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 2413 篇文献，本页显示第 2121 - 2140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2121 | 2024-08-05 |
Impact of Noisy Labels on Dental Deep Learning-Calculus Detection on Bitewing Radiographs
2023-Apr-23, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm12093058
PMID:37176499
|
研究论文 | 本研究评估了标签噪声对牙科深度学习中计算石检测的影响 | 探讨了不同标签不一致性对模型性能的影响，特别是在口腔X光图像上 | 只分析了特定的数据集，无法推广到所有类型的医学图像 | 评估数据标签不一致性对牙科计算石检测模型性能的影响 | 牙科X光图像中的计算石标注数据 | 计算机视觉 | NA | YOLOv5 | 目标检测网络 | 医学图像 | 2584张咬翼X光图像 | NA | NA | NA | NA |
| 2122 | 2024-08-05 |
Classification of Alzheimer's disease stages from magnetic resonance images using deep learning
2023, PeerJ. Computer science
DOI:10.7717/peerj-cs.1490
PMID:37705614
|
研究论文 | 本文提出了一种基于深度学习的方法，通过磁共振成像（MRI）分类阿尔茨海默病（AD）的不同阶段 | 创新之处在于使用深度学习和多种网络架构（如EfficientNet、DenseNet和视觉变换器）来提高AD早期检测的精确度 | 研究的限制在于样本大小和样本的特定来源，可能影响结果的通用性 | 本研究旨在利用深度学习技术提高阿尔茨海默病早期诊断的准确性 | 研究对象为来自阿尔茨海默病神经影像倡议和开放获取成像研究系列数据库的MRI图像 | 计算机视觉 | 阿尔茨海默病 | 磁共振成像（MRI） | 3D卷积神经网络 | 图像 | 使用了来自多个数据库的特定MRI图像集，样本大小未明确说明 | NA | NA | NA | NA |
| 2123 | 2024-08-05 |
Patient-level thyroid cancer classification using attention multiple instance learning on fused multi-scale ultrasound image features
2023, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:38222341
|
研究论文 | 该文章提出了一种基于注意力的多实例学习模型用于甲状腺癌的患者级分类。 | 创新性地结合了不同超声图像帧的全局和局部特征进行患者级恶性肿瘤分类。 | 目前模型仍然依赖于手动注释的肿块分割。 | 本研究旨在改善甲状腺结节的恶性肿瘤分类性能。 | 研究对象为超声图像中的甲状腺结节。 | 数字病理学 | 甲状腺癌 | 深度学习 | 多实例学习 | 图像 | NA | NA | NA | NA | NA |
| 2124 | 2024-08-05 |
SpheroScan: A User-Friendly Deep Learning Tool for Spheroid Image Analysis
2023-Jun-28, bioRxiv : the preprint server for biology
DOI:10.1101/2023.06.28.533479
PMID:37425923
|
研究论文 | 本文介绍了SpheroScan，一个用户友好的深度学习工具，用于球形图像分析 | 开发了一个全自动、基于网络的工具，使用掩模区域卷积神经网络进行图像检测和分割 | NA | 解决缺乏自动化和用户友好的3D球体图像分析工具的问题 | 使用IncuCyte活细胞分析系统和常规显微镜拍摄的球形图像 | 数字病理 | NA | 深度学习 | 卷积神经网络 | 图像 | 使用的训练集和验证集的具体样本数量未提供 | NA | NA | NA | NA |
| 2125 | 2024-08-05 |
The ChatGPT Storm and What Faculty Can Do
2023 May-Jun 01, Nurse educator
IF:2.4Q1
DOI:10.1097/NNE.0000000000001390
PMID:37043716
|
研究论文 | 本论文讨论了ChatGPT在学术界的迅速普及及其伦理使用的关注 | 探讨教师如何应对ChatGPT带来的挑战，强调自我反思、批判性思维和独立学习的重要性 | 未提及具体的实证研究或数据支持 | 旨在探讨ChatGPT在护理教育中的潜力及其伦理使用 | 关注职员及学生如何利用ChatGPT进行学习和信息评估 | 自然语言处理 | NA | 深度学习语言模型 | NA | 文本 | NA | NA | NA | NA | NA |
| 2126 | 2024-08-05 |
Intelligent oncology: The convergence of artificial intelligence and oncology
2023-Mar, Journal of the National Cancer Center
IF:7.6Q1
DOI:10.1016/j.jncc.2022.11.004
PMID:39036310
|
研究论文 | 本文描述了一种称为智能肿瘤学的整体和结构化概念 | 提出了一个跨学科的智能肿瘤学概念，整合多个领域以促进癌症管理 | 智能肿瘤学的概念和应用仍处于 infancy，面临许多障碍和挑战 | 旨在促进癌症预防、筛查、早期诊断和精确治疗 | 整合肿瘤学、放射学、病理学、分子生物学等领域 | 计算机视觉 | 癌症 | 自然语言处理、机器/深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 2127 | 2024-08-05 |
Self-supervised deep learning for highly efficient spatial immunophenotyping
2023-Sep, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2023.104769
PMID:37672979
|
研究论文 | 该文章提出了一种自监督学习方法，用于高效的细胞免疫表型识别。 | 文章提出的SANDI模型通过自监督学习显著降低了标注负担，同时维持了细胞表型识别的准确性。 | 研究的样本数量和标注参考集的规模可能限制了模型的泛化能力。 | 本研究旨在开发一种高效的细胞免疫表型识别方法，以支持标志物的发现和临床转化。 | 研究对象是多重免疫组化数据集中的单细胞图像。 | 数字病理学 | 卵巢癌 | 多重免疫组化 | 自监督学习模型 (SANDI) | 图像 | 涉及2825到15,258个单细胞图像 | NA | NA | NA | NA |
| 2128 | 2024-08-05 |
Prediction-oriented prognostic biomarker discovery with survival machine learning methods
2023-Jun, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqad055
PMID:37332657
|
研究论文 | 本文提出了一系列基于生存机器学习方法的预测导向生物标志物选择框架。 | 采用了随机生存森林、极端梯度提升、轻量级梯度提升和深度学习生存模型等新型机器学习算法进行生物标志物选择，并将PROMISE方法调整为生存模型(PROMISE-Cox)。 | 在生存模型中不同特征选择方法的表现需要进一步深入研究。 | 目标是发现新颖且可靠的预后生物标志物，以预测患者的生存结果。 | 主要研究对象为不同类型的头颈癌数据中的预后生物标志物。 | 机器学习 | 癌症 | 机器学习算法 | 随机生存森林、极端梯度提升、轻量级梯度提升、深度学习模型 | 数据 | 不同类型的头颈癌数据集（具体样本量未提及） | NA | NA | NA | NA |
| 2129 | 2024-08-05 |
Deep Clustering of Electronic Health Records Tabular Data for Clinical Interpretation
2023-Dec, ... IEEE International Conference on Telecommunications and Photonics. IEEE International Conference on Telecommunications and Photonics
DOI:10.1109/ictp60248.2023.10490723
PMID:39027675
|
研究论文 | 本研究提出了一种基于临床变量的患者分层策略，并评估了聚类性能。 | 创新点在于提出了一种基于临床变量进行患者分层的新策略，并采用深度学习方法改善了聚类效果。 | 本研究局限于使用传统聚类算法进行比较，未涉及其他复杂模型的应用。 | 本研究旨在提高对患者数据的理解和分析，特别是在没有明确诊断标签的情况下。 | 研究对象为高血压患者群体，通过聚类分析识别了不同患者簇。 | 机器学习 | NA | 深度学习 | NA | 表格数据 | NA | NA | NA | NA | NA |
| 2130 | 2024-08-05 |
Generative adversarial network constrained multiple loss autoencoder: A deep learning-based individual atrophy detection for Alzheimer's disease and mild cognitive impairment
2023-02-15, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.26146
PMID:36394351
|
研究论文 | 本文提出了一种生成对抗网络约束的多损失自编码器框架用于阿尔茨海默病和轻度认知障碍的个体萎缩检测 | 提出了一种新颖的GANCMLAE模型，能够精确描述个体大脑萎缩模式并具有良好的临床应用潜力 | 尚缺乏对其他人群或更广泛样本的验证，以评估模型的通用性 | 研究个体大脑萎缩模式，以提高阿尔茨海默病和轻度认知障碍的精准医学 | 正常对照组与阿尔茨海默病和轻度认知障碍患者 | 数字病理学 | 阿尔茨海默病 | 生成对抗网络 | 自编码器 | 图像 | 来自阿尔茨海默病神经影像学倡议队列的正常对照组和Xuanwu队列的数据 | NA | NA | NA | NA |
| 2131 | 2024-08-05 |
ASD-GResTM: Deep Learning Framework for ASD classification using Gramian Angular Field
2023-Dec, Proceedings. IEEE International Conference on Bioinformatics and Biomedicine
DOI:10.1109/bibm58861.2023.10385743
PMID:39021439
|
研究论文 | 本文设计并开发了一个深度学习框架，用于基于功能磁共振成像(fMRI)数据分类自闭症谱系障碍(ASD)与神经典型大脑 | 引入了一种新策略，将提取的时间序列数据转化为Gramian Angular Field (GAF)，并锁定了数据中的时间和空间模式 | 未提及特定的局限性 | 旨在通过深度学习方法提高自闭症的分类准确性 | 基于功能磁共振成像(fMRI)数据的自闭症与神经典型脑的分类 | 计算机视觉 | 自闭症谱系障碍 | fMRI | 卷积神经网络(CNN)及长短期记忆网络(LSTM) | 图像 | 使用了公开的ABIDE-I基准数据集进行训练、验证和测试 | NA | NA | NA | NA |
| 2132 | 2024-08-05 |
Enhancing Opioid Bioactivity Predictions through Integration of Ligand-Based and Structure-Based Drug Discovery Strategies with Transfer and Deep Learning Techniques
2023-12-21, The journal of physical chemistry. B
DOI:10.1021/acs.jpcb.3c05306
PMID:38084046
|
研究论文 | 本研究通过整合基于配体和基于结构的药物发现策略，利用迁移学习和深度学习技术提高阿片类药物的生物活性预测 | 本文创新性在于应用迁移学习构建稳健的深度学习模型，以增强对每种阿片受体亚型的配体生物活性预测 | 本研究的局限性在于可能仍面临训练样本不足的问题，影响预测性能 | 研究旨在寻找更好的阿片类药物，降低成瘾潜力，以应对阿片类药物危机 | 研究对象为阿片类药物及其对应的受体亚型 | 机器学习 | NA | 深度学习 | NA | 生物活性数据 | 大型生物活性数据集 | NA | NA | NA | NA |
| 2133 | 2024-08-05 |
Adaptive Sampling Methods for Molecular Dynamics in the Era of Machine Learning
2023-12-21, The journal of physical chemistry. B
DOI:10.1021/acs.jpcb.3c04843
PMID:38081185
|
评论 | 本文探讨了在分子动力学中应用的自适应采样算法 | 提出了一种仅通过在特定种子上重新启动MD轨迹来增强采样的自适应采样算法 | 本文讨论了自适应采样方法的不足之处 | 研究旨在改善分子动力学中蛋白质构象变化的采样 | 重点关注自适应采样算法及其在真实系统中的应用 | 计算机视觉 | NA | 深度学习技术 | NA | NA | NA | NA | NA | NA | NA |
| 2134 | 2024-08-05 |
Unlocking the Potential: Predicting Redox Behavior of Organic Molecules, from Linear Fits to Neural Networks
2023-Aug-08, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.3c00355
PMID:37463673
|
综述 | 本文讨论了有机分子的还原和氧化电位预测的现代技术 | 探讨了从线性拟合到神经网络的不同预测方法，超越常规的第一性原理计算和热力学循环 | 未详细讨论每种方法的适用范围和具体局限性 | 研究有机分子的还原氧化行为预测方法 | 还原活性有机分子及其在不同应用中的表现 | 化学 | NA | 机器学习 | 神经网络 | 数据集 | 目前可用的还原活性有机分子数据集及其实验和计算性质 | NA | NA | NA | NA |
| 2135 | 2024-08-05 |
Enhancing Opioid Bioactivity Predictions through Integration of Ligand-Based and Structure-Based Drug Discovery Strategies with Transfer and Deep Learning Techniques
2023-Aug-07, bioRxiv : the preprint server for biology
DOI:10.1101/2023.08.04.552065
PMID:37609329
|
研究论文 | 本文探讨了通过结合基于配体和基于结构的药物发现策略与迁移和深度学习技术来提高阿片类生物活性预测的有效性 | 创新点在于使用结合的分子描述符构建稳健的深度学习模型，以提升阿片类配体在各个OR亚型上的生物活性预测 | 研究可能面临样本不足以实现充分预测性能的问题 | 旨在发现更好的阿片类药物以降低成瘾潜力 | 研究对象为阿片受体（OR）亚家族中的配体 | 计算机视觉 | NA | 深度学习 | NA | 分子描述符 | NA | NA | NA | NA | NA |
| 2136 | 2024-08-07 |
Exploring infection clinicians' perceptions of bias in Large Language Models (LLMs) like ChatGPT: A deep learning study
2023-12, The Journal of infection
IF:14.3Q1
DOI:10.1016/j.jinf.2023.09.006
PMID:37743022
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2137 | 2024-08-05 |
Stroke-GFCN: ischemic stroke lesion prediction with a fully convolutional graph network
2023-Jul, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.10.4.044502
PMID:37465592
|
研究论文 | 本研究提出了一种几何深度学习模型，用于缺血性脑卒中的病灶分割。 | 本文创新性地使用了全卷积图网络，并结合样条卷积和图结构特征来改进缺血性脑卒中病灶的预测。 | 本研究没有使用优化的训练方法，如数据增强或补丁处理，这可能影响模型表现的进一步提升。 | 研究旨在提高缺血性脑卒中病灶的分割准确性，以便为临床干预提供支持。 | 研究对象为缺血性脑卒中病灶的CT灌注参数图像数据。 | 计算机视觉 | 脑卒中 | CT灌注参数 | 全卷积图网络 | 图像 | NA | NA | NA | NA | NA |
| 2138 | 2024-08-05 |
Detection of Intracerebral Hemorrhage Using Low-Field, Portable Magnetic Resonance Imaging in Patients With Stroke
2023-11, Stroke
IF:7.8Q1
DOI:10.1161/STROKEAHA.123.043146
PMID:37795593
|
研究论文 | 本研究探讨了在中风患者中使用低场便携式磁共振成像（pMRI）检测自发性脑内出血的敏感性和特异性 | 该研究首次将深度学习重建算法与临床信息结合，用于提高便携式磁共振成像对脑内出血的检测准确性 | 研究仅在Yale New Haven医院进行，样本数量相对较少，可能影响结果的普适性 | 本研究旨在评估低场pMRI在自发性脑内出血检测中的效果 | 对189例中风患者的pMRI检查进行了评估 | 数字病理学 | 脑血管疾病 | 低场磁共振成像（pMRI） | 深度学习算法 | 医学影像 | 189例（38例脑内出血，89例急性缺血性中风，8例蛛网膜下腔出血，3例原发性脑室出血，51例无颅内异常） | NA | NA | NA | NA |
| 2139 | 2024-08-05 |
Bidirectional Mapping with Contrastive Learning on Multimodal Neuroimaging Data
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43898-1_14
PMID:39005889
|
研究论文 | 文章提出了一种新的双向映射模型，通过对比学习减少脑结构与功能之间单向映射的偏差 | 创新点在于提出了双向映射模型BMCL，解决了单向映射方法的偏差问题 | 研究中只使用了两个公开数据集，可能限制了结果的普遍性 | 探讨脑结构与功能之间的相互作用，并识别不同临床表型和脑疾病的潜在生物标志物 | 使用临床表型和神经退行性疾病的预测作为研究对象 | 计算机视觉 | 神经退行性疾病 | 对比学习 | BMCL | 多模态神经影像数据 | 使用了两个公开数据集（HCP和OASIS）中的样本 | NA | NA | NA | NA |
| 2140 | 2024-08-05 |
Disentangling accelerated cognitive decline from the normal aging process and unraveling its genetic components: A neuroimaging-based deep learning approach
2023-Sep-08, Research square
DOI:10.21203/rs.3.rs-3328861/v1
PMID:37720047
|
研究论文 | 该文章介绍了一种基于深度学习的方法，用于区分正常衰老过程中的认知下降与阿尔茨海默病相关的加速认知下降 | 提出了一种新的双损失Siamese ResNet网络，能够提取细粒度神经影像信息，并识别新的遗传变异rs144614292 | 研究样本主要来源于ADNI，对其他人群的适用性需要进一步验证 | 探讨加速认知下降与自然衰老过程之间的关系及其遗传基础 | 针对1,313名个体的纵向结构磁共振成像（MRI）数据进行分析 | 数字病理学 | 老年痴呆症 | MRI | Siamese ResNet | 影像数据 | 1,313名个体，训练于414名认知正常的人群 | NA | NA | NA | NA |