniques
2022, TheScientificWorldJournal
DOI:10.1155/2022/8415705
PMID:35450417
|
综述 | 本文深入探讨了深度学习在牙科龋齿分割和检测中的应用 | 本文综述了多种基于深度学习的牙科图像分割和检测方法，并根据龋齿类型和X射线图像类型进行了分类 | 本文讨论了现有方法的局限性，并提出了未来改进的方向 | 分析和比较深度学习在牙科龋齿分割和检测中的应用 | 牙科龋齿的分割和检测 | 计算机视觉 | 牙科疾病 | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 467 | 2024-08-27 |
ADC-Net: An Open-Source Deep Learning Network for Automated Dispersion Compensation in Optical Coherence Tomography
2022, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2022.864879
PMID:35463032
|
研究论文 | 本研究开发了一种用于光学相干断层扫描（OCT）中自动色散补偿的深度学习网络（ADC-Net） | ADC-Net基于改进的UNet架构，采用编码器-解码器流水线，能够对OCT B-扫描进行部分补偿并优化所有视网膜层 | NA | 开发一种深度学习网络用于OCT中的自动色散补偿 | 光学相干断层扫描（OCT）中的色散问题 | 计算机视觉 | NA | 深度学习 | UNet | 图像 | 五输入通道模型被观察为ADC-Net训练的最佳选择 | NA | NA | NA | NA |
| 468 | 2024-08-27 |
Dual-Branch Convolutional Neural Network Based on Ultrasound Imaging in the Early Prediction of Neoadjuvant Chemotherapy Response in Patients With Locally Advanced Breast Cancer
2022, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2022.812463
PMID:35463368
|
研究论文 | 本研究开发了一种基于深度学习的新方法——双分支卷积神经网络（DBNN），利用超声图像早期预测局部晚期乳腺癌患者对新辅助化疗（NAC）的反应 | 提出了一种双分支卷积神经网络（DBNN），通过特征共享和调整不同分支的权重，强调了不同阶段数据的重要性，并结合NAC前后的超声图像信息，提高了预测病理完全反应（pCR）的诊断性能 | 本研究为回顾性研究，样本量相对较小，且仅限于局部晚期乳腺癌患者 | 开发一种新的方法，利用超声图像早期预测乳腺癌患者对新辅助化疗的反应，以指导治疗决策 | 局部晚期乳腺癌患者对新辅助化疗的早期反应 | 机器学习 | 乳腺癌 | 超声成像 | 双分支卷积神经网络（DBNN） | 图像 | 114名女性患者 | NA | NA | NA | NA |
| 469 | 2024-08-27 |
Non-Invasive Measurement Using Deep Learning Algorithm Based on Multi-Source Features Fusion to Predict PD-L1 Expression and Survival in NSCLC
2022, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2022.828560
PMID:35464416
|
研究论文 | 本文开发了一种基于深度学习算法的非侵入性测量系统，用于预测非小细胞肺癌（NSCLC）中的PD-L1表达和生存结果 | 本研究首次提出了一种结合深度学习、影像组学和临床特征的AI系统，用于非侵入性地评估PD-L1表达和生存结果 | NA | 开发一种非侵入性的AI系统，用于测量PD-L1表达特征（ES）并评估NSCLC患者的生存结果 | 非小细胞肺癌（NSCLC）患者的PD-L1表达和生存结果 | 机器学习 | 肺癌 | 深度学习 | 3D ResNet | CT图像 | 1135名非小细胞肺癌（NSCLC）患者 | NA | NA | NA | NA |
| 470 | 2024-08-27 |
Robot Learning From Randomized Simulations: A Review
2022, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2022.799893
PMID:35494543
|
综述 | 本文综述了机器人从随机化模拟中学习的方法，特别是关注于一种名为“域随机化”的技术 | 介绍了通过域随机化技术来克服模拟与现实之间的差异，即“现实差距” | 所有模拟器都是基于模型构建的，因此不可避免地存在不完美之处 | 探讨如何修改模拟器以促进机器人控制策略的学习，并克服模拟与现实之间的不匹配 | 机器人学习方法及其在模拟到现实环境中的应用 | 机器人学 | NA | 域随机化 | 深度学习 | 模拟数据 | NA | NA | NA | NA | NA |
| 471 | 2024-08-27 |
Social media text analytics of Malayalam-English code-mixed using deep learning
2022, Journal of big data
IF:8.6Q1
DOI:10.1186/s40537-022-00594-3
PMID:35495077
|
研究论文 | 本文研究了马拉雅拉姆语-英语混合文本的社交媒体文本分析，重点是识别攻击性语言和情感分析 | 提出了一个框架，结合了嵌入方法（Word2Vec和FastText）和深度学习算法（单/双向模型、混合模型和转换器方法），并进行了超参数优化 | 未明确提及 | 旨在提高马拉雅拉姆语-英语混合文本在社交媒体中的处理能力 | 马拉雅拉姆语-英语混合数据集 | 自然语言处理 | NA | 深度学习 | 单/双向模型、混合模型、转换器 | 文本 | FIRE 2020数据集和EACL 2021数据集 | NA | NA | NA | NA |
| 472 | 2024-08-27 |
Research on Intelligent Target Tracking Algorithm Based on MDNet under Artificial Intelligence
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/1550543
PMID:35498174
|
研究论文 | 本文介绍了一种基于MDNet的目标跟踪方法，通过引入两种注意力机制来提取和整合更好的特征，并使用案例分区减少跟踪模块的投入和最小化网络大小，以防止结果恶化 | 引入了两种注意力机制来提取和整合更好的特征，并使用案例分区技术来优化网络结构 | 未提及具体的局限性 | 研究基于MDNet的智能目标跟踪算法 | 目标跟踪技术 | 计算机视觉 | NA | 深度学习 | MDNet | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 473 | 2024-08-26 |
A Comparative Study of Deep Learning Classification Methods on a Small Environmental Microorganism Image Dataset (EMDS-6): From Convolutional Neural Networks to Visual Transformers
2022, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2022.792166
PMID:35308350
|
研究论文 | 本文对21种深度学习模型在小规模环境微生物图像数据集上进行了一系列比较实验，包括直接分类、不平衡训练和超参数调整实验 | 发现21种模型之间存在互补性，为特征融合相关实验提供了基础 | 几何变形的数据增强方法难以提升VT系列模型的性能 | 为研究人员提供可靠的参考，寻找适合当前设备工作环境的具有良好分类性能的模型 | 小规模环境微生物图像数据集 | 计算机视觉 | NA | 深度学习 | CNN, ViT, DeiT, BotNet, T2T-ViT, Xception, ShuffleNet-V2 | 图像 | 小规模环境微生物图像数据集（EMDS-6） | NA | NA | NA | NA |
| 474 | 2024-08-26 |
Tissue Cytometry With Machine Learning in Kidney: From Small Specimens to Big Data
2022, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2022.832457
PMID:35309077
|
综述 | 本文综述了利用机器学习结合细胞学技术在肾脏组织3D成像分析中的最新进展 | 介绍了体积组织探索与分析细胞学工具，以及基于深度学习的完整组织中细胞的图像分类方法 | NA | 探讨如何通过结合机器学习与细胞学技术，利用高分辨率成像提供的内容深度，生成高度信息化的分析输出 | 肾脏组织的3D成像分析 | 机器学习 | 肾脏疾病 | 3D成像 | 深度学习 | 图像 | 小组织样本 | NA | NA | NA | NA |
| 475 | 2024-08-26 |
Multi-Stream Convolutional Neural Network-Based Wearable, Flexible Bionic Gesture Surface Muscle Feature Extraction and Recognition
2022, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2022.833793
PMID:35310001
|
研究论文 | 本文研究了基于表面肌电信号（sEMG）的手势识别问题，提出了一种多流卷积神经网络算法，用于增强手势识别中对手部动作的特征提取能力 | 本文采用了一种多流卷积神经网络算法，通过重建sEMG样本结构来虚拟增加信号通道，提供更丰富的输入信息，从而提高手势识别的准确性 | 本文未详细讨论算法的计算复杂度和实时性问题 | 研究如何利用sEMG信号进行手势识别，提高识别的准确性和鲁棒性 | 表面肌电信号（sEMG）和手势识别 | 机器学习 | NA | 表面肌电信号（sEMG） | 多流卷积神经网络（CNN） | 信号 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 476 | 2024-08-26 |
Machine Vision and Intelligent Algorithm Based on Neural Network
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/6154453
PMID:35310591
|
研究论文 | 本文优化了神经网络算法和智能算法，并在机器视觉环境中进行了模拟实验，以提高算法的目标图像识别能力 | 本文采用了改进的VGG-16卷积神经网络模型进行金属块缺陷检测，并研究了基于神经网络的智能算法，通过比较不同算法的收敛速度，展示了ICS-BP算法的快速收敛性 | NA | 提高机器视觉环境中算法的目标图像识别能力 | 神经网络算法和智能算法在机器视觉中的应用 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 使用了CIFAR-10数据集进行训练和验证测试 | NA | NA | NA | NA |
| 477 | 2024-08-26 |
MPEPE, a predictive approach to improve protein expression in E. coli based on deep learning
2022, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.02.030
PMID:35317239
|
研究论文 | 本研究利用6438个异源蛋白在相同表达条件下的表达数据，构建了一个深度学习分类器，用于筛选高表达和低表达蛋白，并提出了一种增强蛋白表达的突变预测器MPEPE | 本研究提出了MPEPE，一种基于深度学习的突变预测器，用于识别有助于蛋白表达的突变位点，并结合保守残基分析以最小化功能破坏 | NA | 提高大肠杆菌中蛋白表达水平 | 异源蛋白的表达 | 机器学习 | NA | 深度学习 | 深度学习分类器 | 基因序列数据 | 6438个异源蛋白 | NA | NA | NA | NA |
| 478 | 2024-08-26 |
Automatic kidney segmentation using 2.5D ResUNet and 2.5D DenseUNet for malignant potential analysis in complex renal cyst based on CT images
2022, EURASIP journal on image and video processing
IF:2.0Q3
DOI:10.1186/s13640-022-00581-x
PMID:35340560
|
研究论文 | 本文研究使用2.5D ResUNet和2.5D DenseUNet进行肾脏分割，以分析复杂肾囊肿的恶性潜力 | 提出使用2.5D ResUNet和2.5D DenseUNet进行肾脏分割，有效提取切片内和切片间特征 | 在泰国患者的腹部CT图像上性能有所下降 | 开发精确的二分类方法（良性或恶性肿瘤）以分析计算机断层扫描（CT）图像中的肾囊肿 | 肾脏器官或病变 | 计算机视觉 | NA | NA | 2.5D ResUNet, 2.5D DenseUNet | CT图像 | KiTS19验证集包含60名患者，另外对4名泰国患者的腹部CT图像进行实验 | NA | NA | NA | NA |
| 479 | 2024-08-26 |
Image Compression Based on Hybrid Domain Attention and Postprocessing Enhancement
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/4926124
PMID:35341171
|
研究论文 | 本文提出了一种基于混合域注意力机制和后处理增强的图像压缩方法 | 该方法在主编码-解码网络和超先验网络中嵌入混合域注意力模块作为非线性变换器，构建更紧凑的潜在特征和超先验，并采用参数化高斯尺度混合模型进行更精确的熵估计 | NA | 提高图像压缩效率 | 图像压缩技术 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 480 | 2024-08-26 |
End-to-end antigenic variant generation for H1N1 influenza HA protein using sequence to sequence models
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0266198
PMID:35344562
|
研究论文 | 本文提出了一种基于端到端学习方法的序列到序列模型，用于生成H1N1流感病毒HA蛋白的抗原变体 | 首次开发了一种生成流感病毒HA蛋白抗原变体的模型，利用深度序列到序列架构 | NA | 旨在加速流感病毒抗原变体的识别，从而加快疫苗选择和制造过程 | H1N1流感病毒的HA蛋白抗原变体 | 机器学习 | 流感 | 序列到序列模型 | 序列到序列模型 | 序列数据 | NA | NA | NA | NA | NA |