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 2513 篇文献，本页显示第 2101 - 2120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2101 | 2024-08-30 |
Parking Lot Occupancy Detection with Improved MobileNetV3
2023-Sep-03, Sensors (Basel, Switzerland)
DOI:10.3390/s23177642
PMID:37688098
|
研究论文 | 本研究通过优化MobileNetV3模型并结合自定义架构改进，实现了停车场车位占用状态的精确检测 | 引入了卷积块注意力机制和蓝图可分离卷积，相较于传统深度可分离卷积，提升了模型性能 | NA | 提高停车场管理系统中车位占用检测的准确性 | 停车场车位占用状态 | 计算机视觉 | NA | 深度学习 | MobileNetV3 | 视频 | 使用CNRPark-EXT和PKLot数据集进行训练和测试 | NA | NA | NA | NA |
| 2102 | 2024-08-30 |
Deep learning of image-derived measures of body composition in pediatric, adolescent, and young adult lymphoma: association with late treatment effects
2023-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09587-z
PMID:36988714
|
研究论文 | 本研究使用深度学习方法分析儿童、青少年和年轻成年淋巴瘤患者的标准护理CT图像中的身体成分测量，以评估其对治疗晚期效应的预测价值。 | 本研究首次将深度学习技术应用于半自动分析淋巴瘤患者的身体成分，并评估其与治疗晚期效应的关系。 | 研究为回顾性、单中心研究，样本量相对较小，可能影响结果的普遍性。 | 研究目的是将深度学习方法应用于半自动分析淋巴瘤患者的身体成分，并评估其对治疗晚期效应的预测价值。 | 研究对象为110名儿童、青少年和年轻成年淋巴瘤患者。 | 计算机视觉 | 淋巴瘤 | 深度学习 | 深度学习模型 | 图像 | 110名患者，260个CT图像数据集 | NA | NA | NA | NA |
| 2103 | 2024-08-30 |
The effect of hepatic steatosis on liver volume determined by proton density fat fraction and deep learning-measured liver volume
2023-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09603-2
PMID:37012546
|
研究论文 | 本研究评估了肝脂肪变性（HS）对肝脏体积的影响，并开发了一种公式来估计校正HS影响的瘦肝体积 | 提出了一个公式来估计校正肝脂肪变性影响的瘦肝体积 | 这是一个回顾性研究，样本仅包括健康的成年肝脏捐赠者 | 评估肝脂肪变性对肝脏体积的影响并开发校正公式 | 肝脂肪变性对肝脏体积的影响 | NA | NA | 磁共振成像（MRI），质子密度脂肪分数（PDFF）测量 | 深度学习算法 | 图像 | 1038名捐赠者（平均年龄31±9岁，689名男性） | NA | NA | NA | NA |
| 2104 | 2024-08-30 |
Liver PDFF estimation using a multi-decoder water-fat separation neural network with a reduced number of echoes
2023-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09576-2
PMID:37014405
|
研究论文 | 本文提出了一种基于深度学习的多解码器水脂分离神经网络（MDWF-Net），用于从仅含3个回波的化学位移编码MRI图像中准确估计肝脏质子密度脂肪分数（PDFF）。 | 创新点在于使用多解码器水脂分离神经网络，通过减少回波数量来缩短MR扫描时间，同时保持PDFF估计的准确性。 | NA | 研究目的是通过减少回波数量，缩短MR扫描时间，同时保持肝脏PDFF估计的准确性。 | 研究对象是肝脏PDFF的估计，使用的是化学位移编码MRI图像。 | 机器学习 | NA | MRI | CNN | 图像 | 134名受试者的MRI数据用于训练，14名受试者的数据用于评估。 | NA | NA | NA | NA |
| 2105 | 2024-08-30 |
Dynamic evolution of brain structural patterns in liver transplantation recipients: a longitudinal study based on 3D convolutional neuronal network model
2023-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09604-1
PMID:37014408
|
研究论文 | 本研究评估了肝移植受者在手术前后大脑结构模式的变化，使用基于深度学习的神经解剖生物标志物进行纵向测量。 | 采用3D卷积神经网络模型来预测大脑年龄，并通过网络遮挡敏感性分析确定各网络在年龄预测中的重要性。 | NA | 评估肝移植受者大脑健康的动态演变过程。 | 肝移植受者的大脑结构模式。 | 机器学习 | NA | 3D卷积神经网络 | 3D-CNN | MRI图像 | 3609名健康个体和60名肝移植受者及134名对照组 | NA | NA | NA | NA |
| 2106 | 2024-08-30 |
Intelligent noninvasive meningioma grading with a fully automatic segmentation using interpretable multiparametric deep learning
2023-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09590-4
PMID:37052658
|
研究论文 | 本文建立了一种基于多参数深度学习模型的全自动无创脑膜瘤分级系统，并进行了分割 | 采用多参数三维U-net和ResNet构建的两阶段深度学习分级模型，结合T1C和T2图像，提高了分级和分割的准确性 | NA | 开发一种稳健的、可解释的多参数深度学习模型，用于自动无创脑膜瘤分级和分割 | 257名经病理证实的脑膜瘤患者（162例低级别，95例高级别）的脑部MRI图像 | 机器学习 | 脑膜瘤 | MRI | U-net, ResNet | 图像 | 训练集257例，验证集61例 | NA | NA | NA | NA |
| 2107 | 2024-08-30 |
Risk estimation for idiopathic normal-pressure hydrocephalus: development and validation of a brain morphometry-based nomogram
2023-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09612-1
PMID:37059905
|
研究论文 | 开发并验证了一种基于脑部形态测量的诺模图，用于预测特发性正常压力脑积水 | 利用深度学习技术进行脑部分割和三维体积测量，开发了一种结合高凸紧密度、胼胝体角度小于90°和标准化侧脑室体积的诺模图 | NA | 开发和验证一种基于MRI特征的诺模图，用于预测特发性正常压力脑积水 | 60岁及以上被临床诊断为特发性正常压力脑积水、帕金森病、阿尔茨海默病或健康对照的患者 | NA | 特发性正常压力脑积水 | MRI | 深度学习 | 图像 | 452名患者（平均年龄±标准差，73.2±6.5岁；200名男性） | NA | NA | NA | NA |
| 2108 | 2024-08-30 |
Deep learning-based diagnosis of osteoblastic bone metastases and bone islands in computed tomograph images: a multicenter diagnostic study
2023-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09573-5
PMID:37060446
|
研究论文 | 本研究开发并验证了一种基于CT图像的深度学习（DL）模型，用于区分骨岛和成骨性骨转移瘤 | 采用三切片CT图像输入的2.5D深度学习模型在分类硬化性骨病变方面优于2D模型 | NA | 开发和验证一种深度学习模型，用于区分骨岛和成骨性骨转移瘤 | 硬化性骨病变（SBLs）患者 | 计算机视觉 | 骨转移瘤 | 深度学习 | 2D和2.5D深度学习模型 | CT图像 | 共使用了1918个SBLs样本，涉及728名患者（站点1），122个SBLs样本，涉及71名患者（站点2），71个SBLs样本，涉及47名患者（站点3） | NA | NA | NA | NA |
| 2109 | 2024-08-30 |
Fully automated segmentation and radiomics feature extraction of hypopharyngeal cancer on MRI using deep learning
2023-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09827-2
PMID:37338554
|
研究论文 | 本文使用卷积神经网络实现喉下癌（HPC）在MRI上的全自动分割和放射组学特征提取 | DeepLab V3+模型在自动分割和放射组学特征提取方面优于U-Net模型，特别是在小肿瘤体积的分割上表现更佳 | NA | 研究目的是利用深度学习技术实现喉下癌肿瘤在MRI上的自动分割和放射组学特征提取 | 研究对象为222名喉下癌患者，其中178名用于训练，44名用于测试 | 计算机视觉 | 喉下癌 | MRI | CNN | 图像 | 222名喉下癌患者 | NA | NA | NA | NA |
| 2110 | 2024-08-30 |
Neural network combining with clinical ultrasonography: A new approach for classification of salivary gland tumors
2023-08, Head & neck
DOI:10.1002/hed.27396
PMID:37222027
|
研究论文 | 本文探讨了深度学习方法在唾液腺肿瘤超声图像分类中的应用 | 首次比较了超声训练模型与计算机断层扫描或磁共振成像训练模型的准确性 | 研究为回顾性，样本量有限 | 比较不同成像技术训练模型在唾液腺肿瘤分类中的准确性 | 唾液腺肿瘤的超声图像 | 机器学习 | NA | 深度学习 | 神经网络 | 图像 | 638名患者，包括558例良性肿瘤和80例恶性肿瘤 | NA | NA | NA | NA |
| 2111 | 2024-08-29 |
Adaptive Region-Specific Loss for Improved Medical Image Segmentation
2023-11, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2023.3289667
PMID:37363838
|
研究论文 | 本文介绍了一种区域特定损失函数，用于改进医学图像分割，通过将整个图像体积划分为多个子区域，并为每个子区域构建个性化的损失函数，以提高局部性能 | 提出了区域特定损失函数，该函数能够根据不同区域的分割难度调整权重，从而提高整体预测准确性 | NA | 改进医学图像分割的准确性 | 医学图像分割中的损失函数设计 | 计算机视觉 | NA | NA | 神经网络 | 图像 | 使用不同的公开和内部医学图像数据集 | NA | NA | NA | NA |
| 2112 | 2024-08-29 |
Integrated mRNA sequence optimization using deep learning
2023-01-19, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad001
PMID:36642413
|
研究论文 | 本文开发了一种名为iDRO的新算法，利用深度学习技术优化mRNA序列，以适应人类细胞 | 首次引入深度学习方法进行mRNA序列的综合优化 | NA | 优化外源基因如严重急性呼吸综合征冠状病毒2刺突蛋白的mRNA序列，以适应人类细胞 | mRNA序列优化 | 机器学习 | NA | 深度学习 | BiLSTM-CRF, RNA-Bart | 序列数据 | NA | NA | NA | NA | NA |
| 2113 | 2024-08-28 |
Clinical evaluation of deep learning-based automatic clinical target volume segmentation: a single-institution multi-site tumor experience
2023-Oct, La Radiologia medica
DOI:10.1007/s11547-023-01690-x
PMID:37597126
|
研究论文 | 本研究评估了基于深度学习的自动临床靶区（CTV）分割模型在多部位肿瘤CT图像上的表现 | 本研究首次在文献中探讨了多部位肿瘤的自动CTV分割，填补了这一领域的空白 | 研究中部分患者（如食管癌患者）的自动分割结果与手动分割结果的Dice相似系数较低，表明模型在某些肿瘤类型上的性能有待提高 | 评估基于深度学习的自动CTV分割模型在不同部位肿瘤CT图像上的准确性和临床接受度 | 包括鼻咽癌、食管癌、乳腺癌、宫颈癌、前列腺癌和直肠癌等多种癌症患者 | 计算机视觉 | 多种癌症 | 深度学习 | Flexnet, Unet, Vnet, Segresnet | CT图像 | 577名患者 | NA | NA | NA | NA |
| 2114 | 2024-08-28 |
New trend in artificial intelligence-based assistive technology for thoracic imaging
2023-Oct, La Radiologia medica
DOI:10.1007/s11547-023-01691-w
PMID:37639191
|
综述 | 本文综述了人工智能技术在胸部影像诊断中的应用，特别关注于病灶检测和定性诊断 | 介绍了可解释的人工智能在定性诊断中的发展需求 | 强调了人工智能作为医生辅助系统的局限性，最终决策应由医生做出 | 帮助放射科医生和临床医生更熟悉人工智能在胸部影像中的应用 | 人工智能技术在胸部影像诊断中的应用 | 计算机视觉 | NA | 深度学习 | NA | 影像 | NA | NA | NA | NA | NA |
| 2115 | 2024-08-28 |
HistoPerm: A permutation-based view generation approach for improving histopathologic feature representation learning
2023, Journal of pathology informatics
DOI:10.1016/j.jpi.2023.100320
PMID:37457594
|
研究论文 | 本文介绍了一种基于排列的视图生成方法HistoPerm，用于改进组织学图像的特征表示学习 | HistoPerm通过排列增强视图来提高分类性能，无需大量标记图像 | NA | 旨在解决深度学习方法在数字病理学中需要大量标记图像的问题 | HistoPerm方法在乳糜泻和肾细胞癌数据集上的有效性 | 数字病理学 | 肾细胞癌 | NA | 联合嵌入架构 | 图像 | 两个组织学图像数据集 | NA | NA | NA | NA |
| 2116 | 2024-08-27 |
Early Diagnosis: End-to-End CNN-LSTM Models for Mass Spectrometry Data Classification
2023-09-12, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.3c00613
PMID:37624777
|
研究论文 | 本文提出了一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的端到端深度学习方法，用于质谱数据分类，以实现早期癌症诊断 | 该方法能够直接处理原始质谱数据，避免了复杂的前处理和特征选择步骤，同时能够有效降低数据的高维度并捕捉时间模式 | NA | 提高诊断过程中早期癌症检测的准确性 | 肿瘤组织和正常组织的早期鉴别 | 机器学习 | NA | LC-MS | CNN-LSTM | 质谱数据 | NA | NA | NA | NA | NA |
| 2117 | 2024-08-27 |
Updates on Compositional MRI Mapping of the Cartilage: Emerging Techniques and Applications
2023-07, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28689
PMID:37010113
|
综述 | 本文综述了当前先进的软骨组成性磁共振成像（MRI）技术及其新兴方法，并讨论了其在临床实践和转化性骨关节炎研究中的应用前景和挑战 | 介绍了多种新兴的软骨组成性MRI技术，如MR指纹识别、压缩感知、多指数弛豫测量、改进和鲁棒的射频脉冲序列以及基于深度学习的采集、重建和分割方法 | 目前这些技术在临床实践中的应用仍面临挑战，需要进一步的研究和验证 | 探讨软骨组成性MRI技术在早期骨关节炎诊断和治疗反应评估中的应用 | 骨关节炎患者的软骨 | 医学影像 | 骨关节炎 | 磁共振成像（MRI） | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 2118 | 2024-08-25 |
Collective and harmonized high throughput barcoding of insular arthropod biodiversity: Toward a Genomic Observatories Network for islands
2023-12, Molecular ecology
IF:4.5Q1
DOI:10.1111/mec.16683
PMID:36156326
|
研究论文 | 本文探讨了如何利用高通量测序技术（HTS）和深度学习图像分析方法，系统地进行岛屿节肢动物多样性的编目和监测，并提出了建立岛屿基因组观测网络（iGON）的框架。 | 本文首次提出将高通量测序技术与深度学习图像分析相结合，用于岛屿节肢动物多样性的研究，并探讨了在岛屿基因组观测网络框架下实施这些方法的可能性。 | 文章指出当前方法在节肢动物多样性数据可用性方面存在局限，需要进一步的技术创新和数据积累。 | 旨在通过新技术手段，深入理解岛屿生态和进化过程中节肢动物多样性的关键过程。 | 研究对象为岛屿上的节肢动物，特别是那些在生态、进化和保护生物学领域具有重要意义的物种。 | 基因组学 | NA | 高通量测序（HTS） | 深度学习 | 图像 | 文章未具体提及样本数量 | NA | NA | NA | NA |
| 2119 | 2024-08-24 |
Novel tools for early diagnosis and precision treatment based on artificial intelligence
2023-Sep, Chinese medical journal pulmonary and critical care medicine
DOI:10.1016/j.pccm.2023.05.001
PMID:39171128
|
研究论文 | 本文探讨了基于人工智能的新工具在肺癌早期诊断和精准治疗中的应用 | 文章介绍了人工智能技术在肺癌诊断和治疗中的创新应用，包括机器学习和深度学习在肺结节检测、良恶性分类和亚型识别中的应用，以及非侵入性预测遗传突变和分子状态的能力 | 文章指出，人工智能在临床广泛应用中仍面临数据共享、标准化标签获取、临床应用监管和多模态整合等挑战 | 旨在提高肺癌的早期诊断和个性化治疗方案，从而改善患者的5年生存率 | 肺癌的早期诊断和精准治疗 | 机器学习 | 肺癌 | 人工智能 | 机器学习和深度学习 | CT图像和病理图像 | NA | NA | NA | NA | NA |
| 2120 | 2024-08-23 |
Predicting intensive care need for COVID-19 patients using deep learning on chest radiography
2023-Jul, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.10.4.044504
PMID:37608852
|
研究论文 | 本研究利用深度学习技术分析胸部X光片，预测COVID-19患者是否需要重症监护 | 提出了一种基于深度学习的人工智能/机器学习方法，通过分析胸部X光片预测COVID-19患者的重症监护需求 | NA | 旨在通过图像预测COVID-19的严重程度和资源需求，以应对COVID-19大流行 | COVID-19阳性患者的胸部X光片 | 机器学习 | COVID-19 | 深度学习 | DenseNet121 | 图像 | 8357张胸部X光片，来自5046名COVID-19阳性患者 | NA | NA | NA | NA |