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 2512 篇文献，本页显示第 2321 - 2340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2321 | 2024-08-05 |
Automatic retinoblastoma screening and surveillance using deep learning
2023-08, British journal of cancer
IF:6.4Q1
DOI:10.1038/s41416-023-02320-z
PMID:37344582
|
研究论文 | 本文研究了一种基于深度学习的视网膜母细胞瘤自动筛查和监测方法 | 提出了一种深度学习算法DLA-RB，能够准确区分正常眼底、稳定视网膜母细胞瘤和主动视网膜母细胞瘤 | 目前样本集中仅包括在北京同仁医院就诊的患者，可能影响结果的普遍适用性 | 旨在应用深度学习算法降低随访和后代筛查的负担 | 视网膜母细胞瘤患者及其相关影像数据 | 计算机视觉 | 视网膜母细胞瘤 | 深度学习 | 深度学习助手(DLA-RB) | 图像 | 共收集了36623张图像和103名患者的139只眼睛 | NA | NA | NA | NA |
| 2322 | 2024-08-05 |
Traditional Machine Learning Methods versus Deep Learning for Meningioma Classification, Grading, Outcome Prediction, and Segmentation: A Systematic Review and Meta-Analysis
2023-11, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2023.08.023
PMID:37574189
|
meta-analysis | 本研究评估了传统机器学习方法与深度学习在脑膜瘤分类、分级、预后预测和分割中的表现 | 首次系统性比较了传统机器学习与深度学习在脑膜瘤管理中的性能 | 由于性能指标报告不足，无法进一步统计分析其他性能指标 | 评估脑膜瘤管理中传统机器学习与深度学习算法的表现 | 脑膜瘤的分类、分级、预后预测和分割 | 机器学习 | 脑膜瘤 | 机器学习 | 传统机器学习，深度学习 | 文献数据 | 534条记录筛选，包含43篇文章 | NA | NA | NA | NA |
| 2323 | 2024-08-05 |
Automated segmentation of five different body tissues on computed tomography using deep learning
2023-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.15932
PMID:36008356
|
研究论文 | 该文开发并验证了一种用于CT扫描上五种不同身体组织的自动分割计算机工具。 | 文中采用了训练与标注相结合的策略，提高了注释效率，并比较了多种卷积神经网络在组织分割中的表现。 | 不同CNN模型在分割身体组织时未表现出显著差异。 | 旨在开发一种高效的计算工具，以自动化分割CT扫描显示的多种身体组织。 | 该研究对象为100个CT扫描样本，涉及内脏脂肪组织、皮下脂肪组织、肌肉及骨骼等多种身体组织。 | 计算机视觉 | NA | 卷积神经网络（CNN） | UNet, R2Unet, UNet++ | 图像 | 100个CT扫描样本 | NA | NA | NA | NA |
| 2324 | 2024-08-05 |
DeepN4: Learning N4ITK Bias Field Correction for T1-weighted Images
2023-Nov-13, Research square
DOI:10.21203/rs.3.rs-3585882/v1
PMID:38014176
|
研究论文 | 本文提出了一种深度学习方法DeepN4，用于纠正T1加权MRI图像中的偏差场 | 本文创新地将深度学习应用于N4ITK偏差场校正，提供了一种便携灵活且完全可微分的方法 | 研究可能受限于训练数据集的多样性和深度学习模型的复杂性 | 研究旨在改进T1加权MRI图像的偏差场校正方法 | 该研究对象为72台不同扫描仪和不同年龄范围的8个独立队列的T1w MRI图像 | 数字病理学 | NA | 深度学习 | 深度神经网络 | 医学图像 | 72台扫描仪，8个独立队列 | NA | NA | NA | NA |
| 2325 | 2024-08-05 |
Deep learning-based fast volumetric imaging using kV and MV projection images for lung cancer radiotherapy: A feasibility study
2023-Sep, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16377
PMID:36939395
|
研究论文 | 该研究提出了一种快速体积成像方法，用于肺癌放射治疗，旨在减少获取时间并提高治疗的准确性 | 创新点在于结合了2D和3D网络，以快速生成高质量的3D成像，并增强了图像的一致性和准确性 | 结果基于模拟数据和真实设备的幻影结果，未进行在临床环境下的全面验证 | 研究旨在开发一种有效的体积成像方法，以提高肺癌放射治疗的准确性和效率 | 研究对象为50名肺癌患者，通过对每个相位的CT进行射线追踪生成正交的kV和MV成像对 | 数字病理 | 肺癌 | 正交kV/MV成像 | 结合2D和3D网络的模型 | 图像 | 50名肺癌患者 | NA | NA | NA | NA |
| 2326 | 2024-08-05 |
An X-Ray C-Arm Guided Automatic Targeting System for Histotripsy
2023-02, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2022.3198600
PMID:35984807
|
研究论文 | 本研究提出了一种基于CBCT的自动靶向系统用于非侵入性治疗癌症的Histotripsy技术。 | 提出了一种替代超声成像的X射线C臂靶向方法，结合深度学习和数字模型提高靶点定位精度。 | 实验主要在验证物模型上进行，临床应用的准确性和效果尚待进一步验证。 | 探讨CBCT在Histotripsy靶向中的应用，提升靶点定位的准确性和自动化程度。 | 研究主要针对肿瘤靶点的精准定位与治疗技术。 | 数字病理学 | 癌症 | CBCT | 深度学习 | 影像 | 在虚拟模型实验中评估了靶向精度 | NA | NA | NA | NA |
| 2327 | 2024-08-05 |
A Comprehensive Evaluation of Generalizability of Deep Learning-Based Hi-C Resolution Improvement Methods
2023-12-29, Genes
IF:2.8Q2
DOI:10.3390/genes15010054
PMID:38254945
|
研究论文 | 本研究评估了现有Hi-C分辨率提升方法的可泛化性。 | 提出了一个框架Hi-CY，使用多种评估指标比较现有的Hi-C分辨率提升方法，并强调了现有方法在稀疏Hi-C数据集上的性能不足。 | 现有深度学习方法在实验生成的稀疏Hi-C数据集上泛化能力差，性能降低高达57%。 | 研究Hi-C分辨率提升方法的可泛化性，并识别改进的方向。 | 评估七个实验生成的低分辨率Hi-C数据集，分析不同稀疏程度的读取情况。 | 机器学习 | NA | Hi-C | 深度学习方法 | Hi-C数据集 | 七个实验生成的低分辨率Hi-C数据集 | NA | NA | NA | NA |
| 2328 | 2024-08-05 |
Machine Learning to Advance Human Genome-Wide Association Studies
2023-12-25, Genes
IF:2.8Q2
DOI:10.3390/genes15010034
PMID:38254924
|
综述 | 本文综述了机器学习在对人类基因组广泛关联研究中的应用 | 本文创新性在于介绍了机器学习在分配人类遗传位点与健康结果之间的应用，强调了新工具的整合 | 文章中提到的方法和工具在应用方面的优势和挑战，但未深入探讨具体的实践案例 | 探讨机器学习在遗传流行病学研究中的应用进展与潜力 | 主要讨论人类基因组与健康结果之间的关系 | 机器学习 | NA | 机器学习，包括深度学习和增强学习 | NA | 遗传变异数据 | NA | NA | NA | NA | NA |
| 2329 | 2024-08-05 |
A Triboelectric Sensor with Double Bubble Structure Applied in a High Security Double Lock System
2023-12-22, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.3c01574
PMID:38063342
|
研究论文 | 提出了一种集成了双气泡结构的摩擦电传感器的高安全性双锁系统 | 创新点在于将摩擦电纳米发电机与深度学习模型结合，使用双气泡结构提高灵敏度 | 未提及实际应用中的长期稳定性和耐用性 | 设计一种具有更高安全性能的智能锁系统 | 聚焦于摩擦电传感器和深度学习模型的集成应用 | 数字病理学 | NA | 摩擦电纳米发电机 | 长短期记忆网络 | 生理信号 | 实验中使用了识别四种典型呼吸信号的样本 | NA | NA | NA | NA |
| 2330 | 2024-08-05 |
The Evolution of Artificial Intelligence in Biomedicine: Bibliometric Analysis
2023-Dec-19, JMIR AI
DOI:10.2196/45770
PMID:38875563
|
研究论文 | 本研究探讨了生物医学领域中人工智能技术的演变和未来趋势。 | 提出了背景增强预测方法，提升了回归模型的预测效果。 | 研究可能局限于已发表文献的数据，未能覆盖所有相关领域。 | 预测不同生物医学领域中人工智能技术的未来发展趋势。 | 分析与人工智能和生物医学交叉领域相关的文献。 | 计算机视觉 | NA | 回归模型 | 背景增强预测模型 | 文献数据 | 从PubMed数据库中收集的大量相关文章 | NA | NA | NA | NA |
| 2331 | 2024-08-05 |
A Trainable Open-Source Machine Learning Accelerometer Activity Recognition Toolbox: Deep Learning Approach
2023-Jun-08, JMIR AI
DOI:10.2196/42337
PMID:38875548
|
研究论文 | 本研究开发了一种准确、可训练的开源手机活动追踪工具箱。 | 提出了一种开放源代码的深度学习加速器活动识别工具，能够适应新行为的检测。 | 维度自适应神经架构模型在测试自有数据时准确性大幅下降至26%。 | 解决当前活动追踪器在科学应用中动作判别准确性不足的问题。 | 使用加速度计和陀螺仪数据识别不同类别的活动。 | 机器学习 | NA | 深度学习 | 维度自适应神经架构模型 | 加速度计和陀螺仪数据 | 6种不同的行为，包含来自自身记录的数据和MotionSense数据 | NA | NA | NA | NA |
| 2332 | 2024-08-05 |
Natural Language Processing for Clinical Laboratory Data Repository Systems: Implementation and Evaluation for Respiratory Viruses
2023-Jun-06, JMIR AI
DOI:10.2196/44835
PMID:38875570
|
研究论文 | 本文探讨了自然语言处理技术在临床实验室数据中的应用，评估了其在呼吸病毒信息提取中的可行性 | 提出了一种基于深度学习的自然语言处理模型，以替代耗时且资源密集的手工规则工具 | 模型性能在不同病毒类别和类型间存在差异，且在检测到的病毒案例中的表现较差 | 研究自然语言处理模型在实验室报告信息提取中的可行性 | 省级实验室报告中的文本数据，涵盖14种呼吸病毒及其亚型 | 自然语言处理 | 呼吸道病毒感染 | 深度学习 | 层次多标签分类器 | 文本 | 87,500份独特的实验室报告 | NA | NA | NA | NA |
| 2333 | 2024-08-05 |
Detecting Ground Glass Opacity Features in Patients With Lung Cancer: Automated Extraction and Longitudinal Analysis via Deep Learning-Based Natural Language Processing
2023-Jun-01, JMIR AI
DOI:10.2196/44537
PMID:38875565
|
研究论文 | 本文开发了一种基于深度学习的自然语言处理工具，用于自动提取肺癌患者计算机断层扫描中的地面玻璃不透明度特征 | 创新点在于建立了一个双向长短期记忆模型，结合条件随机场，以自动提取和分析GGO的特征 | 样本仅限于肺癌患者，可能不具备更广泛适应性 | 旨在通过自动提取GGO特征来支持GGO状态的长期轨迹分析 | 本研究对象为13,216名肺癌患者的放射学记录 | 自然语言处理 | 肺癌 | 深度学习，NLP | 双向长短期记忆模型 | 文本 | 涉及13,216名肺癌患者的放射学记录 | NA | NA | NA | NA |
| 2334 | 2024-08-05 |
Few-Shot Learning for Clinical Natural Language Processing Using Siamese Neural Networks: Algorithm Development and Validation Study
2023-May-04, JMIR AI
DOI:10.2196/44293
PMID:38875537
|
研究论文 | 本研究提出并评估了基于Siamese神经网络的少样本临床自然语言处理方法 | 文章创新性地将Siamese神经网络应用于临床自然语言处理任务的少样本学习 | 文中未详细探讨SNN在其他临床NLP任务中的表现，文献支持有限 | 旨在提出并评估基于SNN的少样本临床自然语言处理方法 | 研究对象为临床句子分类任务 | 自然语言处理 | NA | Siamese神经网络 | SNN | 文本 | NA | NA | NA | NA | NA |
| 2335 | 2024-08-05 |
Deep Learning to Detect Pancreatic Cystic Lesions on Abdominal Computed Tomography Scans: Development and Validation Study
2023-Mar-17, JMIR AI
DOI:10.2196/40702
PMID:38875547
|
研究论文 | 本研究开发和验证了一种用于自动检测胰腺囊性损伤的人工深度神经网络 | 研究中使用了一种基于注意力门U-Net架构的算法，提高了胰腺囊性损伤的检测率 | 研究主要基于335个样本，可能对不同类型的CT扫描结果的普适性有限 | 本研究旨在通过深度学习技术提高胰腺囊性损伤的早期检测率 | 研究对象包括335个腹部CT扫描的病例，其中297个病例被诊断为胰腺囊性损伤 | 计算机视觉 | 胰腺癌 | 深度学习 | 注意力门U-Net | 图像 | 335个腹部CT扫描样本 | NA | NA | NA | NA |
| 2336 | 2024-08-05 |
Developing an Inpatient Electronic Medical Record Phenotype for Hospital-Acquired Pressure Injuries: Case Study Using Natural Language Processing Models
2023-Mar-08, JMIR AI
DOI:10.2196/41264
PMID:38875552
|
研究论文 | 本文通过自然语言处理应用于电子病历，旨在更准确及时地识别医院获得性压疮（HAPI） | 提出了基于电子病历的表型算法，证明其在检测HAPI方面比单独使用ICD-10-CA算法更有效 | 研究仅限于特定的医院和样本，可能不适用于其他环境 | 展示电子病历基础的表型算法在HAPI检测上的优势 | 在2015年至2018年期间，通过临床试验识别的HAPI患者 | 自然语言处理 | NA | 自然语言处理 (NLP) | 随机森林 (RF), 极端梯度提升 (XGBoost), 深度学习模型 | 文本 | 280名患者，其中97名患者在研究期间出现HAPI | NA | NA | NA | NA |
| 2337 | 2024-08-05 |
Deep Learning Transformer Models for Building a Comprehensive and Real-time Trauma Observatory: Development and Validation Study
2023-Jan-12, JMIR AI
DOI:10.2196/40843
PMID:38875539
|
研究论文 | 本研究探讨了在法国建立国家创伤观察站的可行性，比较了几种自动语言处理方法的性能。 | 使用了经过法语语料预训练并在306,368条未标记临床笔记上进行自监督学习的GPTanam模型，展示了最佳性能。 | 需要进一步改进以扩展缩写和多输出多类分类。 | 研究在法国建立综合且实时的创伤观察站的可行性。 | 通过对69110条与创伤相关的临床笔记进行多类分类的研究。 | 自然语言处理 | NA | 深度学习，变换器模型 | 变换器模型 | 文本 | 69110条临床笔记 | NA | NA | NA | NA |
| 2338 | 2024-08-05 |
Machine learning and deep learning for brain tumor MRI image segmentation
2023-11, Experimental biology and medicine (Maywood, N.J.)
DOI:10.1177/15353702231214259
PMID:38102956
|
综述 | 文章综述了用于脑肿瘤MRI图像分割的常用机器学习和深度学习技术 | 结合两种或更多技术的趋势是当前的创新点 | 讨论了所述机器学习和深度学习方法的局限性和优点 | 研究脑肿瘤MRI图像分割的技术 | 脑肿瘤的MRI图像 | 计算机视觉 | 脑肿瘤 | MRI | 机器学习和深度学习技术 | 图像 | NA | NA | NA | NA | NA |
| 2339 | 2024-08-07 |
Protein structural alignment using deep learning
2023-10, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01543-3
PMID:37816889
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2340 | 2024-08-05 |
Automated deep learning auto-segmentation of air volumes for MRI-guided online adaptive radiation therapy of abdominal tumors
2023-06-15, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acda0b
PMID:37253374
|
研究论文 | 本研究开发了一种自动化方法，用于在MRI引导的腹部肿瘤适应性放射治疗中分割空气区域 | 提出了一种修改版ResUNet3D深度学习模型用于自动分割MRI中的空气区域 | 该研究可能受到专门的MR图像序列和模型训练样本的限制 | 研究的目的是提高腹部肿瘤放射治疗中空气区域的分割速度和准确性 | 研究对象是102名患者的MRI图像 | 数字病理学 | NA | 深度学习 | ResUNet3D | 图像 | 102个患者的MR图像 | NA | NA | NA | NA |