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 146 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 | 2024-10-06 |
PAN-cODE: COVID-19 forecasting using conditional latent ODEs
2022-11-14, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocac160
PMID:36047844
|
研究论文 | 本文介绍了一种名为PAN-cODE的深度学习方法，用于预测COVID-19的每日感染和死亡人数 | PAN-cODE使用深度条件潜在变量模型，能够基于不同的非药物干预措施生成不同的病例轨迹，并允许对训练期间未见过的地区进行病例估计 | 尽管使用了较少详细数据且训练过程完全自动化，PAN-cODE的性能与最先进的方法相当，但未提及具体的局限性 | 开发一种数据驱动的模型来预测COVID-19的传播，以支持政策决策 | COVID-19的每日感染和死亡人数 | 机器学习 | COVID-19 | 深度学习 | 条件潜在ODE模型 | 时间序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 62 | 2024-09-30 |
DLBLS_SS: protein secondary structure prediction using deep learning and broad learning system
2022-Nov-22, RSC advances
IF:3.9Q2
DOI:10.1039/d2ra06433b
PMID:36505696
|
研究论文 | 本文提出了一种基于深度学习和广义学习系统的蛋白质二级结构预测模型DLBLS_SS | 结合双向长短期记忆网络和时间卷积网络与通道注意力机制，以及广义学习系统来优化特征并捕捉残基间的局部相互作用 | NA | 提高蛋白质二级结构预测的准确性 | 蛋白质的3-state和8-state二级结构 | 机器学习 | NA | 深度学习 | BLSTM, TCN, BLS | 序列 | 包括CASP10, CASP11, CASP12, CASP13, CASP14和CB513的公共测试集 | NA | NA | NA | NA |
| 63 | 2024-09-30 |
Deep Learning Techniques to Diagnose Lung Cancer
2022-Nov-13, Cancers
IF:4.5Q1
DOI:10.3390/cancers14225569
PMID:36428662
|
研究论文 | 本文介绍了基于深度学习的医学影像技术在早期肺癌诊断中的最新进展 | 利用深度学习技术自动分类癌症图像，提高肺癌诊断的敏感性和准确性 | 现有技术无法自动分类癌症图像，不适用于其他病理的患者 | 开发一种敏感且准确的早期肺癌诊断方法 | 肺癌的早期诊断 | 计算机视觉 | 肺癌 | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 64 | 2024-09-29 |
Deep Learning Enhances Multiparametric Dynamic Volumetric Photoacoustic Computed Tomography In Vivo (DL-PACT)
2022-Nov-10, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202202089
PMID:36354200
|
研究论文 | 本文介绍了一种基于深度学习的增强型多参数动态体积光声计算机断层扫描技术（DL-PACT），通过减少有限视角伪影和提高时间分辨率，显著提升了光声计算机断层扫描（PACT）的图像质量 | 提出了一种基于深度学习的DL-PACT方法，通过使用少量超声换能器元素，实现了高质量的静态结构和动态增强全身图像以及动态功能脑图像的快速获取 | NA | 提高光声计算机断层扫描（PACT）的图像质量和时间分辨率，降低系统成本 | 光声计算机断层扫描（PACT）图像的增强和优化 | 计算机视觉 | NA | 光声计算机断层扫描（PACT） | 深度学习 | 图像 | 活体动物和人类 | NA | NA | NA | NA |
| 65 | 2024-09-23 |
Self-supervised learning of neighborhood embedding for longitudinal MRI
2022-11, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2022.102571
PMID:36115098
|
研究论文 | 本文提出了一种新的自监督学习方法，用于从纵向MRI中提取邻域嵌入，以捕捉脑老化和疾病进展 | 本文的创新点在于提出了Longitudinal Neighborhood Embedding (LNE)方法，通过在潜在空间中构建年龄一致和进展一致的邻域，改进了脑老化特征的表示 | NA | 研究目的是改进脑老化特征的表示，以提高下游任务的性能 | 研究对象包括健康受试者、阿尔茨海默病和轻度认知障碍患者以及青少年酒精饮用者 | 计算机视觉 | 神经退行性疾病 | MRI | 自监督学习 | 图像 | 274名健康受试者，632名阿尔茨海默病和轻度认知障碍患者，764名青少年酒精饮用者 | NA | NA | NA | NA |
| 66 | 2024-09-23 |
A Blood-Based Metabolite Panel for Distinguishing Ovarian Cancer from Benign Pelvic Masses
2022-11-01, Clinical cancer research : an official journal of the American Association for Cancer Research
IF:10.0Q1
DOI:10.1158/1078-0432.CCR-22-1113
PMID:36037307
|
研究论文 | 研究评估了循环代谢物对卵巢癌风险预测算法的改进作用 | 开发了一个基于血液的代谢物面板，用于区分早期卵巢癌和良性盆腔肿块，并改进了现有的卵巢癌风险预测算法 | NA | 评估循环代谢物对卵巢癌风险预测算法的改进作用 | 早期卵巢癌和良性盆腔肿块 | NA | 卵巢癌 | 代谢组学分析 | 深度学习模型 | 血液样本 | 202个卵巢癌病例和190个良性盆腔肿块病例 | NA | NA | NA | NA |
| 67 | 2024-09-23 |
Fairness-related performance and explainability effects in deep learning models for brain image analysis
2022-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.9.6.061102
PMID:36046104
|
研究论文 | 研究深度学习模型在脑图像分析中的公平性和可解释性影响 | 首次探讨了可解释人工智能（XAI）方法中不公平表现的体现，并展示了XAI如何用于调查潜在的不公平原因 | 研究样本仅限于9至10岁的青少年，且仅分析了性别和种族的交叉影响 | 分析社会人口统计学相关混杂因素对分类器性能和可解释性方法的影响 | T1加权脑MRI数据集中的4547名9至10岁青少年 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | 4547名9至10岁青少年 | NA | NA | NA | NA |
| 68 | 2024-09-20 |
Near-Field Microwave Scattering Formulation by A Deep Learning Method
2022-Nov, IEEE transactions on microwave theory and techniques
IF:4.1Q2
DOI:10.1109/tmtt.2022.3184331
PMID:37313124
|
研究论文 | 本文应用深度学习方法对微波乳房成像中的电磁散射进行建模 | 本文首次将深度学习方法应用于微波乳房成像中的电磁散射建模，并展示了其计算速度上的显著优势 | 深度学习方法产生的误差对图像结果影响不大，但仍需进一步验证其在不同条件下的表现 | 探索深度学习在电磁散射计算中的应用潜力 | 微波乳房成像中的电磁散射 | 机器学习 | NA | 深度学习 | 神经网络 (NN) | 图像 | 18,000个合成数字乳房幻影 | NA | NA | NA | NA |
| 69 | 2024-09-19 |
High-Performance Statistical Computing in the Computing Environments of the 2020s
2022-Nov, Statistical science : a review journal of the Institute of Mathematical Statistics
IF:3.9Q1
DOI:10.1214/21-sts835
PMID:37168541
|
综述 | 本文从统计计算的角度回顾了过去十年在硬件和软件方面的技术进步，特别是高性能计算（HPC）的普及和深度学习软件库的发展 | 首次展示了在如此大规模下进行惩罚回归分析生存结果的可行性 | 未提及 | 探讨技术进步如何使统计学家受益，并展示这些发展在高维模型优化算法中的应用 | 高性能计算环境下的统计计算方法和应用 | 统计计算 | 糖尿病 | 高性能计算（HPC） | 惩罚回归模型 | 基因数据 | 200,000名受试者和约500,000个单核苷酸多态性 | NA | NA | NA | NA |
| 70 | 2024-09-17 |
Predicting the outcome of radiotherapy in brain metastasis by integrating the clinical and MRI-based deep learning features
2022-Nov, Medical physics
IF:3.2Q1
DOI:10.1002/mp.15814
PMID:35727568
|
研究论文 | 本文介绍了一种新的深度学习架构，用于预测脑转移瘤在接受立体定向放疗后的局部控制/失败结果，使用治疗计划磁共振成像（MRI）和标准临床属性 | 本文提出了一种结合临床和MRI深度学习特征的新型深度学习架构，用于预测脑转移瘤的放疗结果 | 研究样本量较小，仅包括99名患者的数据，未来需要在更大规模的患者群体中进行验证 | 预测脑转移瘤在接受立体定向放疗后的局部控制/失败结果 | 脑转移瘤患者在接受立体定向放疗后的局部控制/失败结果 | 计算机视觉 | 脑肿瘤 | 深度学习 | InceptionResentV2网络、长短期记忆循环网络 | MRI图像、临床数据 | 99名患者（116个病灶）用于训练和优化，25名患者（40个病灶）用于独立测试 | NA | NA | NA | NA |
| 71 | 2024-09-17 |
Combining natural and artificial intelligence for robust automatic anatomy segmentation: Application in neck and thorax auto-contouring
2022-Nov, Medical physics
IF:3.2Q1
DOI:10.1002/mp.15854
PMID:35833287
|
研究论文 | 本文提出了一种结合自然智能和人工智能的混合智能系统，用于颈部和胸部CT图像的自动解剖结构分割 | 通过将自然智能融入人工智能方法，克服了现有基于深度学习的自动分割方法在获取高级解剖信息方面的不足 | 系统在不同临床中心的接受度评分存在显著差异 | 开发一种结合自然智能和人工智能的混合智能系统，用于CT图像中的器官分割，并应用于放射治疗计划 | 颈部和胸部的26个器官 | 计算机视觉 | NA | 深度学习 | 混合智能系统 | CT图像 | 464名患者的数据用于测试，125名患者的数据用于训练/模型构建 | NA | NA | NA | NA |
| 72 | 2024-09-16 |
Towards smart diagnostic methods for COVID-19: Review of deep learning for medical imaging
2022 Nov-Dec, IPEM-translation
DOI:10.1016/j.ipemt.2022.100008
PMID:36312890
|
综述 | 本文综述了2020年1月至2021年10月期间，使用深度学习技术对COVID-19患者进行CT和X光胸片诊断的研究 | 本文总结了现有研究中的模型技术细节，并讨论了使用深度学习技术进行COVID-19智能诊断的挑战 | 现有模型的临床应用效果需要进一步验证 | 探讨深度学习在COVID-19诊断中的应用，并提出改进建议 | COVID-19患者的CT和X光胸片 | 计算机视觉 | COVID-19 | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 73 | 2024-09-13 |
Contrastive semi-supervised harmonization of single-shell to multi-shell diffusion MRI
2022-11, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2022.06.004
PMID:35716922
|
研究论文 | 本文探讨了通过半监督和无监督学习方法，利用深度学习模型将单壳扩散MRI数据协调为多壳数据 | 本文提出了利用解耦协调模型和CycleGAN模型进行数据协调，并展示了其在多壳扩散MRI数据协调中的优越性能 | NA | 研究如何通过深度学习方法将单壳扩散MRI数据协调为多壳数据，以适应多站点或多采集研究的需求 | 单壳和多壳扩散MRI数据 | 计算机视觉 | NA | 深度学习 | GAN | 图像 | 使用了Multi-shell Diffusion MRI Harmonization Challenge (MUSHAC)和Baltimore Longitudinal Study on Aging (BLSA)数据集 | NA | NA | NA | NA |
| 74 | 2024-09-10 |
Reduced order modeling for flow and transport problems with Barlow Twins self-supervised learning
2022-Nov-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-022-24545-3
PMID:36450820
|
研究论文 | 本文提出了一种统一的数据驱动降阶模型（ROM），结合了自编码器（AE）和Barlow Twins（BT）自监督学习，用于流体和传输问题的建模 | 该模型通过结合自编码器和Barlow Twins自监督学习，成功填补了线性和非线性降阶模型之间的性能差距，并在非结构化网格上表现出色 | 文中提到的相对误差在2%到12%之间，表明在某些情况下模型的精度仍有提升空间 | 旨在开发一种能够有效处理线性和非线性降阶模型的统一数据驱动方法 | 流体和传输问题，特别是多孔介质中的自然对流问题 | 计算机视觉 | NA | 自监督学习 | 自编码器（AE） | 数值数据 | 文中未明确提及具体的样本数量 | NA | NA | NA | NA |
| 75 | 2024-09-10 |
Surgical Gesture Recognition in Laparoscopic Tasks Based on the Transformer Network and Self-Supervised Learning
2022-Nov-29, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering9120737
PMID:36550943
|
研究论文 | 本文提出了一种基于Transformer网络和自监督学习的视频手术动作识别深度学习框架 | 提出了基于Transformer网络和自监督学习的手术动作识别框架，并设计了两种模型：C3DTrans（监督学习）和SSC3DTrans（自监督学习） | 仅在两个基本的腹腔镜任务（peg transfer和knot tying）上进行了验证，且样本量较小 | 开发一种能够识别视频中手术动作的深度学习框架 | 腹腔镜手术中的peg transfer和knot tying任务 | 计算机视觉 | NA | 3D卷积网络和Transformer网络 | Transformer | 视频 | 80个视频样本，来自两个基本腹腔镜任务 | NA | NA | NA | NA |
| 76 | 2024-09-10 |
Breast Cancer Dataset, Classification and Detection Using Deep Learning
2022-Nov-29, Healthcare (Basel, Switzerland)
DOI:10.3390/healthcare10122395
PMID:36553919
|
review | 本文综述了利用深度学习进行乳腺癌诊断的计算和数字病理学方法 | NA | NA | 综述现有的计算和数字病理学方法，特别是深度学习方法，用于乳腺癌诊断 | 乳腺癌诊断的计算和数字病理学方法 | digital pathology | breast cancer | deep learning | NA | image | NA | NA | NA | NA | NA |
| 77 | 2024-09-10 |
On Detecting Cryptojacking on Websites: Revisiting the Use of Classifiers
2022-Nov-27, Sensors (Basel, Switzerland)
DOI:10.3390/s22239219
PMID:36501921
|
研究论文 | 本文探讨了使用多种机器学习分类模型检测网站上的加密劫持行为 | 本文通过使用多种特征选择方法和机器学习模型，展示了简单模型在检测加密劫持方面的有效性 | 本文未详细讨论数据集的来源和特征选择的局限性 | 研究如何有效检测网站上的加密劫持行为 | 网站上的加密劫持行为 | 机器学习 | NA | 机器学习 | 逻辑回归、决策树、随机森林、梯度提升分类器、K近邻、XGBoost | 网络和主机特征样本 | 使用了一个包含网络和主机特征样本的数据集 | NA | NA | NA | NA |
| 78 | 2024-09-10 |
Convolutional Neural Network Classification of Rest EEG Signals among People with Epilepsy, Psychogenic Non Epileptic Seizures and Control Subjects
2022-11-26, International journal of environmental research and public health
DOI:10.3390/ijerph192315733
PMID:36497808
|
研究论文 | 本文提出了一种基于深度学习的自动诊断方法，用于区分癫痫发作、非癫痫性心因性发作和健康对照组的静息脑电信号 | 本文创新性地使用卷积神经网络（CNN）对脑电信号进行分类，并结合经验模态分解（EMD）提取增强特征 | 研究样本量较小，且未考虑药物治疗对脑电信号的影响 | 开发一种自动化的方法来区分癫痫发作、非癫痫性心因性发作和健康对照组的脑电信号 | 癫痫发作患者、非癫痫性心因性发作患者和健康对照组的脑电信号 | 机器学习 | 癫痫 | 经验模态分解（EMD） | 卷积神经网络（CNN） | 脑电信号 | 42名新发癫痫患者、42名非癫痫性心因性发作患者和19名健康对照组 | NA | NA | NA | NA |
| 79 | 2024-09-10 |
Lung_PAYNet: a pyramidal attention based deep learning network for lung nodule segmentation
2022-11-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-022-24900-4
PMID:36434060
|
研究论文 | 本文提出了一种基于金字塔注意力机制的深度学习网络Lung_PAYNet，用于肺结节分割 | 本文创新性地设计了Lung_PAYNet模型，采用金字塔注意力机制和倒残差块结构，显著提高了肺结节分割的准确性 | NA | 提高低剂量CT图像中肺结节分割的准确性和可靠性 | 肺结节 | 计算机视觉 | 肺癌 | 深度学习 | CNN | 图像 | 使用了公开的LIDC-IDRI数据集进行训练和验证 | NA | NA | NA | NA |
| 80 | 2024-09-10 |
Risk of Mortality Prediction Involving Time-Varying Covariates for Patients with Heart Failure Using Deep Learning
2022-Nov-25, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics12122947
PMID:36552953
|
研究论文 | 本研究开发并验证了一种基于深度学习的预测心力衰竭患者全因死亡风险的新型预后模型 | 提出了一个基于时间变化协变量的递归神经网络模型（RNNSurv），该模型在区分度、校准度和风险分层能力上优于传统的深度前馈神经网络模型和多变量Cox比例风险模型 | NA | 预测心力衰竭患者的全因死亡风险 | 心力衰竭患者 | 机器学习 | 心血管疾病 | 深度学习 | 递归神经网络（RNN） | 时间序列数据 | 730名心力衰竭住院患者 | NA | NA | NA | NA |