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 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2024-10-06 |
Artificial Intelligence and Deep Learning Assisted Rapid Diagnosis of COVID-19 from Chest Radiographical Images: A Survey
2022, Contrast media & molecular imaging
DOI:10.1155/2022/1306664
PMID:36304775
|
综述 | 本文综述了利用人工智能和深度学习技术从胸部影像图像中快速诊断COVID-19的研究进展 | 本文系统地总结了超过110篇来自多个知名来源的论文，涵盖了使用深度学习模型从胸部X光和CT扫描图像中检测和分类COVID-19的研究 | 本文主要基于已有文献的综述，未提出新的研究方法或模型 | 探讨人工智能和深度学习在COVID-19快速诊断中的应用 | COVID-19的胸部影像图像 | 计算机视觉 | COVID-19 | 深度学习 | 深度学习模型 | 图像 | 超过110篇论文 | NA | NA | NA | NA |
| 82 | 2024-10-06 |
A review of deep learning-based deformable medical image registration
2022, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2022.1047215
PMID:36568171
|
综述 | 本文综述了基于深度学习的可变形医学图像配准方法 | 本文分类并详细讨论了五种基于深度学习的可变形医学图像配准方法，并提供了统计分析和公开数据集的总结 | 本文未提及具体的实验结果或模型性能比较 | 综述基于深度学习的可变形医学图像配准方法的最新进展 | 可变形医学图像配准方法 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 33个公开数据集 | NA | NA | NA | NA |
| 83 | 2024-10-05 |
Model-based stratification of progression along the Alzheimer disease continuum highlights the centrality of biomarker synergies
2022-01-24, Alzheimer's research & therapy
DOI:10.1186/s13195-021-00941-1
PMID:35073974
|
研究论文 | 本研究使用模型和数据驱动的方法，探讨了阿尔茨海默病（AD）进展过程中Aβ、tau和神经退行性病变（AT(N)）生物标志物的协同作用 | 本研究揭示了AT(N)生物标志物组合在预测AD进展中的协同关系，扩展了之前关于A-T协同机制的证据 | 本研究使用了较大的数据集（N=321），但样本量仍有限，可能影响模型的泛化能力 | 探讨阿尔茨海默病进展过程中生物标志物的协同作用 | 阿尔茨海默病患者的认知评估和生物标志物数据 | 机器学习 | 阿尔茨海默病 | 深度学习模型 | 深度学习模型 | 生物标志物数据 | 321名患者 | NA | NA | NA | NA |
| 84 | 2024-10-05 |
Implications of AlphaFold2 for crystallographic phasing by molecular replacement
2022-Jan-01, Acta crystallographica. Section D, Structural biology
DOI:10.1107/S2059798321012122
PMID:34981757
|
研究论文 | 探讨了AlphaFold2在晶体学相位分析中的应用前景 | 利用AlphaFold2生成的精确蛋白质结构模型，探索其在晶体学相位分析中的潜在应用 | NA | 研究AlphaFold2对晶体学相位分析方法的影响 | AlphaFold2生成的蛋白质结构模型及其在晶体学相位分析中的应用 | 结构生物学 | NA | 深度学习 | AlphaFold2 | 蛋白质结构数据 | 来自CASP14的数据 | NA | NA | NA | NA |
| 85 | 2024-10-05 |
Computerized migraine diagnostic tools: a systematic review
2022, Therapeutic advances in chronic disease
IF:3.3Q2
DOI:10.1177/20406223211065235
PMID:35096362
|
综述 | 本文对计算机化偏头痛诊断工具进行了系统性回顾，总结并评估了相关研究的质量 | 本文首次对计算机化偏头痛诊断工具进行了系统性回顾，评估了不同工具的诊断准确性 | 缺乏随机患者抽样、工具之间的直接比较以及对其他头痛诊断的适用性 | 总结和评估计算机化偏头痛诊断工具的研究质量 | 计算机化偏头痛诊断工具 | 计算机视觉 | 偏头痛 | 深度学习、分类器集成、蚁群算法、人工免疫、随机森林、白盒与黑盒组合、混合模糊专家系统 | NA | NA | 41项研究，中位样本量为288名参与者，中位年龄43岁，77%为女性 | NA | NA | NA | NA |
| 86 | 2024-10-04 |
Current trends on the application of artificial intelligence in medical sciences
2022, Bioinformation
DOI:10.6026/973206300181050
PMID:37693078
|
综述 | 本文综述了人工智能在医学科学中的应用现状、面临的挑战以及未来的发展方向 | 本文系统地总结了人工智能在医疗领域的应用，并提出了未来研究的方向 | 本文主要集中在综述和总结，未提供具体的实验数据或模型 | 探讨人工智能在医学科学中的应用及其未来发展 | 人工智能在医疗领域的应用、面临的挑战及伦理责任 | 机器学习 | NA | 机器学习 (ML) 和深度学习 (DL) | NA | NA | NA | NA | NA | NA | NA |
| 87 | 2024-10-04 |
Automatic detection and delineation of pediatric gliomas on combined [18F]FET PET and MRI
2022, Frontiers in nuclear medicine (Lausanne, Switzerland)
DOI:10.3389/fnume.2022.960820
PMID:39354975
|
研究论文 | 本文提出了一种深度学习方法，用于自动检测和描绘儿童中枢神经系统肿瘤的[18F]FET PET和MRI图像 | 本文首次将深度学习应用于儿童中枢神经系统肿瘤的自动描绘，提高了描绘的准确性和一致性 | 研究样本量较小，仅包括66名患者，未来需要在大规模多中心研究中验证其有效性 | 开发一种自动描绘儿童中枢神经系统肿瘤的方法，以提高诊断和治疗计划的准确性 | 儿童中枢神经系统肿瘤的[18F]FET PET和MRI图像 | 计算机视觉 | 中枢神经系统肿瘤 | 深度学习 | 人工神经网络 (ANN) | 图像 | 66名儿童患者的109次[18F]FET PET和MRI扫描 | NA | NA | NA | NA |
| 88 | 2024-10-02 |
Fully automated image quality evaluation on patient CT: Multi-vendor and multi-reconstruction study
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0271724
PMID:35857804
|
研究论文 | 本文提出了一种全自动的CT图像质量评估方法，用于多厂商和多重建算法的患者CT图像 | 首次提出了基于结构一致性特征（SCF）的全自动CT图像质量评估方法，能够量化噪声水平、结构清晰度和结构变化 | 研究仅限于特定类型的CT图像和重建算法，未涵盖所有可能的CT技术和场景 | 开发一种全自动的CT图像质量评估方法，以优化CT协议和降低辐射剂量 | 120名患者的CT图像，使用四种不同的CT扫描仪和三种重建算法 | 计算机视觉 | NA | CT扫描 | 深度学习模型（DLM） | 图像 | 120名患者的CT图像 | NA | NA | NA | NA |
| 89 | 2024-10-02 |
A Deep Learning and Handcrafted Based Computationally Intelligent Technique for Effective COVID-19 Detection from X-ray/CT-scan Imaging
2022, Journal of grid computing
IF:3.6Q1
DOI:10.1007/s10723-022-09615-0
PMID:35874855
|
研究论文 | 本文提出了一种基于深度学习和手工特征的计算智能技术，用于从X射线/CT扫描图像中有效检测COVID-19 | 本文的创新点在于采用了混合特征提取方法，结合了深度学习特征和手工特征，并使用ResNet101和DenseNet201模型进行特征提取 | NA | 开发一种高效的COVID-19分类系统，以帮助医生和科学界应对疫情 | COVID-19的X射线/CT扫描图像 | 计算机视觉 | COVID-19 | 深度学习 | ResNet101, DenseNet201 | 图像 | NA | NA | NA | NA | NA |
| 90 | 2024-10-02 |
Artificial Intelligence in Digital Pathology to Advance Cancer Immunotherapy
2022, 21st century pathology
PMID:36282981
|
研究论文 | 本文总结了人工智能在数字病理学中的最新研究，并探讨了其在癌症免疫治疗生物标志物开发中的新兴范式和方向 | 本文探讨了人工智能在数字病理学中的应用，特别是深度学习技术，以自动化分析组织切片，并利用多重生物成像技术全面表征肿瘤微环境 | 本文主要为综述性质，未提供具体的研究数据或实验结果 | 探讨人工智能在数字病理学中的应用，以推动癌症免疫治疗生物标志物的开发 | 免疫检查点抑制剂（ICIs）在癌症治疗中的应用，特别是肺癌患者中ICIs单药治疗的临床效益 | 数字病理学 | 肺癌 | 人工智能（AI），特别是深度学习 | 深度学习 | 组织切片 | NA | NA | NA | NA | NA |
| 91 | 2024-10-02 |
Accurate classification of lung nodules on CT images using the TransUnet
2022, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2022.1060798
PMID:36544802
|
研究论文 | 本文提出了一种基于TransUnet的深度卷积神经网络技术，用于CT图像中肺结节的自动分类 | 本文创新性地结合了Transformer和Unet模型，通过全局自注意力建模和精确的肺结节定位，提高了肺结节分类的准确性 | NA | 开发一种自动化的方法来提高CT图像中肺结节的分类准确性 | CT图像中的肺结节 | 计算机视觉 | 肺癌 | 深度卷积神经网络 | TransUnet | 图像 | 8474张CT图像，包括3259张良性图像和5215张肺结节图像 | NA | NA | NA | NA |
| 92 | 2024-10-01 |
Identification of piRNA disease associations using deep learning
2022, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.02.026
PMID:35317234
|
研究论文 | 本文开发了一种基于深度学习的piRNA疾病关联识别方法piRDA | 提出了一种无需特征工程的简单、稳健且高效的深度学习方法，用于识别piRNA疾病关联，并显著优于现有方法 | NA | 开发一种高效的计算方法来识别piRNA与疾病之间的关联，以促进疾病特异性药物开发 | piRNA与疾病之间的关联 | 机器学习 | NA | 深度学习 | NA | 序列数据 | NA | NA | NA | NA | NA |
| 93 | 2024-10-01 |
Extracting default mode network based on graph neural network for resting state fMRI study
2022, Frontiers in neuroimaging
DOI:10.3389/fnimg.2022.963125
PMID:37555154
|
研究论文 | 本文提出使用图神经网络（graphSAGE）来研究静息态功能磁共振成像（rs-fMRI）并提取默认模式网络（DMN） | 相比传统的种子点相关法、独立成分分析和字典学习，graphSAGE方法更稳健、可靠，并能更清晰地定义感兴趣区域 | NA | 研究大脑功能连接，提取默认模式网络 | 静息态功能磁共振成像数据 | 计算机视觉 | NA | 图神经网络（graphSAGE） | 图神经网络 | 功能磁共振成像数据 | NA | NA | NA | NA | NA |
| 94 | 2024-10-01 |
Automatic Detection of Atrial Fibrillation from Single-Lead ECG Using Deep Learning of the Cardiac Cycle
2022, BME frontiers
IF:5.0Q1
DOI:10.34133/2022/9813062
PMID:37850161
|
研究论文 | 本文探讨了使用深度神经网络（DNN）从单导联心电图（ECG）信号中学习心脏周期并可靠地检测心房颤动（AF）的方法 | 本文设计了一个三步管道，用于从ECG中检测AF，并展示了其优于现有ECG分析方法的性能 | 深度神经网络（DNN）通常被设计为通用目的的黑箱模型，缺乏对其决策的可解释性 | 开发一种从单导联ECG信号中可靠检测心房颤动（AF）的方法 | 单导联心电图（ECG）信号中的心房颤动（AF） | 机器学习 | 心血管疾病 | 深度神经网络（DNN） | 深度神经网络（DNN） | 时间序列数据 | NA | NA | NA | NA | NA |
| 95 | 2024-09-30 |
Deep learning via LSTM models for COVID-19 infection forecasting in India
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0262708
PMID:35089976
|
研究论文 | 本文使用LSTM等循环神经网络模型对印度的COVID-19感染进行短期预测 | 采用LSTM、双向LSTM和编码器-解码器LSTM模型进行多步短期COVID-19感染预测 | 数据可靠性问题以及难以捕捉人口密度、物流和社会文化等因素 | 重新审视COVID-19感染情况，使用可靠数据源和创新预测模型 | 印度各州的COVID-19感染情况 | 机器学习 | NA | NA | LSTM | 时间序列 | 印度各州的COVID-19热点地区 | NA | NA | NA | NA |
| 96 | 2024-09-30 |
Malignant thoracic lymph node classification with deep convolutional neural networks on real-time endobronchial ultrasound (EBUS) images
2022-Jan, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-21-870
PMID:35242624
|
研究论文 | 本研究旨在利用深度卷积神经网络对实时内窥镜超声图像中的恶性胸淋巴结进行分类 | 本研究首次将深度卷积神经网络应用于实时内窥镜超声图像中恶性胸淋巴结的自动分类，并提出了一种新的损失函数以提高分类性能 | 本研究的样本量相对较小，且仅限于特定医院的患者数据 | 开发一种能够自动分类恶性胸淋巴结的深度卷积神经网络，以提高肺癌诊断和治疗的准确性 | 胸淋巴结的恶性分类 | 计算机视觉 | 肺癌 | 深度卷积神经网络 | CNN | 图像 | 共收集了2,394张内窥镜超声图像，包括1,459个良性淋巴结和935个恶性淋巴结，涉及370名患者 | NA | NA | NA | NA |
| 97 | 2024-09-30 |
A COMPARATIVE STUDY OF X-RAY AND CT IMAGES IN COVID-19 DETECTION USING IMAGE PROCESSING AND DEEP LEARNING TECHNIQUES
2022, Computer methods and programs in biomedicine update
DOI:10.1016/j.cmpbup.2022.100054
PMID:35281724
|
review | 本文综述了使用图像处理和深度学习技术在COVID-19检测中比较X射线和CT图像的最新深度学习方法 | 本文总结了卷积神经网络（CNN）在从医学图像中检测COVID-19的最流行深度学习算法，并讨论了预处理、迁移学习和数据增强技术在处理数据稀缺问题中的应用 | NA | 探讨深度学习技术在COVID-19早期诊断中的应用 | COVID-19的早期诊断 | computer vision | 传染病 | 图像处理和深度学习 | CNN | image | NA | NA | NA | NA | NA |
| 98 | 2024-09-30 |
Recent Technical Advances in Accelerating the Clinical Translation of Small Animal Brain Imaging: Hybrid Imaging, Deep Learning, and Transcriptomics
2022, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2022.771982
PMID:35402436
|
综述 | 本文综述了近期在加速小动物脑成像临床转化方面的技术进展，重点介绍了混合成像、深度学习和转录组学等技术 | 本文介绍了混合成像技术、单细胞转录组学和深度学习图像分析等新方法，以提高小动物脑成像的转化能力 | 本文讨论了从临床前脑成像向临床转化过程中存在的物种间差异和成像技术障碍等挑战 | 总结近期小动物神经成像技术的发展，以提高其临床转化能力 | 小动物脑成像技术及其临床转化 | 计算机视觉 | NA | 混合成像、深度学习、转录组学 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 99 | 2024-09-30 |
Deep Generative Learning-Based 1-SVM Detectors for Unsupervised COVID-19 Infection Detection Using Blood Tests
2022, IEEE transactions on instrumentation and measurement
IF:5.6Q1
DOI:10.1109/TIM.2021.3130675
PMID:35582656
|
研究论文 | 本文介绍了一种基于深度生成学习的无监督COVID-19感染检测方法，使用血液检测样本 | 本文结合了变分自编码器（VAE）的特征提取能力和一类支持向量机（1SVM）的检测敏感性，提出了一种新的深度混合模型 | 本文的研究主要基于两个医院的血液检测样本，样本量有限，可能影响模型的泛化能力 | 开发一种快速、低成本且易于访问的无监督COVID-19感染检测方法 | COVID-19感染检测 | 机器学习 | COVID-19 | 变分自编码器（VAE），一类支持向量机（1SVM） | 深度混合模型 | 血液检测数据 | 两个医院的常规血液检测样本 | NA | NA | NA | NA |
| 100 | 2024-09-30 |
Neural Network Training With Asymmetric Crosspoint Elements
2022, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2022.891624
PMID:35615470
|
研究论文 | 本文探讨了使用不对称交叉点元件进行神经网络训练的问题，并提出了一种新的全并行训练算法 | 提出了一种新的全并行训练算法，利用设备不对称性作为有用特征，通过调整网络参数来最小化系统的总能量（哈密顿量） | NA | 解决实际电阻器件不对称电导调制对传统算法训练网络分类性能的负面影响 | 不对称交叉点元件和深度神经网络训练 | 机器学习 | NA | NA | 深度神经网络 | NA | NA | NA | NA | NA | NA |