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 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2025-10-07 |
Estimating time-to-total knee replacement on radiographs and MRI: a multimodal approach using self-supervised deep learning
2022-Jan-01, Radiology advances
DOI:10.1093/radadv/umae030
PMID:39744045
|
研究论文 | 本研究开发了一种结合自监督深度学习和多模态数据的生存分析模型，用于预测膝关节置换手术的时间 | 首次将自监督深度学习特征与临床变量和多模态影像评估相结合，用于精确预测膝关节置换时间 | 研究数据主要来自特定队列研究，外部验证样本量相对有限，且部分病例在9年随访期后状态未知 | 开发精确预测膝关节置换时间的模型以改善患者管理和医疗资源分配 | 膝关节骨关节炎患者 | 医学影像分析 | 骨关节炎 | MRI扫描、X射线摄影、定量和半定量影像评估 | 自监督深度学习、生存分析模型 | 医学影像（X光片、MRI）、临床测量数据 | 训练集：895例接受TKR的膝关节和786例对照膝关节；外部测试集：518例（多中心研究）和164例（医院数据） | NA | NA | AUC（曲线下面积） | NA |
| 62 | 2025-10-07 |
A deep neural network for the classification of epileptic seizures using hierarchical attention mechanism
2022, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-022-07122-8
PMID:35465467
|
研究论文 | 提出一种集成层次注意力机制的深度神经网络用于癫痫发作分类 | 将层次注意力机制与卷积架构相结合，在保证高精度的同时降低计算复杂度 | 未明确说明具体计算复杂度的量化指标和对比基线 | 开发计算复杂度低且分类精度高的癫痫发作分类算法 | 脑电图信号和癫痫发作患者 | 机器学习 | 癫痫 | 脑电图 | CNN | 脑电图信号 | NA | NA | 自定义卷积架构集成层次注意力机制 | 准确率, 计算时间 | NA |
| 63 | 2025-10-07 |
Automated Multiclass Artifact Detection in Diffusion MRI Volumes via 3D Residual Squeeze-and-Excitation Convolutional Neural Networks
2022, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2022.877326
PMID:35431841
|
研究论文 | 提出基于3D残差压缩激励卷积神经网络的扩散MRI多类别伪影自动检测方法 | 首次实现扩散MRI数据的多类别（非二元）伪影自动分类，采用3D MECE子体积分割和投票机制 | 仅针对特定数据集（ABCD和HBN）进行验证，未在其他数据集测试泛化能力 | 开发自动化的扩散MRI多类别伪影检测方法以提高数据预处理效率 | 扩散MRI脑部扫描数据 | 医学影像分析 | 脑部疾病 | 扩散MRI | CNN | 3D医学影像 | ABCD数据集2,494个低质量dMRI体积，HBN数据集4,226个dMRI体积 | NA | 3D Residual Squeeze-and-Excitation CNN | 准确率 | NA |
| 64 | 2025-01-06 |
Synthesizing high-resolution magnetic resonance imaging using parallel cycle-consistent generative adversarial networks for fast magnetic resonance imaging
2022-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.15380
PMID:34821395
|
研究论文 | 本文提出了一种使用并行循环一致性生成对抗网络（CycleGANs）从低分辨率磁共振成像（MR）图像生成高分辨率MR图像的新方法 | 采用自监督策略的并行CycleGANs方法，解决了临床环境中难以收集成对低分辨率和高分辨率MR图像的问题 | NA | 生成高分辨率MR图像以缩短MR扫描时间 | MR图像 | 计算机视觉 | 脑肿瘤 | 并行循环一致性生成对抗网络（CycleGANs） | CycleGAN | 图像 | BraTS2020数据集和机构收集的MR图像 | NA | NA | NA | NA |
| 65 | 2024-12-18 |
A deep hybrid learning pipeline for accurate diagnosis of ovarian cancer based on nuclear morphology
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0261181
PMID:34995293
|
研究论文 | 本文提出了一种基于核形态学的深度混合学习管道，用于卵巢癌的准确诊断 | 本文创新性地结合了核形态学特征和深度学习技术，开发了一种新的深度混合学习模型，显著提高了诊断准确性 | 本文仅进行了初步研究，样本量较小，需要进一步验证和扩展 | 研究目的是通过结合核形态学特征和机器学习技术，区分正常组织和卵巢癌组织 | 研究对象是卵巢癌和正常组织的核形态学特征 | 数字病理学 | 卵巢癌 | 深度学习 | CNN | 图像 | 卵巢癌和正常组织的样本 | NA | NA | NA | NA |
| 66 | 2024-12-08 |
AMPlify: attentive deep learning model for discovery of novel antimicrobial peptides effective against WHO priority pathogens
2022-Jan-25, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-022-08310-4
PMID:35078402
|
研究论文 | 介绍了一种名为AMPlify的注意力深度学习模型，用于发现对世界卫生组织优先病原体有效的新型抗菌肽 | 提出了AMPlify模型，通过深度学习方法预测抗菌肽，并展示了其在筛选蛙类基因组衍生的肽序列中的应用 | NA | 寻找替代传统抗生素的新型抗菌肽 | 抗菌肽及其对世界卫生组织优先病原体的活性 | 机器学习 | NA | 深度学习 | 注意力模型 | 序列数据 | 从牛蛙基因组中提取的肽序列 | NA | NA | NA | NA |
| 67 | 2024-12-08 |
A learning based approach for designing extended unit cell metagratings
2022-Jan, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2021-0540
PMID:39633889
|
研究论文 | 本文提出了一种基于深度学习的扩展单元晶格超表面逆向设计方法 | 该方法通过学习超表面在反射和透射阶次上的光谱响应，避免了传统方法中由于元原子间耦合效应未充分考虑而导致的效率降低问题 | NA | 提高超表面设计的效率和性能 | 扩展单元晶格超表面 | 纳米光子学 | NA | 深度学习 | 深度神经网络 | 光谱数据 | NA | NA | NA | NA | NA |
| 68 | 2024-12-08 |
Deep-learning-based recognition of multi-singularity structured light
2022-Jan, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2021-0489
PMID:39635381
|
研究论文 | 本文介绍了一种基于深度学习的框架，用于识别具有多重奇点的结构化光 | 该框架能够直接从光束传播后的两个强度模式中揭示多重奇点相位结构，并输出相位信息，从而释放扭曲光子的丰富直观信息 | NA | 开发一种能够精确识别具有多重奇点的结构化光的新技术 | 多重奇点的结构化光及其相位信息 | 计算机视觉 | NA | 深度学习 (DL) | NA | 图像 | NA | NA | NA | NA | NA |
| 69 | 2024-11-24 |
Denoising diffusion weighted imaging data using convolutional neural networks
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0274396
PMID:36108272
|
研究论文 | 本文提出了一种使用一维卷积神经网络（1D-CNN）对高b值扩散加权成像（DWI）数据进行去噪的方法 | 该方法利用低噪声数据集进行训练，能够在不依赖大量训练样本的情况下，有效去除高噪声DWI图像中的噪声 | 该方法需要一个低噪声的单个受试者数据集进行训练，这在实际应用中可能存在限制 | 开发一种有效的DWI图像去噪方法，以提高组织微结构测量的准确性 | 高b值扩散加权成像数据 | 计算机视觉 | NA | 扩散加权成像（DWI） | 一维卷积神经网络（1D-CNN） | 图像 | 单个受试者数据集用于训练，多个受试者的高噪声数据集用于验证 | NA | NA | NA | NA |
| 70 | 2024-11-24 |
Artificial Intelligence: Innovation to Assist in the Identification of Sono-anatomy for Ultrasound-Guided Regional Anaesthesia
2022, Advances in experimental medicine and biology
DOI:10.1007/978-3-030-87779-8_6
PMID:35146620
|
综述 | 本文综述了人工智能在超声引导区域麻醉中辅助识别解剖结构的应用 | 探讨了计算机视觉在医学图像解释中的潜力，特别是深度学习系统在超声图像解释中的应用 | 需要进一步的临床验证和监管批准 | 探讨人工智能在超声引导区域麻醉中的应用及其对未来学习和实践的影响 | 超声引导区域麻醉中的解剖结构识别 | 计算机视觉 | NA | 深度学习 | 深度学习系统 | 图像 | NA | NA | NA | NA | NA |
| 71 | 2024-11-19 |
Role of artificial intelligence in MS clinical practice
2022, NeuroImage. Clinical
DOI:10.1016/j.nicl.2022.103065
PMID:35661470
|
综述 | 本文讨论了人工智能在多发性硬化症临床实践中的潜在应用及其局限性 | 机器学习算法能够自动化重复任务，分析更多数据，并在准确性和可重复性方面超越人类 | 需要更好地理解AI算法选择的信息，进行多中心和纵向验证，并解决硬件和软件集成问题 | 探讨人工智能在多发性硬化症临床实践中的应用 | 多发性硬化症的诊断、预后、疾病和治疗监测，以及MRI协议的改进和病变组织的自动分割 | 机器学习 | 多发性硬化症 | 机器学习 (ML) 和深度学习 (DL) | NA | 影像数据 | NA | NA | NA | NA | NA |
| 72 | 2024-11-08 |
POCS-Augmented CycleGAN for MR Image Reconstruction
2022-Jan, Applied sciences (Basel, Switzerland)
DOI:10.3390/app12010114
PMID:37465648
|
研究论文 | 本文提出了一种结合传统图像重建方法和深度学习的混合图像重建方法，通过将CycleGAN与POCS算法结合，提高了MR图像重建的质量 | 本文创新地将传统的POCS算法与深度学习网络CycleGAN结合，通过迭代训练提高了图像重建的质量 | NA | 研究如何通过结合传统图像重建方法和深度学习来提高MR图像重建的质量 | MR图像重建 | 计算机视觉 | NA | NA | CycleGAN | 图像 | 使用了亚采样的磁共振成像数据进行验证 | NA | NA | NA | NA |
| 73 | 2024-10-30 |
Transfer learning-based channel estimation in orthogonal frequency division multiplexing systems using data-nulling superimposed pilots
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0268952
PMID:35622869
|
研究论文 | 本文结合数据空洞叠加导频（DNSP）和深度学习（DL），提出了一种基于迁移学习的正交频分复用（OFDM）系统信道估计方法 | 本文提出了一种轻量级迁移学习网络，用于解决深度学习模型在无线场景变化时的模型失配问题，从而提高了信道估计的准确性 | NA | 提高正交频分复用系统中信道估计的准确性和鲁棒性 | 正交频分复用系统中的信道估计问题 | 无线通信 | NA | 深度学习 | 卷积神经网络（CNN） | 信号 | NA | NA | NA | NA | NA |
| 74 | 2024-10-11 |
Deep learning model of somatic hypermutation reveals importance of sequence context beyond hotspot targeting
2022-Jan-21, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2021.103668
PMID:35036866
|
研究论文 | 本文开发了一种深度学习模型DeepSHM，用于分析体细胞超突变（SHM），揭示了序列上下文在热点靶向之外的重要性 | 通过使用5-21个碱基的子序列，DeepSHM模型提高了预测准确性，并识别出具有高突变性的扩展WWRCT基序和AGYCTGGGGG基序 | NA | 研究体细胞超突变（SHM）的机制，特别是序列上下文对突变靶向的影响 | 免疫球蛋白（Ig）可变区的体细胞超突变 | 机器学习 | NA | 深度学习 | 深度学习模型 | 序列数据 | 使用5-21个碱基的子序列进行模型训练 | NA | NA | NA | NA |
| 75 | 2024-10-06 |
Deep Learning for Basal Cell Carcinoma Detection for Reflectance Confocal Microscopy
2022-01, The Journal of investigative dermatology
IF:5.7Q1
DOI:10.1016/j.jid.2021.06.015
PMID:34265329
|
研究论文 | 研究开发了一种基于深度学习的人工智能模型，用于自动检测反射共聚焦显微镜图像中的基底细胞癌 | 提出了一个深度学习模型，能够自动检测反射共聚焦显微镜图像中的基底细胞癌，性能与专家相当 | 未提及具体局限性 | 开发和评估一种自动检测基底细胞癌的深度学习模型 | 基底细胞癌的检测 | 计算机视觉 | 皮肤癌 | 反射共聚焦显微镜 | 深度学习模型 | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 76 | 2024-10-06 |
COVID-19: A Comprehensive Review of Learning Models
2022, Archives of computational methods in engineering : state of the art reviews
IF:9.7Q1
DOI:10.1007/s11831-021-09641-3
PMID:34566404
|
综述 | 本文对COVID-19相关研究进行了全面的综述，重点关注症状早期识别、疫情结束预测和用户生成对话分析 | 本文综述了多种机器学习和深度学习模型在COVID-19研究中的应用 | 本文主要综述了现有研究的结果和局限性，未提出新的模型或方法 | 综述COVID-19相关研究，探讨机器学习和深度学习模型在疫情监测中的应用 | COVID-19症状早期识别、疫情结束预测和用户生成对话分析 | 机器学习 | COVID-19 | 机器学习、深度学习 | K-means聚类、随机森林、卷积神经网络、长短期记忆网络、自编码器、回归模型 | 图像、文本 | NA | NA | NA | NA | NA |
| 77 | 2024-10-06 |
DeepLN: A Multi-Task AI Tool to Predict the Imaging Characteristics, Malignancy and Pathological Subtypes in CT-Detected Pulmonary Nodules
2022, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2022.683792
PMID:35646699
|
研究论文 | 本文介绍了一种名为DeepLN的多任务AI工具，用于预测CT检测到的肺结节的影像特征、恶性程度和病理亚型 | 提出了一种基于深度卷积神经网络的DeepLN工具，能够准确预测肺结节的影像特征、恶性程度和病理亚型 | 研究是回顾性的，且样本主要来自单一来源 | 提高基于CT图像的肺结节恶性风险预测的准确性 | 8950个具有完整病理结果的肺结节 | 计算机视觉 | 肺癌 | 深度卷积神经网络 | CNN | 图像 | 8950个肺结节 | NA | NA | NA | NA |
| 78 | 2024-10-06 |
CVD-HNet: Classifying Pneumonia and COVID-19 in Chest X-ray Images Using Deep Network
2022, Wireless personal communications
IF:1.9Q3
DOI:10.1007/s11277-022-09864-y
PMID:35756172
|
研究论文 | 本文提出了一种基于新型深度卷积神经网络（CNN）的COVID-19感染胸部X光图像分类方法 | 设计了两种新的定制CNN架构CVD-HNet1和CVD-HNet2，并提出了一种基于边界和区域操作以及卷积过程的系统方法 | 在有限的数据集上取得了显著的分类准确率，但需要更多训练样本以获得更好的结果 | 提高COVID-19和肺炎在胸部X光图像中的分类准确性 | COVID-19和肺炎的胸部X光图像 | 计算机视觉 | 肺部疾病 | 深度学习（DL） | 卷积神经网络（CNN） | 图像 | 有限的数据集 | NA | NA | NA | NA |
| 79 | 2024-10-06 |
Identification of the ubiquitin-proteasome pathway domain by hyperparameter optimization based on a 2D convolutional neural network
2022, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2022.851688
PMID:35937990
|
研究论文 | 本文开发了一种基于2D卷积神经网络的超参数优化算法，用于识别泛素-蛋白酶体途径域 | 提出了名为2DCNN-UPP的新型深度学习预测器，通过遗传算法选择最优特征，避免了过拟合问题 | NA | 开发一种快速准确的计算方法来识别泛素-蛋白酶体途径 | 泛素-蛋白酶体途径及其在细胞过程中的作用 | 机器学习 | NA | 下一代测序 | 2D卷积神经网络 | 蛋白质序列 | 使用10折交叉验证方法进行训练和评估 | NA | NA | NA | NA |
| 80 | 2024-10-06 |
Deep learning approaches for conformational flexibility and switching properties in protein design
2022, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2022.928534
PMID:36032687
|
综述 | 本文综述了深度学习在蛋白质设计中处理构象灵活性和开关特性的方法 | 探讨了前沿深度学习设计方法如何适应蛋白质的灵活性，并展望了该领域的未来发展 | NA | 探讨深度学习在蛋白质设计中的应用，特别是如何处理蛋白质的构象灵活性和开关特性 | 蛋白质设计方法及其在处理蛋白质灵活性方面的应用 | 机器学习 | NA | 深度学习 | 生成模型 | NA | NA | NA | NA | NA | NA |