深度学习在生物医药领域中的应用
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，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10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 2137 篇文献，本页显示第 381 - 400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 381 | 2025-02-07 |
Graph Neural Networks in Cancer and Oncology Research: Emerging and Future Trends
2023-Dec-15, Cancers
IF:4.5Q1
DOI:10.3390/cancers15245858
PMID:38136405
|
综述 | 本文综述了图神经网络（GNNs）在癌症和肿瘤学研究中的应用，并探讨了未来的研究趋势 | 本文首次系统性地总结了2020年以来GNN在癌症和肿瘤学研究中的应用，并提出了未来研究的方向 | 本文主要基于现有文献进行综述，未涉及具体的实验验证 | 探讨图神经网络在癌症和肿瘤学研究中的应用及其未来趋势 | 癌症和肿瘤学研究中的多模态图数据 | 机器学习 | 癌症 | 图神经网络（GNNs） | GNN | 图数据（分子结构、空间分辨成像、数字病理学、生物网络、知识图谱等） | NA |
| 382 | 2025-02-06 |
Deep-learning-assisted reconfigurable metasurface antenna for real-time holographic beam steering
2023-Jun, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2022-0789
PMID:39633750
|
研究论文 | 本文提出了一种能够实时全息波束转向的超表面天线，并采用深度学习算法来控制天线状态 | 采用深度学习算法结合自编码器和电磁散射方程，实时确定目标远场模式所需的状态，避免了传统迭代方法的低效性 | 需要验证Born近似在更复杂场景下的有效性 | 开发一种能够实时控制全息波束转向的超表面天线 | 超表面天线及其点偶极子元件 | 机器学习 | NA | 深度学习 | 自编码器 | 电磁散射数据 | NA |
| 383 | 2025-02-06 |
A deep neural network for general scattering matrix
2023-Jun, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2022-0770
PMID:39633768
|
研究论文 | 本文开发了一个深度神经网络（DNN），用于计算无对称性散射体的散射矩阵，速度比有限元求解器快数千倍 | 开发了一个能够快速计算无对称性散射体散射矩阵的深度神经网络，并且该网络的结果自然满足能量守恒、时间反演和互易性等基本物理原理 | 未提及具体样本大小或实验验证的详细数据 | 研究散射问题的深度学习方法 | 无对称性散射体的散射矩阵 | 机器学习 | NA | 深度神经网络（DNN） | DNN | 数值数据 | NA |
| 384 | 2025-02-05 |
Deep-learning CT reconstruction in clinical scans of the abdomen: a systematic review and meta-analysis
2023-08, Abdominal radiology (New York)
DOI:10.1007/s00261-023-03966-2
PMID:37280374
|
系统综述与荟萃分析 | 本文对两种最常见的商用深度学习CT重建算法在腹部临床扫描中的应用进行了系统综述和荟萃分析 | 首次对True Fidelity (TF)和Advanced intelligent Clear-IQ Engine (AiCE)这两种商用深度学习CT重建算法在腹部扫描中的应用进行了系统综述和荟萃分析 | 仅评估了单一供应商的双能量CT，且高DLR重建强度下存在轻微信号丢失和模糊现象 | 评估深度学习CT重建算法在腹部扫描中的图像质量和辐射剂量减少潜力 | 腹部CT扫描 | 医学影像 | NA | 深度学习CT重建 | 深度学习算法 | CT图像 | 44篇文章，其中32篇评估TF，12篇评估AiCE |
| 385 | 2025-02-05 |
Predicting pathological complete response to neoadjuvant systemic therapy for triple-negative breast cancers using deep learning on multiparametric MRIs
2023-07, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC40787.2023.10340987
PMID:38083160
|
研究论文 | 本文训练并验证了一个深度学习模型，用于预测三阴性乳腺癌（TNBC）患者对新辅助系统治疗（NAST）的病理完全缓解（pCR）反应 | 利用治疗前和治疗后四个周期的多参数MRI数据，通过深度学习模型预测TNBC患者的治疗反应，具有较高的预测准确性 | 模型的验证和测试结果在不同组别之间存在一定的差异，可能需要在更大规模的数据集上进行进一步验证 | 预测三阴性乳腺癌患者对新辅助系统治疗的病理完全缓解反应 | 三阴性乳腺癌患者 | 数字病理学 | 乳腺癌 | 动态对比增强MRI（DCE-MRI）和扩散加权成像（DWI） | 深度学习模型 | 图像 | 未明确提及具体样本数量 |
| 386 | 2025-02-04 |
Digital labeling for 3D histology: segmenting blood vessels without a vascular contrast agent using deep learning
2023-Jun-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.480230
PMID:37342724
|
研究论文 | 本文介绍了一种名为'数字标记'的方法，利用深度学习在无需血管对比剂的情况下，仅基于自发荧光信号和核染色（DAPI）对3D组织中的血管进行分割 | 创新点在于使用基于U-net架构的深度学习神经网络，并采用回归损失而非常见的分割损失，以提高小血管的检测精度 | 未来需要验证该方法是否适用于其他生物结构的分割 | 研究目的是开发一种无需血管对比剂即可对3D组织中的血管进行分割的方法 | 研究对象是3D组织中的血管 | 数字病理学 | NA | 光学组织透明化和3D荧光显微镜 | U-net | 3D图像 | NA |
| 387 | 2025-02-02 |
Near-lifespan longitudinal tracking of brain microvascular morphology, topology, and flow in male mice
2023-05-24, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-38609-z
PMID:37221202
|
研究论文 | 本文介绍了一套方法，用于在超过七个月的时间内测量小鼠大脑血管的动态和解剖结构，利用光学相干断层扫描（OCT）和深度学习图像处理算法的进步 | 开发了一种能够在同一视野内长期跟踪大脑微血管形态、拓扑和血流的方法，结合了OCT和深度学习技术 | 研究仅限于雄性小鼠，未涉及雌性或其他模型系统 | 研究目的是开发一种能够长期跟踪大脑微血管变化的技术，以研究年龄相关的神经退行性疾病和正常衰老过程中的血管变化 | 雄性小鼠（包括野生型和3xTg模型） | 数字病理学 | 老年疾病 | 光学相干断层扫描（OCT），深度学习图像处理算法 | 深度学习 | 图像 | 未明确提及具体样本数量，但涉及野生型和3xTg雄性小鼠 |
| 388 | 2025-02-02 |
Digital staining facilitates biomedical microscopy
2023, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2023.1243663
PMID:37564725
|
研究论文 | 本文探讨了使用深度学习技术进行数字染色以简化生物医学显微镜中的染色过程 | 提出了使用深度学习技术进行虚拟染色的方法，避免了传统染色方法的耗时、费力、昂贵和样本损伤等问题 | 未提及具体的技术局限或实验结果的限制 | 旨在改进生物医学显微镜中的样本制备和成像过程 | 生物样本的显微镜成像 | 数字病理学 | NA | 深度学习 | 神经网络 | 图像 | NA |
| 389 | 2025-01-19 |
Artificial intelligence for natural product drug discovery
2023-11, Nature reviews. Drug discovery
DOI:10.1038/s41573-023-00774-7
PMID:37697042
|
研究论文 | 本文探讨了计算组学技术和人工智能在天然产物药物发现中的协同作用 | 结合计算组学技术和机器学习，提出了一种新的方法来发现天然产物中的药物候选分子 | 需要高质量的数据集来训练深度学习算法，并且需要适当的算法验证策略 | 探索如何有效地从自然界产生的众多分子中识别药物候选分子 | 天然产物 | 机器学习 | NA | 计算组学技术 | 深度学习 | 分子数据 | NA |
| 390 | 2025-01-29 |
Deep-learning-based image segmentation for image-based computational hemodynamic analysis of abdominal aortic aneurysms: a comparison study
2023-09-12, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/acf3ed
PMID:37625388
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 391 | 2025-01-29 |
Evolution of Breast Cancer Recurrence Risk Prediction: A Systematic Review of Statistical and Machine Learning-Based Models
2023-08, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.23.00049
PMID:37566789
|
系统综述 | 本文系统回顾了2008年至2022年间发表的统计和机器学习模型，用于预测乳腺癌复发风险 | 本文首次系统性地比较了统计和机器学习模型在乳腺癌复发风险预测中的应用，并强调了患者种族多样性的重要性 | 机器学习模型的实用性可能受到解释性有限和泛化能力降低的限制，且现有模型主要忽略了非洲和中东人群 | 评估和比较统计与机器学习模型在乳腺癌复发风险预测中的表现 | 乳腺癌复发风险预测模型 | 机器学习 | 乳腺癌 | 统计方法和机器学习方法 | 支持向量机、决策树、逻辑回归、朴素贝叶斯、深度学习、集成学习 | 回顾性临床数据 | 163篇论文，其中23篇被进一步分析 |
| 392 | 2025-01-29 |
Dual-sensory fusion self-powered triboelectric taste-sensing system towards effective and low-cost liquid identification
2023-08, Nature food
IF:23.6Q1
DOI:10.1038/s43016-023-00817-7
PMID:37563492
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 393 | 2025-01-25 |
Shape-Aware 3D Small Vessel Segmentation with Local Contrast Guided Attention
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43901-8_34
PMID:38500803
|
研究论文 | 本文提出了一种新颖的自监督网络，用于从3D成像数据中改进小血管的检测 | 提出了一种形状感知的基于通量的测量方法，以及局部对比度引导的注意力和增强模块，以提高低对比度血管区域的血管性响应 | 依赖于现有成像技术的相对有限分辨率，且需要熟练专家进行精确的像素级注释 | 改进从3D成像数据中检测小血管的自动化分割和分析 | 小血管 | 计算机视觉 | NA | 自监督学习 | 自监督网络 | 3D成像数据 | 多个3D数据集 |
| 394 | 2025-01-25 |
Early diagnosis of COVID-19-affected patients based on X-ray and computed tomography images using deep learning algorithm
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-020-05275-y
PMID:32904395
|
研究论文 | 本研究利用深度学习算法对COVID-19患者的X射线和计算机断层扫描图像进行早期诊断 | 使用卷积神经网络方法对VGG-19、Inception_V2和决策树模型进行二分类肺炎转换，以实现COVID-19的早期诊断 | 数据集仅包含360张图像，样本量较小 | 开发一种基于深度学习的早期诊断方法，以应对COVID-19的快速传播 | COVID-19患者的X射线和计算机断层扫描图像 | 计算机视觉 | COVID-19 | 深度学习 | CNN（VGG-19, Inception_V2）, 决策树 | 图像 | 360张X射线和CT扫描图像 |
| 395 | 2025-01-25 |
COVID-CheXNet: hybrid deep learning framework for identifying COVID-19 virus in chest X-rays images
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-020-05424-3
PMID:33250662
|
研究论文 | 本文开发了一种名为COVID-CheXNet的混合深度学习框架，用于在胸部X光图像中识别COVID-19病毒 | 结合了ResNet34和高分辨率网络模型的预训练深度学习模型，采用并行架构，提高了诊断的准确性和速度 | 未提及模型在不同数据集上的泛化能力及实际临床应用的广泛验证 | 开发快速准确的COVID-19病毒诊断系统，以减轻放射科医生的压力并控制疫情 | 胸部X光图像 | 计算机视觉 | COVID-19 | 深度学习 | ResNet34, 高分辨率网络模型 | 图像 | 大规模数据集 |
| 396 | 2025-01-25 |
Performance evaluation of deep learning techniques for lung cancer prediction
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-023-08313-7
PMID:37255920
|
研究论文 | 本文评估了深度学习技术在肺癌预测中的性能 | 通过实验多种深度学习模型，识别出在肺癌预测中表现最佳的技术 | 未提及具体的数据集大小或模型的具体限制 | 评估深度学习技术在肺癌早期预测中的性能 | 肺癌 | 计算机视觉 | 肺癌 | 深度学习 | 多种深度学习模型 | 胸部X光图像或CT扫描 | 未提及具体样本数量 |
| 397 | 2025-01-24 |
Deep Learning Models for Predicting Left Heart Abnormalities From Single-Lead Electrocardiogram for the Development of Wearable Devices
2023-12-25, Circulation journal : official journal of the Japanese Circulation Society
IF:3.1Q2
DOI:10.1253/circj.CJ-23-0216
PMID:37967949
|
研究论文 | 本研究开发了基于单导联心电图（Lead I ECG）的深度学习模型，用于预测左心异常，以支持可穿戴设备的发展 | 首次利用单导联心电图数据开发深度学习模型，用于检测多种左心异常，并在多中心数据集上验证其性能优于或等同于心脏病专家使用12导联心电图的诊断结果 | 研究依赖于特定数据集，可能无法完全推广到其他人群或设备 | 开发基于单导联心电图的深度学习模型，用于预测左心异常，以支持可穿戴设备的应用 | 左心异常（包括低射血分数、室壁运动异常、左心室肥厚、左心室扩张和左心房扩张） | 机器学习 | 心血管疾病 | 深度学习 | 深度学习模型 | 心电图数据 | 229,439对心电图和超声心动图数据，来自8个设施，并在2个设施的外部数据上验证 |
| 398 | 2025-01-23 |
A comprehensive survey of complex brain network representation
2023-Nov, Meta-radiology
DOI:10.1016/j.metrad.2023.100046
PMID:39830588
|
综述 | 本文综述了利用神经影像数据理解大脑结构和功能变化及其与神经退行性疾病和其他临床表型关系的最新进展 | 本文综合了传统方法和深度学习技术在脑网络挖掘中的应用，并探讨了该领域的未来研究方向 | 本文主要关注方法学综述，未涉及具体实验数据或结果 | 探讨脑网络分析的传统方法和深度学习方法 | 神经影像数据及其衍生的脑网络 | 机器学习 | 神经退行性疾病 | NA | 深度学习 | 神经影像数据 | NA |
| 399 | 2025-01-23 |
Gadolinium-Free Cardiac MRI Myocardial Scar Detection by 4D Convolution Factorization
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43895-0_60
PMID:39829676
|
研究论文 | 本文提出了一种新型的深度时空残差注意力网络（ST-RAN），用于在无钆对比剂的心脏磁共振成像中检测心肌瘢痕 | 提出了一个新型的因子化4D（3D+时间）卷积层，结合时空注意力机制，以提取丰富的全心脏特征并跟踪帧间的长程时间关系，同时引入了残差注意力块来提取不同尺度的时空特征，以检测与瘢痕相关的细微对比变化 | 尽管模型在缺血性和非缺血性心脏病中表现出色，但仍需进一步验证其在更广泛临床环境中的适用性和稳定性 | 开发一种无需钆对比剂的心脏磁共振成像技术，用于检测心肌瘢痕 | 心脏磁共振成像数据 | 计算机视觉 | 心血管疾病 | 心脏磁共振成像（CMR） | 深度时空残差注意力网络（ST-RAN） | 图像 | 3000名患者 |
| 400 | 2025-01-23 |
Deep learning-based protoacoustic signal denoising for proton range verification
2023-05-12, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/acd257
PMID:37141867
|
研究论文 | 本文提出了一种基于深度学习的原声信号去噪技术，用于质子治疗中的质子范围验证 | 提出了一种新型的深度学习技术，用于去噪原声信号，并在低剂量下减少布拉格峰（BP）范围的不确定性 | 研究仅在聚乙烯（PE）模型上进行，未在真实人体组织中进行验证 | 提高质子治疗中原声信号的信噪比（SNR）和布拉格峰（BP）范围验证的准确性 | 原声信号 | 机器学习 | NA | 深度学习 | 堆叠自编码器（SAE） | 声信号 | 512个原始信号，每个设备 |