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 104 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2024-09-05 |
Deep Learning-Inferred Multiplex ImmunoFluorescence for Immunohistochemical Image Quantification
2022-Apr, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-022-00471-x
PMID:36118303
|
研究论文 | 本文介绍了一种名为DeepLIIF的多任务深度学习框架，用于免疫组化图像的定量分析 | 提出了一种单步解决方案，用于染料解卷积/分离、细胞分割和定量单细胞免疫组化评分 | NA | 开发一种能够将免疫组化图像转换为多重免疫荧光图像的深度学习框架 | 免疫组化（IHC）和多重免疫荧光（mpIF）染色技术 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 使用了共注册的IHC和mpIF染色的组织切片数据集 | NA | NA | NA | NA |
| 42 | 2024-09-04 |
A deep learning based system for handwashing procedure evaluation
2022-Apr-21, Neural computing & applications
IF:4.5Q2
DOI:10.1007/s00521-022-07194-5
PMID:35474686
|
研究论文 | 本文提出了一种基于深度学习的嵌入式系统，用于实时分析深度相机捕获的图像序列，以评估洗手程序的质量 | 采用卷积神经网络和多数投票方案来分类工人的动作，根据世界卫生组织定义的十个手势进行评估 | NA | 开发一种自动评估洗手程序质量的系统，以减少手术部位污染和感染风险 | 洗手程序的质量评估 | 计算机视觉 | NA | 卷积神经网络 | CNN | 视频 | 74个不同的视频序列 | NA | NA | NA | NA |
| 43 | 2024-09-01 |
Software system to predict the infection in COVID-19 patients using deep learning and web of things
2022-Apr, Software: practice & experience
DOI:10.1002/spe.3011
PMID:34538962
|
研究论文 | 本文提出了一种使用深度学习和物联网的软件系统，用于预测COVID-19患者的感染情况，并通过数据增强技术提高了模型的性能 | 本文采用了数据增强技术生成合成数据，并结合物联网和传统U-Net模型，提高了COVID-19图像分割的准确性 | 公开可用的COVID-19图像数据有限，可能导致传统方法的过拟合 | 开发一种自动化的图像分割系统，以辅助临床决策和疾病监测 | COVID-19患者的CT图像 | 计算机视觉 | COVID-19 | 深度学习 | U-Net with EfficientNet B0 | 图像 | 使用了COVID Radiopedia和Medseg数据集 | NA | NA | NA | NA |
| 44 | 2024-08-31 |
Retinopathy grading with deep learning and wavelet hyper-analytic activations
2022-Apr-25, The Visual computer
DOI:10.1007/s00371-022-02489-z
PMID:35493724
|
研究论文 | 本文通过结合多分辨率分析（MRA）和卷积神经网络（CNN）框架，利用超分析小波激活函数增强输入图像的特征，提高了糖尿病视网膜病变（DR）分级的准确性 | 提出了一种新颖的超分析小波激活函数，该函数能够转换负系数以保留重要的边缘特征图，并通过选择合适的激活函数超参数，产生单调且有效的激活 | NA | 提高糖尿病视网膜病变分级的准确性 | 糖尿病视网膜病变（DR）的图像分级 | 计算机视觉 | 糖尿病视网膜病变 | 卷积神经网络（CNN） | CNN | 图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 45 | 2024-08-31 |
Fully Automated Wound Tissue Segmentation Using Deep Learning on Mobile Devices: Cohort Study
2022-04-22, JMIR mHealth and uHealth
IF:5.4Q1
DOI:10.2196/36977
PMID:35451982
|
研究论文 | 本研究利用深度学习技术在移动设备上实现全自动伤口组织分割，以减少临床评估中的主观性。 | 开发了两种深度卷积神经网络架构用于伤口和组织分割，并在大量多样化的图像数据集上进行训练，模型在多种成像条件下表现稳健，且对肤色无偏见。 | 研究中报告了临床医生在识别组织类型时的中等到较差的一致性，以及在识别上皮化时的非常低的Krippendorff α值。 | 旨在测量伤口护理临床医生在手动组织分割和量化中的相互和内部评分者变异性，并确定是否可以使用深度神经网络实现对组织类型的客观评估。 | 研究对象包括58张不同类型的慢性伤口图像，以及4种不同的伤口床组织类型（上皮、肉芽、腐肉和焦痂）。 | 计算机视觉 | NA | 深度学习 | 深度卷积神经网络 | 图像 | 465,187和17,000对图像标签用于训练模型，58张伤口图像用于评估。 | NA | NA | NA | NA |
| 46 | 2024-08-31 |
Research and Application of Artificial Intelligence Based on Electronic Health Records of Patients With Cancer: Systematic Review
2022-Apr-20, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/33799
PMID:35442195
|
综述 | 本文系统回顾了基于电子健康记录的人工智能在癌症患者护理中的应用现状和局限性 | 首次系统分析了基于电子健康记录的人工智能在癌症护理中的应用及其意义 | 现有研究主要使用英文电子病历数据，且数据来源多为私人机构数据库 | 旨在介绍基于电子健康记录的人工智能在癌症患者护理中的当前状态、局限性及其对癌症护理的影响 | 癌症患者的电子健康记录及其在癌症护理中的应用 | 机器学习 | 癌症 | NA | 集成方法和深度学习 | 文本 | 148篇符合条件的论文 | NA | NA | NA | NA |
| 47 | 2024-08-29 |
Significance and stability of deep learning-based identification of subtypes within major psychiatric disorders
2022-04, Molecular psychiatry
IF:9.6Q1
DOI:10.1038/s41380-022-01482-1
PMID:35228675
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 48 | 2024-08-29 |
The next step in deep learning-guided clinical trials
2022-Apr, Nature cardiovascular research
IF:9.4Q1
DOI:10.1038/s44161-022-00044-6
PMID:39196129
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 49 | 2024-08-28 |
Research on the Coordinate Attention Mechanism Fuse in a YOLOv5 Deep Learning Detector for the SAR Ship Detection Task
2022-Apr-28, Sensors (Basel, Switzerland)
DOI:10.3390/s22093370
PMID:35591063
|
研究论文 | 研究了将坐标注意力（CA）机制模块与YOLOv5检测器融合的问题，提出了一种新的轻量级端到端目标检测框架YOLO-CASS，用于SAR船舶目标检测任务 | 提出了一种新的轻量级端到端目标检测框架YOLO-CASS，该框架在YOLOv5的主干网络中合适位置融合了CA模块，显著提高了效率和性能 | NA | 优化轻量级模型，为SAR图像在轨处理提供解决方案 | SAR船舶目标检测任务 | 机器学习 | NA | 深度学习 | YOLOv5 | 图像 | 使用了SSDD合成孔径雷达（SAR）遥感图像进行实验 | NA | NA | NA | NA |
| 50 | 2024-08-28 |
Predicting perinatal health outcomes using smartphone-based digital phenotyping and machine learning in a prospective Swedish cohort (Mom2B): study protocol
2022-04-27, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2021-059033
PMID:35477874
|
研究论文 | 本研究旨在利用Mom2B智能手机应用中的数字表型数据，通过机器学习技术预测高风险孕妇的心理和身体并发症 | 利用智能手机应用收集的主动和被动数据来建立参与者的数字表型，并应用先进的机器学习和深度学习技术预测围产期抑郁症和早产 | NA | 预测高风险孕妇的心理和身体并发症，以便早期干预 | 瑞典语的孕妇或产后三个月内的女性 | 机器学习 | NA | 机器学习和深度学习 | 算法 | 多模态数据 | 至少5000名参与者 | NA | NA | NA | NA |
| 51 | 2024-08-28 |
Machine learning to predict pregnancy outcomes: a systematic review, synthesizing framework and future research agenda
2022-Apr-22, BMC pregnancy and childbirth
IF:2.8Q1
DOI:10.1186/s12884-022-04594-2
PMID:35546393
|
综述 | 本文综述了利用机器学习技术预测分娩方式和识别孕期潜在母体风险的研究进展 | 提出了一个概念框架，用于推进基于机器学习的母体健康护理系统，并探讨了未来研究方向，如利用无监督和深度学习算法进行预测，开发基于机器学习的临床决策支持系统等 | NA | 探索利用机器学习技术预测最佳分娩方式和检测分娩并发症的研究和发展视角 | 孕期结果和分娩并发症 | 机器学习 | NA | 机器学习 | NA | NA | 26篇文章 | NA | NA | NA | NA |
| 52 | 2024-08-28 |
CTT: CNN Meets Transformer for Tracking
2022-Apr-22, Sensors (Basel, Switzerland)
DOI:10.3390/s22093210
PMID:35590900
|
研究论文 | 本文提出了一种结合CNN和Transformer的跟踪器CTT，通过引入残差Transformer结构和自注意力机制，增强了目标跟踪中的全局和上下文依赖性 | 引入了包含自注意力机制的编码器-解码器结构的残差Transformer，替代传统的交叉相关性，增强了全局注意力信息的传递 | NA | 改进基于深度学习的目标跟踪算法，提高跟踪的准确性和鲁棒性 | 目标跟踪中的特征融合和特征匹配 | 计算机视觉 | NA | CNN, Transformer | CNN, Transformer | 图像 | 在GOT-10k, VOT2019, OTB-100, LaSOT, NfS, UAV123和TrackingNet等多个基准上进行了评估 | NA | NA | NA | NA |
| 53 | 2024-08-28 |
Deep-Learning-Assisted Focused Ion Beam Nanofabrication
2022-04-13, Nano letters
IF:9.6Q1
DOI:10.1021/acs.nanolett.1c04604
PMID:35324209
|
研究论文 | 本文展示了利用深度学习从以往制造经验中预测聚焦离子束（FIB）铣削制造结构的后制造外观，准确率超过96% | 提出了一种利用深度学习技术预测FIB铣削制造结构后制造外观的方法，显著提高了优化过程的速度和可重复性 | NA | 探索深度学习在聚焦离子束纳米制造中的应用，以加速优化过程并提高可重复性 | 聚焦离子束铣削制造的结构及其后制造外观 | 机器学习 | NA | 聚焦离子束（FIB）铣削 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 54 | 2024-08-28 |
Harnessing Deep Learning for Optimization of Lennard-Jones Parameters for the Polarizable Classical Drude Oscillator Force Field
2022-Apr-12, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.2c00115
PMID:35362975
|
研究论文 | 本研究开发了一种基于深度学习的参数化框架，用于优化极化经典Drude振子力场中的Lennard-Jones参数，以提高分子模拟的准确性 | 利用深度学习技术优化Lennard-Jones参数，以更好地模拟实验凝聚相热力学性质，并提高分子模拟的准确性 | NA | 优化分子模拟中的Lennard-Jones参数，以提高计算化学和生物学研究的准确性 | 涉及四种不同组别的10种原子类型的Lennard-Jones参数 | 计算化学 | NA | 深度学习 | NA | 实验凝聚相热力学性质数据 | 涉及10种原子类型 | NA | NA | NA | NA |
| 55 | 2024-08-28 |
DGCyTOF: Deep learning with graphic cluster visualization to predict cell types of single cell mass cytometry data
2022-04, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1008885
PMID:35404970
|
研究论文 | 本文介绍了一种名为DGCyTOF的新型集成嵌入可视化方法，用于识别单细胞质谱流式数据中的经典和新细胞类型 | DGCyTOF结合了深度学习分类和层次稳定聚类方法，通过三层结构识别已知和新细胞类型，并开发了3D可视化平台显示细胞聚类 | NA | 开发一种新的集成嵌入可视化方法，用于提高单细胞质谱流式数据中细胞类型识别的准确性和速度 | 单细胞质谱流式数据中的细胞类型识别 | 机器学习 | NA | CyTOF | 深度学习模型 | 单细胞质谱流式数据 | 涉及两个基准CyTOF数据库，共4300万个细胞 | NA | NA | NA | NA |
| 56 | 2024-08-28 |
Deep neural network classification of in vivo burn injuries with different etiologies using terahertz time-domain spectral imaging
2022-Apr-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.452257
PMID:35519269
|
研究论文 | 本研究展示了使用太赫兹时域光谱成像技术结合深度神经网络分类算法，能够准确区分不同病因导致的活体烧伤程度 | 本研究首次使用太赫兹便携式手持光谱反射扫描仪结合深度神经网络算法，无需超光谱特征提取，直接利用预处理的太赫兹光谱进行烧伤分类 | NA | 旨在提高烧伤分类的准确性，以指导临床治疗计划 | 不同病因导致的活体烧伤 | 机器学习 | 烧伤 | 太赫兹时域光谱（THz-TDS） | 深度神经网络 | 光谱 | NA | NA | NA | NA | NA |
| 57 | 2024-08-28 |
A review on machine learning and deep learning for various antenna design applications
2022-Apr, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2022.e09317
PMID:35520616
|
综述 | 本文详细讨论了机器学习和深度学习在多种天线设计应用中的应用 | 机器学习和深度学习在天线设计中的应用提高了覆盖范围和频谱效率，加速了设计过程，减少了模拟次数，并提高了计算可行性 | NA | 探讨机器学习和深度学习在不同天线设计应用中的可行性和效果 | 毫米波、体中心、太赫兹、卫星、无人机、全球定位系统和纺织品等天线应用 | 机器学习 | NA | 机器学习, 深度学习 | NA | 数据 | NA | NA | NA | NA | NA |
| 58 | 2024-08-28 |
Real-world analysis of manual editing of deep learning contouring in the thorax region
2022-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2022.04.008
PMID:35602549
|
研究论文 | 评估深度学习轮廓技术在胸部区域放射治疗中的用户调整情况，以了解临床实践中实际编辑的情况 | 识别了胸部区域每个危及器官的具体调整区域，并发现针对特定临床指征需要单独的模型，这与训练数据不同 | NA | 评估深度学习轮廓技术在临床实践中的实际表现 | 肺部和乳腺癌患者的危及器官自动轮廓技术后的手动调整 | 数字病理学 | 肺部和乳腺癌 | 深度学习轮廓技术 | NA | 影像 | 350名肺部癌症患者和362名乳腺癌患者 | NA | NA | NA | NA |
| 59 | 2024-08-27 |
Continuous monitoring of surgical bimanual expertise using deep neural networks in virtual reality simulation
2022-Apr-26, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-022-00596-8
PMID:35473961
|
research paper | 本文介绍了一种智能连续技能监控系统（ICEMS），利用深度学习技术在虚拟现实模拟中以0.2秒间隔评估外科手术双手操作技能 | ICEMS系统能够成功区分不同训练阶段的外科医生和学生，并能进行关键指标的辅导和风险评估 | NA | 开发一种连续评估外科手术技能的系统，以提供实时反馈和错误避免指导 | 外科手术双手操作技能的评估 | machine learning | NA | deep learning | LSTM | virtual reality simulation data | 156个虚拟模拟肿瘤切除任务，144个手术程序 | NA | NA | NA | NA |
| 60 | 2024-08-27 |
AutoCoV: tracking the early spread of COVID-19 in terms of the spatial and temporal patterns from embedding space by K-mer based deep learning
2022-Apr-25, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-022-04679-x
PMID:35468739
|
研究论文 | 本文提出了一种基于K-mer的深度学习方法AutoCoV，用于追踪COVID-19早期传播的空间和时间模式 | AutoCoV是首个从基因组序列中学习病毒传播模式的方法 | NA | 追踪COVID-19早期传播的空间和时间模式 | COVID-19病毒的传播模式 | 机器学习 | COVID-19 | 深度学习 | 深度学习方法 | 基因组序列 | 来自NCBI和GISAID数据集的SARS-CoV-2序列 | NA | NA | NA | NA |