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 1828 篇文献，本页显示第 1781 - 1800 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1781 | 2024-08-05 |
Generalizing deep learning brain segmentation for skull removal and intracranial measurements
2022-05, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2022.01.004
PMID:34999162
|
研究论文 | 本文提出了一种用于脑部分割的深度学习方法，以实现颅骨去除和颅内测量 | 引入了迁移学习方法来估计额外的TICV和PFV标签，并采用U-Net模型进行颅骨去除的全脑分割 | 手动标注全脑体积的可用数据集有限，影响了方法的普适性 | 研究如何实现深度学习脑部分割以进行颅骨去除和颅内测量 | 关注于采用MRI成像技术进行脑体积测量的神经影像数据 | 数字病理学 | NA | MRI | U-Net | 图像 | 使用有限的BrainCOLOR数据集进行训练 | NA | NA | NA | NA |
| 1782 | 2024-08-05 |
A Deep Learning Approach for Meter-Scale Air Quality Estimation in Urban Environments Using Very High-Spatial-Resolution Satellite Imagery
2022-Apr-27, Atmosphere
IF:2.5Q3
DOI:10.3390/atmos13050696
PMID:37724306
|
研究论文 | 本研究主要关注在城市环境中利用超高分辨率卫星影像生成百米尺度的空气质量图。 | 提出了一种新的基于图像的物体检测分析方法，能够以显著更小的尺度估计空气质量，为城市环境AQ监测提供了新的视角。 | 目前的模型依赖于卫星影像，可能在缺乏地面监测数据的地区难以推广应用。 | 研究目标是开发一种能够在发达城市生成百米尺度空气质量图的模型。 | 研究对象包括伦敦、温哥华、洛杉矶和纽约市的空气质量数据。 | 数字病理学 | NA | 深度神经网络（DNN） | NA | 卫星影像 | 使用了地面监测观察和土地利用回归建模的PM与NO浓度数据 | NA | NA | NA | NA |
| 1783 | 2024-08-05 |
Rule-Enhanced Active Learning for Semi-Automated Weak Supervision
2022-Mar, Artificial intelligence
IF:5.1Q1
DOI:10.3390/ai3010013
PMID:35845102
|
研究论文 | 本文提出了一种改进的弱监督文本分类框架REGAL，通过对标签函数进行主动学习，降低人工标注负担 | REGAL通过从原始文本中交互式地创建高质量标签模式，允许单个注释者在初始化时只需三个关键词即可准确标注整个数据集，显著提高了标签函数的提取效率 | NA | 提高弱监督文本分类中的主动学习效率，减少人力标注需求 | 文本数据集的标注 | 自然语言处理 | NA | 弱监督学习 | NA | 文本 | 六个常用的自然语言处理基准数据集 | NA | NA | NA | NA |
| 1784 | 2024-08-05 |
Semi-automated three-dimensional segmentation for cardiac CT images using deep learning and randomly distributed points
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2611594
PMID:36793655
|
研究论文 | 本文提出了一种半自动化的深度学习方法用于心脏CT图像的分割。 | 本研究通过模拟用户交互并使用点距离图，结合手动分割的高精度与全自动分割的高效率，提供了一种新的心脏分割方法。 | 目前的半自动化方法仍未达到专家分割的精确度，需要更进一步的优化。 | 旨在提高心脏CT图像分割的准确性和效率。 | 研究对象为心脏CT图像，特别是其四个腔室。 | 计算机视觉 | 心血管疾病 | 深度学习 | 三维全卷积神经网络（FCNN） | 图像 | 不适用 | NA | NA | NA | NA |
| 1785 | 2024-08-05 |
CascadeNet for hysterectomy prediction in pregnant women due to placenta accreta spectrum
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2611580
PMID:36798853
|
研究论文 | 本文开发了一种新的卷积网络架构，用于预测由胎盘植入症引起的孕妇紧急子宫切除术 | 该研究首次结合MRI体积、放射组学特征和自定义特征图进行胎盘植入症的预测 | 研究尚未考虑所有潜在的临床变量，可能影响预测的准确性 | 旨在早期预测胎盘植入症，减少并发症并帮助管理决策 | 研究对象为241名孕妇，其中157名用于训练，24名用于验证，60名用于测试 | 计算机视觉 | 胎盘植入症 | 深度卷积网络 | CNN | MRI体积和放射组学特征 | 241名孕妇 | NA | NA | NA | NA |
| 1786 | 2024-08-05 |
Automatic detection of head and neck squamous cell carcinoma on pathologic slides using polarized hyperspectral imaging and deep learning
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2614624
PMID:36798940
|
研究论文 | 本研究结合偏振高光谱成像与深度学习，实现对头颈部鳞状细胞癌的自动检测 | 首次采用偏振高光谱成像和深度学习方法，对头颈部鳞状细胞癌进行自动检测 | 样本数量较小，仅涉及17名患者，且基于其中16名患者进行训练 | 研究偏振高光谱成像在病理切片中自动检测头颈部鳞状细胞癌的应用 | 17名头颈部鳞状细胞癌患者所提供的组织切片 | 数字病理学 | 头颈癌 | 偏振高光谱成像 (PHSI) | 卷积神经网络 (CNN) | 图像 | 17名患者的组织切片数据 | NA | NA | NA | NA |
| 1787 | 2024-08-05 |
Thyroid Carcinoma Detection on Whole Histologic Slides Using Hyperspectral Imaging and Deep Learning
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2612963
PMID:36798939
|
研究论文 | 本研究利用高光谱成像和深度学习对甲状腺癌进行检测 | 该研究展示了高光谱图像在整体组织切片癌症分类中的提升性能 | 研究中只使用了33个固定组织样本，样本量较小 | 探讨高光谱成像和深度学习在甲状腺癌检测中的应用 | 使用来自头颈患者的甲状腺滤泡癌的组织样本进行研究 | 数字病理学 | 甲状腺癌 | 高光谱成像 | 深度学习分类器 | 图像 | 33个头颈患者的固定组织样本 | NA | NA | NA | NA |
| 1788 | 2024-08-05 |
Deep Learning-Based Abdominal Muscle Segmentation on CT Images of Surgical Patient Populations
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2611773
PMID:36845411
|
研究论文 | 本研究提出了一种基于深度学习的算法，用于对手术患者的CT图像进行腹部肌肉分割。 | 结合全卷积神经网络(CNN)与高水平的预处理方法在分割质量上取得了显著提高。 | 该研究依赖于传统计算机视觉技术而未使用人工智能进行初步处理，可能限制了方法的适用范围。 | 旨在准确跟踪手术患者的腹部肌肉质量变化。 | 研究对象为手术患者的CT图像。 | 计算机视觉 | NA | 计算机视觉 | CNN | 图像 | NA | NA | NA | NA | NA |
| 1789 | 2024-08-05 |
Deep Learning-based Deformable Registration of Dynamic Contrast-Enhanced MR Images of the Kidney
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2611768
PMID:36793654
|
研究论文 | 该文章提出了一种基于深度学习的灵活注册方法，用于动态对比增强的肾脏MRI图像。 | 提出了一种两步法的深度学习方法，包括基于CNN的仿射注册网络和用于可变形注册的U-Net。 | NA | 研究旨在改善因呼吸运动造成的肾脏MRI图像的运动效应。 | 动态对比增强的肾脏MRI数据。 | 计算机视觉 | NA | 深度学习 | CNN和U-Net | 图像 | NA | NA | NA | NA | NA |
| 1790 | 2024-08-05 |
Accelerating 2D Abdominal Organ Segmentation with Active Learning
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2611595
PMID:36303576
|
研究论文 | 本研究设计了一种基于梯度的主动学习注释框架，以加速二维腹部器官分割 | 提出的主动学习框架通过动态选择'难例'来减少所需的标注切片数量，从而提高注释效率 | 本研究未讨论在不同患者人群中实施该方法的适用性 | 减少在二维腹部扫描中手动注释的工作量，同时提高分割准确性 | 研究对象为286名受试者，最终纳入586名受试者进行评估 | 计算机视觉 | NA | 主动学习 | 深度学习模型 | 图像 | 总共586名受试者 | NA | NA | NA | NA |
| 1791 | 2024-08-05 |
Identifying Unique Acoustic Signatures from Chemically-Crosslinked Microbubble Clusters Using Deep Learning
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2611572
PMID:36793945
|
研究论文 | 本研究通过深度学习算法展示了化学交联微泡簇的独特声学响应 | 介绍了一种新的脂质基超声对比剂，并展示了其在低强度脉冲超声下生成独特声学特征的能力 | 研究主要集中于声学表征，未探讨其他潜在影响因素 | 展示化学交联微泡簇的声学响应与单个对比剂的差异 | 研究化学交联微泡簇及单个脂质微泡的声学特性 | 数字病理学 | NA | 深度学习 | 人工神经网络（ANN） | 1D RF 超声数据 | 使用了来自宽带水听器和Verasonics临床换能器的有效数据采集 | NA | NA | NA | NA |
| 1792 | 2024-08-05 |
Automatic Segmentation of Uterine Cavity and Placenta on MR Images Using Deep Learning
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2613286
PMID:36798450
|
研究论文 | 本研究使用深度学习技术自动分割MRI图像中的子宫腔和胎盘 | 提出了一种使用全卷积神经网络同时分割子宫腔和胎盘的新方法 | 样本量有限，可能影响算法的普适性 | 研究基于MRI的子宫腔和胎盘的自动分割方法 | 181名患者的MRI图像 | 计算机视觉 | NA | 深度学习 | 全卷积神经网络 | MRI图像 | 181个患者的MRI图像 | NA | NA | NA | NA |
| 1793 | 2024-08-05 |
CardiSort: a convolutional neural network for cross vendor automated sorting of cardiac MR images
2022-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-022-08724-4
PMID:35368227
|
研究论文 | 开发了一种基于图像的自动深度学习方法，能够根据序列类型和成像平面对心脏MR图像进行分类，从而提高临床后处理效率 | 创新性地提出了CardiSort深度学习网络，能够在多厂商数据上对心脏MRI研究进行序列和成像平面的分类 | 对表现不佳的类和因采集参数在中心之间变化较大的序列（例如灌注成像）accuracy较低 | 旨在通过深度学习方法改善心脏MR图像的临床后处理流程 | 心脏MR图像，来自于4个中心和3个厂商的多中心多厂商的MRI研究 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 单厂商训练234名患者，跨厂商训练434名患者，外部验证80名患者 | NA | NA | NA | NA |
| 1794 | 2024-08-05 |
MITEA: A dataset for machine learning segmentation of the left ventricle in 3D echocardiography using subject-specific labels from cardiac magnetic resonance imaging
2022, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2022.1016703
PMID:36704465
|
研究论文 | 本文提出了一个用于3D超声心动图左心室分割的机器学习数据集，并使用特定于受试者的心脏磁共振成像标签进行标注 | 引入了一个大规模的3D超声心动图数据集，利用心脏磁共振成像的高分辨率标签解决传统手工标注中的专家一致性问题 | 样本量虽然较大，但依然排除了10个受试者，可能影响研究的代表性 | 开发用于3D超声心动图分析的自动化方法，并验证所构建数据集的有效性 | 该研究对象是143名人类受试者的3D超声心动图图像，包括健康对照组与心脏疾病患者 | 机器学习 | 心血管疾病 | 3D超声心动图 | 深度学习网络 | 图像 | 536个3D超声心动图像，来自143名受试者 | NA | NA | NA | NA |
| 1795 | 2024-08-05 |
Fully automated quantification of cardiac chamber and function assessment in 2-D echocardiography: clinical feasibility of deep learning-based algorithms
2022-May, The international journal of cardiovascular imaging
DOI:10.1007/s10554-021-02482-y
PMID:35152371
|
研究论文 | 本文比较了当前突出的深度学习算法的分割性能，并验证了手动创建的二维超声心动图四个心脏腔室的真实标注的一致性 | 提出了对现有深度学习算法的性能进行比较，并验证了四个心脏腔室的真实标注的可重复性 | 在PSAX视图中LV壁区域的表现较差，且存在一定的观察者间变异性 | 评估深度学习算法在完全自动化的心脏腔室分割和功能评估中的临床可行性 | 纳入了500名接受经胸超声心动图检查的患者 | 计算机视觉 | 心血管疾病 | 深度学习 | U-net, Res-U-net, Dense-U-net | 图像 | 500名患者，随机选择100名患者用于观察者变异性分析 | NA | NA | NA | NA |
| 1796 | 2024-08-05 |
Machine learning based multi-modal prediction of future decline toward Alzheimer's disease: An empirical study
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0277322
PMID:36383528
|
研究论文 | 该论文进行了一项实证研究，以多模态数据预测个体未来阿尔茨海默病的发展轨迹 | 提出了一种能够处理不同未来时间范围和异构数据的机器学习策略 | 预测认知正常个体的未来衰退比轻度认知障碍个体更具挑战性 | 早期识别阿尔茨海默病高风险个体以促进有效治疗和预防 | 个体未来阿尔茨海默病发展轨迹的预测 | 机器学习 | 阿尔茨海默病 | 深度学习 | 线性和非线性模型 | 多模态数据 | NA | NA | NA | NA | NA |
| 1797 | 2024-08-07 |
Anatomy-guided deep learning for object localization in medical images
2022 Feb-Mar, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2612566
PMID:36860592
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1798 | 2024-08-07 |
Predicting post-contrast information from contrast agent free cardiac MRI using machine learning: Challenges and methods
2022, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2022.894503
PMID:36051279
|
研究论文 | 本研究旨在通过分析对比剂前后的心脏磁共振成像（CMR）图像，利用对比剂前的信息预测对比剂后的信息，并提出相应的方法和挑战。 | 本研究首次尝试使用深度学习（DL）、支持向量机（SVM）和决策树（DT）方法，从无对比剂的心脏磁共振成像中预测对比剂后的信息。 | 初步结果显示性能一般，这一研究领域仍存在许多未解决的问题。 | 研究目的是通过对比剂前的心脏磁共振成像预测对比剂后的信息。 | 研究对象包括272例回顾性选择的心脏磁共振成像研究，其中108例为心肌梗死（MI），164例为健康对照。 | 机器学习 | 心血管疾病 | 深度学习 | UNet和ResNet50 | 图像 | 272例心脏磁共振成像研究，包括108例心肌梗死和164例健康对照，共使用722对电影短轴（SAX）图像和分割掩模进行实验。 | NA | NA | NA | NA |
| 1799 | 2024-08-07 |
Editor's choice to the May 2022 issue : Fully automated quantification of cardiac chambers and function in 2D echo by Deep Learning, and a modern atlas of invasive coronary angiographic views
2022-May, The international journal of cardiovascular imaging
DOI:10.1007/s10554-022-02621-z
PMID:38819731
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1800 | 2024-08-07 |
Using deep learning method to identify left ventricular hypertrophy on echocardiography
2022-Apr, The international journal of cardiovascular imaging
DOI:10.1007/s10554-021-02461-3
PMID:34757566
|
研究论文 | 本研究旨在开发一种基于深度学习算法的半自动诊断网络，用于通过超声心动图检测左心室肥厚（LVH） | 引入了ResNet和U-net++模型，分别用于分类和分割任务，并成功构建了一个集成框架，能够自动分类四种情况（正常、HCM、CA和HHD） | NA | 开发一种基于深度学习算法的半自动诊断网络，用于通过超声心动图检测左心室肥厚 | 左心室肥厚（LVH）及其潜在病因 | 机器学习 | 心血管疾病 | 深度学习 | ResNet, U-net++ | 图像 | 1610份经胸超声心动图，包括724名患者（189名高血压性心脏病，218名肥厚型心肌病，58名心脏淀粉样变性，以及259名对照组） | NA | NA | NA | NA |