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 2592 篇文献，本页显示第 2541 - 2560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2541 | 2024-08-07 |
Wide and deep learning based approaches for classification of Alzheimer's disease using genome-wide association studies
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0283712
PMID:37126509
|
research paper | 本研究利用全基因组关联研究数据，通过基于关联测试、主成分分析和Boruta算法的混合特征选择方法，筛选出阿尔茨海默病的潜在预测因子，并将其输入到宽深神经网络模型中进行分类 | 提出了一种基于关联测试、主成分分析和Boruta算法的混合特征选择方法，并使用宽深神经网络模型进行分类，实验结果显示该方法在标准数据集上的准确率和F1分数达到99% | NA | 旨在通过基因组数据准确诊断阿尔茨海默病，并识别影响该疾病的关键因素 | 阿尔茨海默病及其相关基因 | machine learning | geriatric disease | GWAS | wide and deep neural network | genetic markers | 包含620901个属性的原始数据集 | NA | NA | NA | NA |
| 2542 | 2024-08-07 |
Assessment of Parafoveal Diabetic Macular Ischemia on Optical Coherence Tomography Angiography Images to Predict Diabetic Retinal Disease Progression and Visual Acuity Deterioration
2023-07-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2023.1821
PMID:37227703
|
研究论文 | 本研究使用光学相干断层扫描血管成像（OCTA）图像上的糖尿病黄斑缺血（DMI）评估，预测糖尿病视网膜疾病进展和视力恶化 | 提出了一种基于OCTA图像的自动化二元DMI算法，用于预测糖尿病视网膜病变（DR）的进展、糖尿病黄斑水肿（DME）的发展和视力恶化 | NA | 探讨基于OCTA图像的自动化DMI算法对糖尿病视网膜病变进展、糖尿病黄斑水肿发展和视力恶化的预测价值 | 糖尿病患者 | 数字病理学 | 糖尿病视网膜病变 | 光学相干断层扫描血管成像（OCTA） | 深度学习算法 | 图像 | 321只眼，来自178名患者 | NA | NA | NA | NA |
| 2543 | 2024-08-07 |
Self-supervised learning for medical image classification: a systematic review and implementation guidelines
2023-Apr-26, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-023-00811-0
PMID:37100953
|
综述 | 本文对自监督学习在医学图像分类中的应用进行了系统性回顾，并提供了实施指南 | 自监督学习能够从大量无标签的医学数据集中学习有用信息，有助于开发稳健的医学影像模型 | NA | 总结自监督学习在医学图像分类中的应用，并为未来研究提供实施指南 | 自监督学习策略及其在医学影像分类中的应用 | 计算机视觉 | NA | 自监督学习 | NA | 医学图像 | 筛选了412项相关研究，最终包含79篇论文进行数据提取和分析 | NA | NA | NA | NA |
| 2544 | 2024-08-07 |
Multiple sampling schemes and deep learning improve active learning performance in drug-drug interaction information retrieval analysis from the literature
2023-05-30, Journal of biomedical semantics
IF:1.6Q3
DOI:10.1186/s13326-023-00287-7
PMID:37248476
|
研究论文 | 本文首次研究了主动学习在药物-药物相互作用信息检索分析中的应用，并通过多种采样方案和深度学习算法提高了分析效率 | 首次将主动学习应用于药物-药物相互作用信息检索分析，并设计了随机负采样和正采样方法以提高分析效率 | NA | 提高药物-药物相互作用信息从文献中的检索分析效率 | 药物-药物相互作用信息检索分析 | 自然语言处理 | NA | 主动学习 | 支持向量机, 深度学习 | 文本 | PubMed摘要被分为筛选池和未筛选池，具体样本数量未提及 | NA | NA | NA | NA |
| 2545 | 2024-08-07 |
Deep learning on graphs for multi-omics classification of COPD
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0284563
PMID:37083575
|
研究论文 | 本研究利用卷积图神经网络（ConvGNN）结合蛋白质相互作用（PPI）网络和多组学数据，开发了一种慢性阻塞性肺疾病（COPD）分类预测模型 | 首次使用AhGlasso算法重建COPD相关的PPI网络，并扩展ConvGNN方法以整合PPI、蛋白质组学和转录组学数据，提高了分类准确性 | 深度神经网络模型，尤其是图神经网络，在决策过程中难以解释，难以识别对预测贡献最大的特征 | 开发一种结合PPI网络信息和多组学数据的深度学习方法，用于提高COPD的分类准确性 | COPD相关的PPI网络、蛋白质组学和转录组学数据 | 机器学习 | 慢性阻塞性肺疾病 | 卷积图神经网络（ConvGNN） | 卷积图神经网络（ConvGNN） | 蛋白质相互作用网络、蛋白质组学数据、转录组学数据 | 包括COPD病例和对照组的独立转录组学数据集 | NA | NA | NA | NA |
| 2546 | 2024-08-07 |
Explainable variational autoencoder (E-VAE) model using genome-wide SNPs to predict dementia
2023-12, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2023.104536
PMID:37926392
|
研究论文 | 本研究开发了一种可解释的变分自编码器（E-VAE）模型，利用全基因组SNP数据预测痴呆症 | 首次展示了使用遗传变异在独立队列中进行深度学习预测模型对痴呆症的泛化能力 | NA | 阐明与阿尔茨海默病相关痴呆症（ADRD）相关的生物学机制 | 阿尔茨海默病及相关痴呆症（ADRD） | 机器学习 | 痴呆症 | GWAS | 变分自编码器（VAE） | 基因型数据 | 2714名研究参与者和234名验证参与者 | NA | NA | NA | NA |
| 2547 | 2024-08-07 |
Recent advances in artificial intelligence for cardiac CT: Enhancing diagnosis and prognosis prediction
2023-Nov, Diagnostic and interventional imaging
IF:4.9Q1
DOI:10.1016/j.diii.2023.06.011
PMID:37407346
|
综述 | 本文综述了人工智能在心脏CT领域的最新进展，特别是在提高诊断和预测预后方面的应用 | 深度学习技术在放射学中的应用，实现了从大型数据集中自动提取特征和学习，特别是在基于图像的应用中 | 需要进一步的研究和验证来全面评估这些AI驱动技术在心脏CT中的诊断性能、辐射剂量减少能力和临床正确性 | 探讨人工智能在心脏CT领域的应用，以提高诊断和预测预后的准确性 | 心脏CT图像分析及相关诊断技术 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 2548 | 2024-08-07 |
Fast non-iterative algorithm for 3D point-cloud holography
2023-Oct-23, Optics express
IF:3.2Q2
DOI:10.1364/OE.498302
PMID:38017799
|
研究论文 | 本文介绍了一种用于3D点云全息图的快速非迭代算法，该算法通过快速确定性计算来高效分配空间光调制器（SLM）像素，以在多个时间帧中分布所有点的图案。 | 提出的非迭代点云全息算法比迭代Gerchberg-Saxton算法在计算速度上有显著优势，尤其是在高像素数的SLM上。 | 该算法主要针对稀疏点集合的应用，可能不适用于密集点集合或其他类型的全息图生成。 | 开发一种能够在移动或硬件轻量级设置中实时操作的高效3D全息图生成方法。 | 3D点云全息图的生成算法及其在生物显微镜和材料加工中的应用。 | 计算机视觉 | NA | 空间光调制器（SLM） | 非迭代算法 | 3D点云 | 512×512像素数组 | NA | NA | NA | NA |
| 2549 | 2024-08-07 |
MPI-VGAE: protein-metabolite enzymatic reaction link learning by variational graph autoencoders
2023-07-20, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad189
PMID:37225420
|
研究论文 | 本研究开发了一种基于变分图自编码器（VGAE）的框架MPI-VGAE，用于在十种生物的基因组规模异构酶促反应网络中预测代谢物-蛋白质相互作用（MPI） | MPI-VGAE框架首次应用于酶促反应链接预测，并在重建数百条代谢途径、功能性酶促反应网络和代谢物-代谢物相互作用网络时表现出最稳健的性能 | NA | 探索代谢物和蛋白质在细胞过程中的机制功能，理解疾病的病因 | 代谢物-蛋白质相互作用及酶促反应链接 | 机器学习 | 阿尔茨海默病，结直肠癌 | 变分图自编码器（VGAE） | VGAE | 网络数据 | 涉及十种生物的基因组规模异构酶促反应网络 | NA | NA | NA | NA |
| 2550 | 2024-08-07 |
Epiphany: predicting Hi-C contact maps from 1D epigenomic signals
2023-06-06, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-023-02934-9
PMID:37280678
|
研究论文 | 本文提出了一种名为Epiphany的神经网络模型，用于从广泛可用的表观基因组轨迹预测特定细胞类型的Hi-C接触图 | Epiphany模型使用双向长短期记忆层来捕捉长程依赖，并可选地采用生成对抗网络架构以增强接触图的真实性 | NA | 开发一种能够从表观基因组信号预测Hi-C接触图的深度学习模型 | 特定细胞类型的Hi-C接触图 | 机器学习 | NA | 神经网络 | 双向长短期记忆层，生成对抗网络 | 表观基因组轨迹 | NA | NA | NA | NA | NA |
| 2551 | 2024-08-07 |
Predicting Hypoperfusion Lesion and Target Mismatch in Stroke from Diffusion-weighted MRI Using Deep Learning
2023-04, Radiology
IF:12.1Q1
DOI:10.1148/radiol.220882
PMID:36472536
|
研究论文 | 本文使用深度学习模型从扩散加权磁共振成像（DWI）和临床信息中预测脑卒中的低灌注病变并识别目标不匹配患者 | 采用三维U-Net深度学习模型，通过DWI和临床信息预测低灌注病变，并识别目标不匹配患者，其敏感性高于临床-DWI不匹配方法 | NA | 利用深度学习模型预测脑卒中的低灌注病变并识别目标不匹配患者 | 急性缺血性脑卒患者的扩散加权磁共振成像（DWI）和临床信息 | 机器学习 | 脑卒中 | 扩散加权磁共振成像（DWI） | 三维U-Net | 影像数据 | 413名患者（平均年龄67岁，207名男性） | NA | NA | NA | NA |
| 2552 | 2024-08-07 |
XMR: an explainable multimodal neural network for drug response prediction
2023, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2023.1164482
PMID:37600972
|
研究论文 | 本文开发了一种名为XMR的可解释多模态神经网络模型，用于预测药物反应，结合了可见神经网络和图神经网络来学习基因组和药物结构特征 | XMR模型通过多模态融合层整合了可见神经网络和图神经网络，提供了更好的生物学解释性，并提高了预测性能 | NA | 开发一种可解释的多模态神经网络模型，以提高癌症药物反应预测的准确性和生物学解释性 | 三阴性乳腺癌的药物反应预测 | 机器学习 | 乳腺癌 | NA | 多模态神经网络 | 基因组数据和药物分子结构数据 | NA | NA | NA | NA | NA |
| 2553 | 2024-08-07 |
DLC-ac4C: A Prediction Model for N4-acetylcytidine Sites in Human mRNA Based on DenseNet and Bidirectional LSTM Methods
2023-Nov-22, Current genomics
IF:1.8Q3
|
研究论文 | 本文提出了一种基于DenseNet和双向LSTM方法的预测模型DLC-ac4C，用于识别人类mRNA中的N4-乙酰胞苷位点 | 本研究通过结合DenseNet和双向LSTM，并引入通道注意力机制，更好地从序列角度捕捉隐藏的信息特征，提高了ac4C位点的识别效果 | NA | 改进现有计算方法在ac4C位点预测中的性能不足，提出一种新的集成深度学习预测框架 | 人类mRNA中的N4-乙酰胞苷位点 | 机器学习 | NA | DenseNet, 双向LSTM | DenseNet, 双向LSTM | RNA序列 | 独立测试数据 | NA | NA | NA | NA |
| 2554 | 2024-08-07 |
DeepCAC: a deep learning approach on DNA transcription factors classification based on multi-head self-attention and concatenate convolutional neural network
2023-Sep-18, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-023-05469-9
PMID:37723425
|
研究论文 | 提出了一种名为DeepCAC的新方法，利用深度卷积神经网络和多头自注意力机制进行DNA转录因子序列分析 | 采用多头自注意力机制和卷积神经网络相结合的方法，有效捕捉序列中的局部隐藏特征和长距离依赖关系，同时减少了模型参数数量 | 未提及具体限制 | 提高DNA转录因子序列分类的准确性，同时减少模型参数数量 | DNA转录因子序列 | 机器学习 | NA | 深度学习 | CNN, 多头自注意力机制 | 序列数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 2555 | 2024-08-07 |
Nextflow Pipeline for Visium and H&E Data from Patient-Derived Xenograft Samples
2023-Jul-30, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.27.550727
PMID:37546876
|
研究论文 | 开发了一个自动化数据处理管道，用于量化来自患者来源异种移植样本的Visium空间转录组学数据和匹配的苏木精和伊红（H&E）染色图像 | 该管道能够使用Xenome进行读数去卷积，使用Space Ranger量化宿主和移植物种的空间基因表达，提取B等位基因频率，并使用Velocyto进行剪接量化。此外，还生成了与Visium点互补的形态学和深度学习衍生特征量化，实现多模态H&E/表达比较 | NA | 设计一个基于Nextflow DSL2的管道，用于同时处理10x Genomics Visium空间转录组学数据和匹配的H&E染色全切片图像，优化用于患者来源异种移植（PDX）癌症标本 | 患者来源异种移植（PDX）癌症标本 | 数字病理学 | NA | Visium空间转录组学, H&E染色 | NA | 图像, 基因表达数据 | 四个黑色素瘤PDX样本 | NA | NA | NA | NA |
| 2556 | 2024-08-07 |
High-throughput image analysis with deep learning captures heterogeneity and spatial relationships after kidney injury
2023-04-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-33433-3
PMID:37076596
|
研究论文 | 本文利用深度学习技术进行高通量图像分析，以捕捉肾脏损伤后的异质性和空间关系 | 本文提出了一种利用深度学习工具量化肾脏损伤异质性反应的方法，无需特殊设备或编程专业知识 | NA | 研究肾脏损伤后的恢复过程及其异质性和空间关系 | 肾脏损伤后的异质性反应和空间关系 | 计算机视觉 | 肾脏疾病 | 深度学习 | 深度学习模型 | 图像 | 多个肾脏样本 | NA | NA | NA | NA |
| 2557 | 2024-08-07 |
Interpretable spatial cell learning enhances the characterization of patient tissue microenvironments with highly multiplexed imaging data
2023-Mar-28, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.26.534306
PMID:37034738
|
研究论文 | 本文介绍了一种名为InterSTELLAR的几何深度学习框架，用于高多重成像数据，以直接关联组织亚型与具有临床相关性的相应细胞群落 | InterSTELLAR框架能够同时进行组织类型预测和感兴趣的群落检测，性能优于传统方法，并能揭示特定病理特征及潜在的区域与患者预后之间的关系 | NA | 开发一种有效的方法来基于临床结果定义疾病特异性微环境，以增强对患者组织微环境的表征 | 乳腺癌的高多重成像数据 | 数字病理学 | 乳腺癌 | 高多重成像技术 | 几何深度学习框架 | 图像 | 使用公开的乳腺癌成像质谱流式细胞术数据集 | NA | NA | NA | NA |
| 2558 | 2024-08-07 |
Machine-guided discovery of a real-world rogue wave model
2023-Nov-28, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2306275120
PMID:37983488
|
研究论文 | 本文通过因果分析、深度学习、简约模型选择和符号回归，从波浪浮标的大量观测数据中发现海洋怪浪的符号模型 | 本文提出了一种结合机器学习与因果分析的方法，将黑盒模型转化为可解释的数学方程，提高了预测准确性并保持了与现有波浪理论的一致性 | NA | 探索如何利用机器学习模型的高级模式匹配能力进行科学发现 | 海洋怪浪的符号模型 | 机器学习 | NA | 深度学习、符号回归 | 人工神经网络 | 数据 | 大量波浪浮标的观测数据 | NA | NA | NA | NA |
| 2559 | 2024-08-07 |
Multimodal transformer network for incomplete image generation and diagnosis of Alzheimer's disease
2023-12, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种深度学习框架，结合多级引导生成对抗网络（MLG-GAN）和多模态变换器（Mul-T），用于生成不完整图像和疾病分类 | 提出了多级引导生成对抗网络（MLG-GAN）和多模态变换器（Mul-T），能够生成缺失数据并结合全局和局部特征进行疾病诊断 | NA | 开发一种新的深度学习框架，用于处理不完整的多模态脑图像并提高阿尔茨海默病诊断的准确性 | 多模态脑图像和阿尔茨海默病 | 机器学习 | 阿尔茨海默病 | 生成对抗网络（GAN） | 多模态变换器（Mul-T） | 图像 | 三个独立数据集（ADNI-1、ADNI-2和OASIS-3） | NA | NA | NA | NA |
| 2560 | 2024-08-07 |
Image reconstruction using UNET-transformer network for fast and low-dose PET scans
2023-12, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种基于UNET-transformer网络的图像重建方法，用于快速和低剂量的PET扫描 | 结合UNET和Transformer网络的优势，提高低剂量PET图像重建的质量，同时保留边缘和小细节 | 由于可用数据有限和采集图像中噪声水平高，这是一个具有挑战性的问题 | 开发一种有效且准确的基于深度学习的方法，用于重建低剂量PET图像 | 低剂量PET图像 | 计算机视觉 | NA | PET扫描 | UNET-transformer | 图像 | 使用Brainweb仿真数据集和Siemens Biograph mMR PET扫描仪采集的真实患者数据集 | NA | NA | NA | NA |