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 578 篇文献，本页显示第 501 - 520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 501 | 2024-08-25 |
An Improved DeepLab v3+ Deep Learning Network Applied to the Segmentation of Grape Leaf Black Rot Spots
2022, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2022.795410
PMID:35242151
|
研究论文 | 本文提出了一种改进的DeepLab v3+深度学习网络，用于分割葡萄叶黑腐病斑 | 使用ResNet101网络作为DeepLab v3+的主干网络，并在残差模块中插入通道注意力模块，同时在DeepLab v3+编码器中添加基于特征金字塔网络的特征融合分支 | NA | 提高葡萄叶黑腐病斑的分割准确性 | 葡萄叶黑腐病斑 | 计算机视觉 | 葡萄病害 | 深度学习 | DeepLab v3+ | 图像 | 使用了Plant Village的测试集TS1和果园现场的测试集TS2进行测试 | NA | NA | NA | NA |
| 502 | 2024-08-25 |
Deep Learning Accurately Quantifies Plasma Cell Percentages on CD138-Stained Bone Marrow Samples
2022, Journal of pathology informatics
DOI:10.1016/j.jpi.2022.100011
PMID:35242448
|
研究论文 | 本文研究使用深度学习技术，通过卷积神经网络（CNN）精确量化CD138染色骨髓样本中的浆细胞百分比 | 提出使用深度学习技术提高浆细胞百分比测量的精确度 | NA | 提高浆细胞肿瘤诊断中浆细胞百分比的测量精确度 | CD138染色骨髓样本中的浆细胞百分比 | 计算机视觉 | 浆细胞肿瘤 | 深度学习 | CNN | 图像 | 使用小图像块进行训练和验证，扩展到全玻片图像（WSIs）进行评估 | NA | NA | NA | NA |
| 503 | 2024-08-25 |
Predicting EGFR and PD-L1 Status in NSCLC Patients Using Multitask AI System Based on CT Images
2022, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2022.813072
PMID:35250988
|
研究论文 | 开发了一种基于CT图像的多任务AI系统，用于预测非小细胞肺癌（NSCLC）患者的表皮生长因子受体（EGFR）和程序性死亡配体1（PD-L1）状态 | 该AI系统能够使用非侵入性的CT图像预测EGFR和PD-L1状态，避免了传统方法的侵入性操作 | NA | 开发一种非侵入性的AI系统，用于预测肺癌患者的EGFR和PD-L1状态，以辅助治疗决策 | 非小细胞肺癌患者的EGFR和PD-L1状态 | 机器学习 | 肺癌 | CT图像 | CNN | 图像 | NA | NA | NA | NA | NA |
| 504 | 2024-08-25 |
Wearable Sensor-Based Human Activity Recognition in the Smart Healthcare System
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/1391906
PMID:35251142
|
综述 | 本文综述了基于可穿戴传感器的人类活动识别（HAR）技术在智能医疗系统中的应用、挑战、数据集、方法和组件 | 提供了对HAR系统的全面评估和比较，以及系统的架构 | 未提及具体的技术限制 | 旨在全面审查基于可穿戴传感器的HAR技术 | 人类活动识别技术及其在智能医疗系统中的应用 | 计算机视觉 | NA | 可穿戴传感器 | NA | 传感器数据 | NA | NA | NA | NA | NA |
| 505 | 2024-08-25 |
New Opportunities, Challenges, and Applications of Edge-AI for Connected Healthcare in Internet of Medical Things for Smart Cities
2022, Journal of healthcare engineering
DOI:10.1155/2022/2950699
PMID:35251564
|
综述 | 本文综述了智能传感器、人工智能（AI）、机器学习（ML）、深度学习（DL）、医疗物联网（IoMT）和边缘分析与云计算集成在连接医疗保健中的新机遇、挑战和应用 | 探讨了AI、ML、DL、边缘AI、IoMT、6G和云计算在医疗保健中的应用，并提出了进一步验证和实施这些模型的建议 | 尽管这些技术在某些领域已显示出改进效果，但仍有有限区域尚未实施这些最新进展 | 探讨智能城市中医疗物联网的边缘AI在连接医疗保健中的应用和挑战 | 分析过去六年中发表的相关研究，评估AI、ML、DL等技术在医疗保健中的应用效果 | 人工智能 | NA | AI, ML, DL, 边缘AI, IoMT, 6G, 云计算 | NA | NA | NA | NA | NA | NA | NA |
| 506 | 2024-08-25 |
Radiological Analysis of COVID-19 Using Computational Intelligence: A Broad Gauge Study
2022, Journal of healthcare engineering
DOI:10.1155/2022/5998042
PMID:35251572
|
综述 | 本研究旨在识别不同研究者提出的各种COVID-19医学影像分析模型，并讨论其优缺点 | 本研究详细讨论了现有的COVID-19检测方法及其面临的挑战，并强调了各种预处理和后处理方法以增强检测机制 | 尽管深度学习方法显示出高效率，但本研究也简要描述了其局限性 | 探讨深度学习在医学影像分析中的应用及其优缺点 | COVID-19的医学影像分析模型 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 影像 | NA | NA | NA | NA | NA |
| 507 | 2024-08-25 |
Wearable multimode sensor with a seamless integrated structure for recognition of different joint motion states with the assistance of a deep learning algorithm
2022, Microsystems & nanoengineering
IF:7.3Q1
DOI:10.1038/s41378-022-00358-2
PMID:35251689
|
研究论文 | 本文介绍了一种新型的无缝集成结构的可穿戴多模传感器，该传感器能够解耦压力和应变刺激，并通过机器学习算法识别不同的关节运动状态 | 该传感器采用独特的无缝结构，包含电阻和电容两个主要部分，通过独立的电阻-电容传感机制解耦不同刺激，并具有高应变敏感性和高线性压力敏感性 | NA | 开发一种新型的可穿戴传感器，用于精确提取和识别运动特征，以支持多个科学问题的研究 | 可穿戴多模传感器的设计和性能评估 | 软机器人 | NA | 机器学习算法 | NA | 传感器数据 | NA | NA | NA | NA | NA |
| 508 | 2024-08-25 |
An Improved COVID-19 Detection using GAN-Based Data Augmentation and Novel QuNet-Based Classification
2022, BioMed research international
IF:2.6Q3
DOI:10.1155/2022/8925930
PMID:35257012
|
研究论文 | 本文提出了一种改进的COVID-19检测方法，使用基于GAN的数据增强和新型QuNet分类器 | 引入了基于GAN的数据增强方法和新型卷积神经网络QuNet，提高了COVID-19检测的准确性 | 公开可用数据集的不足导致模型过拟合问题 | 改进COVID-19的检测方法，提高诊断准确性 | COVID-19病毒的X射线图像 | 机器学习 | COVID-19 | GAN | CNN | 图像 | 使用了四种现有的深度卷积网络（DenseNet-121、InceptionV3、Xception和ResNet101）以及新提出的QuNet网络进行比较分析 | NA | NA | NA | NA |
| 509 | 2024-08-25 |
An Efficient Stacked Deep Transfer Learning Model for Automated Diagnosis of Lyme Disease
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/2933015
PMID:35265109
|
研究论文 | 本文提出了一种高效的堆叠深度迁移学习模型，用于自动化诊断莱姆病 | 该模型通过使用二阶边缘基色恒常性预处理方法和数据增强技术，有效解决了过拟合和颜色变化问题 | NA | 提高莱姆病的诊断准确性 | 莱姆病与其他感染的区分 | 机器学习 | 莱姆病 | 深度学习 | AlexNet | 图像 | 使用了5折交叉验证 | NA | NA | NA | NA |
| 510 | 2024-08-25 |
Classification and Detection of Autism Spectrum Disorder Based on Deep Learning Algorithms
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/8709145
PMID:35265118
|
研究论文 | 本研究利用深度学习算法对自闭症谱系障碍进行分类和检测 | 提出了一种基于社交媒体数据和人脸识别的自闭症谱系障碍检测系统 | 需要精确的技术来提取和生成正确的人脸特征模式 | 帮助社区和精神科医生通过面部特征实验性地检测自闭症 | 自闭症谱系障碍儿童的面部特征 | 机器学习 | 精神疾病 | 深度学习 | 卷积神经网络 | 图像 | 2,940张人脸图像 | NA | NA | NA | NA |
| 511 | 2024-08-25 |
Ensemble Deep Learning and Internet of Things-Based Automated COVID-19 Diagnosis Framework
2022, Contrast media & molecular imaging
DOI:10.1155/2022/7377502
PMID:35280708
|
研究论文 | 本文提出了一种基于集成深度学习和物联网（IoT）的自动化COVID-19诊断框架，通过集成三个预训练的深度学习模型和利用医疗IoT设备收集的CT扫描图像进行自动诊断 | 该框架通过集成多个深度学习模型和利用IoT技术，提高了COVID-19诊断的准确性和效率 | NA | 开发一种高效的自动化COVID-19诊断方法 | COVID-19疑似病例的诊断 | 机器学习 | COVID-19 | 深度学习 | 集成模型 | 图像 | 四类数据集 | NA | NA | NA | NA |
| 512 | 2024-08-25 |
Deep Learning Neural Network Prediction System Enhanced with Best Window Size in Sliding Window Algorithm for Predicting Domestic Power Consumption in a Residential Building
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/7216959
PMID:35281200
|
研究论文 | 本文通过深度学习方法（LSTM和CNN）分析并预测单个住宅建筑的家用电力消耗，引入了“最佳N窗口大小”特征，以识别过去数据中的可靠时间段，从而优化预测模型。 | 提出了“最佳N窗口大小”特征，用于识别过去数据中的可靠时间段，以改进滑动窗口算法，提高预测模型的准确性。 | NA | 分析和预测住宅建筑的家用电力消耗，以提高能源利用效率。 | 单个住宅建筑的家用电力消耗。 | 机器学习 | NA | 深度学习 | LSTM和CNN | 时间序列数据 | NA | NA | NA | NA | NA |
| 513 | 2024-08-25 |
Deep learning for microscopic examination of protozoan parasites
2022, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.02.005
PMID:35284048
|
review | 本文综述了深度学习在原生动物寄生虫显微检查领域的进展 | 深度学习在生物医学图像分析中表现出卓越性能，特别是在寄生虫诊断方面 | 深度学习在原生动物寄生虫诊断中仍面临挑战和未来趋势 | 总结深度学习在原生动物寄生虫显微检查领域的进展及未来趋势 | 原生动物寄生虫的显微图像 | computer vision | NA | deep learning | CNN | image | 公开可用的原生动物寄生虫显微图像数据集 | NA | NA | NA | NA |
| 514 | 2024-08-24 |
Morphological components detection for super-depth-of-field bio-micrograph based on deep learning
2022-Jan-29, Microscopy (Oxford, England)
DOI:10.1093/jmicro/dfab033
PMID:34417804
|
研究论文 | 本文提出了一种基于Retinanet模型的超景深生物显微图像中的细胞目标检测算法 | 与主流算法相比，该算法在平均精度均值（mAP）指标上有显著提升，实验中白带样本和粪便样本的mAP分别达到83.1%和88.1% | NA | 提高超景深系统中显微图像细胞分类和定位的效率与准确性 | 超景深生物显微图像中的细胞 | 计算机视觉 | NA | 深度学习 | Retinanet | 图像 | 白带样本和粪便样本 | NA | NA | NA | NA |
| 515 | 2024-08-24 |
Sentiment Analysis in Social Media Data for Depression Detection Using Artificial Intelligence: A Review
2022, SN computer science
DOI:10.1007/s42979-021-00958-1
PMID:34816124
|
综述 | 本文综述了利用人工智能技术对社交媒体数据进行情感分析以检测抑郁情绪的研究 | 采用多类分类与深度学习算法提高了情感分析的精确度 | NA | 探讨如何利用社交媒体数据进行情感分析以检测抑郁情绪 | 社交媒体中的文本、表情符号和表情等数据 | 自然语言处理 | NA | 机器学习和深度学习技术 | 深度学习算法 | 文本 | NA | NA | NA | NA | NA |
| 516 | 2024-08-23 |
Accuracy of Deep Learning Echocardiographic View Classification in Patients with Congenital or Structural Heart Disease: Importance of Specific Datasets
2022-Jan-28, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm11030690
PMID:35160148
|
研究论文 | 本研究验证了在先天性或结构性心脏病患者中使用卷积神经网络进行超声心动图视图分类的准确性，并训练了一个专门针对此类患者的新的卷积神经网络。 | 本研究首次验证了神经网络在先天性或结构性心脏病患者中的视图分类，并展示了专门训练的模型在此特定群体中显著提高的准确性。 | 研究仅限于先天性或结构性心脏病患者，可能不适用于其他心脏疾病患者。 | 验证和提高神经网络在先天性或结构性心脏病患者中超声心动图视图分类的准确性。 | 先天性或结构性心脏病患者及正常对照组的超声心动图图像。 | 机器学习 | 先天性心脏病 | 卷积神经网络 | CNN | 图像 | 9793个图像文件来自262名先天性或结构性心脏病患者和62名正常对照组 | NA | NA | NA | NA |
| 517 | 2024-08-23 |
Ultrafast end-to-end protein structure prediction enables high-throughput exploration of uncharacterized proteins
2022-01-25, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2113348119
PMID:35074909
|
研究论文 | 本文介绍了一种基于深度学习的高速蛋白质结构预测方法，该方法通过简化预处理步骤并直接从深度神经网络输出主链坐标，实现了对未表征蛋白质的高通量探索。 | 该方法通过使用三个循环网络和一系列残差卷积层，显著减少了目标多序列比对（MSA）的预处理需求，同时提高了预测速度和准确性。 | NA | 开发一种高效的蛋白质结构预测方法，以实现对大量未表征蛋白质区域的三维建模。 | 未表征的蛋白质区域和Pfam家族中的蛋白质。 | 机器学习 | NA | 深度学习 | 深度神经网络 | 序列数据 | 超过130万个未表征的蛋白质区域和5000多个Pfam家族的蛋白质。 | NA | NA | NA | NA |
| 518 | 2024-08-23 |
FaceMask: A New Image Dataset for the Automated Identification of People Wearing Masks in the Wild
2022-Jan-24, Sensors (Basel, Switzerland)
DOI:10.3390/s22030896
PMID:35161642
|
研究论文 | 本文介绍了一个新的公开可用注释图像数据库FaceMask，用于自动识别佩戴口罩的人群 | 提出了一个包含佩戴和不佩戴口罩人群图像的公开数据库，并测试了深度学习检测器在该数据集上的性能 | NA | 旨在克服现有数据集不足的问题，促进口罩佩戴识别领域的研究进展 | 研究对象为佩戴和不佩戴口罩的人群图像 | 计算机视觉 | NA | 图像处理技术与深度学习 | YOLO网络 | 图像与视频 | 包含不同环境和情境下佩戴和不佩戴口罩的人群图像 | NA | NA | NA | NA |
| 519 | 2024-08-23 |
Deep-4mCGP: A Deep Learning Approach to Predict 4mC Sites in Geobacter pickeringii by Using Correlation-Based Feature Selection Technique
2022-Jan-23, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms23031251
PMID:35163174
|
research paper | 本文提出了一种深度学习方法Deep-4mCGP，用于预测Geobacter pickeringii中的4mC位点，使用基于相关性的特征选择技术 | 该研究通过融合二进制和-mer组成的特征描述符，并采用相关性和梯度提升决策树（GBDT）的增量特征选择（IFS）方法优化特征，提高了预测4mC位点的准确性 | NA | 建立一个稳健的深度学习模型，用于识别Geobacter pickeringii中的4mC位点 | Geobacter pickeringii中的4mC位点 | machine learning | NA | correlation-based feature selection technique | 1D convolutional neural network (CNN) | DNA sequence | NA | NA | NA | NA | NA |
| 520 | 2024-08-23 |
ABCanDroid: A Cloud Integrated Android App for Noninvasive Early Breast Cancer Detection Using Transfer Learning
2022-Jan-22, Sensors (Basel, Switzerland)
DOI:10.3390/s22030832
PMID:35161576
|
研究论文 | 本文提出了一种基于云集成的Android应用ABCanDroid，利用迁移学习进行非侵入式早期乳腺癌检测 | 本文采用卷积神经网络（CNN）结合迁移学习的方法，提高了乳腺癌早期检测的效率和准确性 | NA | 提高乳腺癌早期检测的效率和准确性 | 乳腺癌检测 | 机器学习 | 乳腺癌 | 迁移学习 | CNN | 图像 | 使用ImageNet数据集 | NA | NA | NA | NA |