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 2292 篇文献，本页显示第 861 - 880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 861 | 2024-10-17 |
Deep learning for classifying the stages of periodontitis on dental images: a systematic review and meta-analysis
2023-12-19, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-023-03751-z
PMID:38114946
|
综述 | 本文系统综述和荟萃分析了深度学习算法在牙科图像中分类牙周炎阶段的应用 | 本文首次系统综述和荟萃分析了深度学习在牙周炎分类中的应用，评估了其准确性 | 本文仅限于已发表的研究，可能存在选择偏倚和发表偏倚 | 评估深度学习算法在牙周炎分类中的应用及其准确性 | 牙周炎的分类 | 计算机视觉 | 口腔疾病 | 深度学习 | NA | 图像 | 13项研究 | NA | NA | NA | NA |
| 862 | 2024-10-17 |
scNAT: a deep learning method for integrating paired single-cell RNA and T cell receptor sequencing profiles
2023-12-18, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-023-03129-y
PMID:38111007
|
研究论文 | 提出了一种名为scNAT的深度学习方法，用于整合配对的单细胞RNA和T细胞受体测序数据 | 开发了一种新的深度学习方法scNAT，能够整合单细胞RNA测序和T细胞受体测序数据，并在统一潜在空间中表示数据 | NA | 开发一种新的深度学习方法，用于整合单细胞RNA和T细胞受体测序数据，以进行下游分析 | 单细胞RNA测序和T细胞受体测序数据 | 机器学习 | 多发性硬化症 | 深度学习 | NA | RNA测序数据和T细胞受体测序数据 | NA | NA | NA | NA | NA |
| 863 | 2024-10-17 |
EnzymeMap: curation, validation and data-driven prediction of enzymatic reactions
2023-Dec-13, Chemical science
IF:7.6Q1
DOI:10.1039/d3sc02048g
PMID:38098707
|
研究论文 | 本文介绍了EnzymeMap数据集的构建及其在酶促反应预测中的应用 | 开发了一套校正和验证算法，显著提升了机器学习模型在逆合成、正向预测和区域选择性预测中的表现 | 当前方法受限于可用数据量，尤其是需要平衡和原子映射的反应数据 | 构建高质量数据集以提升酶促反应预测模型的准确性 | 酶促反应及其在化学合成中的应用 | 机器学习 | NA | 机器学习 | 深度学习模型 | 化学反应数据 | 大量文献记录的反应数据 | NA | NA | NA | NA |
| 864 | 2024-10-17 |
SPIN-CGNN: Improved fixed backbone protein design with contact map-based graph construction and contact graph neural network
2023-Dec, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011330
PMID:38060617
|
研究论文 | 本文介绍了一种基于蛋白质接触图谱的图神经网络SPIN-CGNN，用于改进固定骨架蛋白质设计 | 提出了一种基于蛋白质接触图谱的图构建方法，并结合辅助边更新和选择性核，显著提高了序列恢复、困惑度、氨基酸组成偏差、疏水位置保留和低复杂区域保留等方面的性能 | 低复杂区域在设计的序列中仍有待改进，尤其是在生成的结构中 | 改进固定骨架蛋白质设计方法 | 蛋白质序列和结构 | 机器学习 | NA | 图神经网络 (GNN) | 图神经网络 (GNN) | 蛋白质接触图谱 | 未见结构、'幻觉'结构和扩散模型测试 | NA | NA | NA | NA |
| 865 | 2024-10-17 |
Deep Learning-Assisted Design of Novel Promoters in Escherichia coli
2023-Dec, Advanced genetics (Hoboken, N.J.)
DOI:10.1002/ggn2.202300184
PMID:38099247
|
研究论文 | 本文探讨了利用深度学习模型设计大肠杆菌中新型启动子的潜力 | 结合多种深度学习模型设计并预测新型启动子的活性，并提出了关键功能基序的预测方法 | 大多数生成的启动子活性较低 | 开发深度学习工具用于设计启动子并评估其功能 | 大肠杆菌中的启动子设计 | 机器学习 | NA | 深度学习 | 扩散模型 | 序列数据 | 200个训练样本和50个生成样本 | NA | NA | NA | NA |
| 866 | 2024-10-17 |
Noncontact remote sensing of abnormal blood pressure using a deep neural network: a novel approach for hypertension screening
2023-Dec-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-23-970
PMID:38106309
|
研究论文 | 本文开发并评估了一种使用深度学习模型从红外热成像中预测异常高血压的方法 | 首次提出了一种无需接触即可使用现有设备和数据进行高血压筛查的技术 | NA | 开发一种新的方法来早期诊断和治疗高血压 | 红外热成像和血压数据 | 机器学习 | 心血管疾病 | 红外成像 | 深度神经网络 | 图像 | 252名志愿者 | NA | NA | NA | NA |
| 867 | 2024-10-17 |
Automatic calculation of myocardial perfusion reserve using deep learning with uncertainty quantification
2023-Dec-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-23-840
PMID:38106294
|
研究论文 | 本文开发了一种基于深度学习的不确定性量化方法来自动计算心肌灌注储备指数 | 提出了一个全自动的方法来估计心肌灌注储备指数，并使用蒙特卡罗辍学U-Net进行心肌分割和机器学习进行地标定位 | 需要进一步验证该方法在不同数据集和临床环境中的适用性 | 开发一种全自动的方法来估计心肌灌注储备指数并评估其性能 | 心肌灌注储备指数 | 计算机视觉 | 心血管疾病 | 深度学习 | U-Net | 图像 | 测试对象数量未明确提及 | NA | NA | NA | NA |
| 868 | 2024-10-17 |
Predicting rice diseases using advanced technologies at different scales: present status and future perspectives
2023-Dec, aBIOTECH
IF:4.6Q1
DOI:10.1007/s42994-023-00126-4
PMID:38106429
|
综述 | 本文综述了利用机器学习和深度学习模型在不同尺度上预测水稻疾病的图像处理技术 | 本文总结了当前最先进的病原体-植物相互作用表型的光学传感应用 | NA | 探讨利用先进技术在不同尺度上预测水稻疾病的现状和未来展望 | 水稻疾病 | 计算机视觉 | NA | 图像处理技术 | 机器学习 (ML) 和深度学习 (DL) 模型 | 图像 | NA | NA | NA | NA | NA |
| 869 | 2024-10-17 |
A three-dimensional deep learning model for inter-site harmonization of structural MR images of the brain: Extensive validation with a multicenter dataset
2023-Dec, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2023.e22647
PMID:38107313
|
研究论文 | 本文开发了一种基于循环一致对抗网络的三维深度学习模型，用于多中心脑部MRI图像的强度分布协调 | 该模型能够稳定处理三维全脑图像，同时优化计算资源，与以往方法相比具有更高的稳定性和效率 | 尽管模型在多种数据集和指标上表现出了鲁棒性，但仍需在更多实际应用中验证其效果 | 旨在解决多中心MRI研究中因数据池化引入的站点相关变异性问题，以减少后续分析的偏差 | T1加权脑部MRI图像的强度分布协调 | 计算机视觉 | NA | 深度学习 | 循环一致对抗网络 | 图像 | 总共1525名健康成年人的六种不同MRI数据集 | NA | NA | NA | NA |
| 870 | 2024-10-17 |
Image dataset of Pune city historical places for degradation detection, classification, and restoration
2023-Dec, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2023.109794
PMID:38107470
|
研究论文 | 研究了浦那市历史遗迹的图像数据集，用于退化检测、分类和修复 | 创建了一个包含浦那市历史遗迹图像的数据集，包括不同角度、比例和方向的图像，以及白天和夜晚的图像，用于训练计算机视觉模型 | 未提及 | 通过图像数据集和机器学习算法，实现历史遗迹的退化检测、分类和虚拟修复 | 浦那市的历史遗迹，包括其建筑年龄、类型、颜色、形状和大小 | 计算机视觉 | NA | 机器学习、深度学习 | NA | 图像 | 包含浦那市历史遗迹的图像数据集，包括不同角度、比例和方向的图像，以及白天和夜晚的图像 | NA | NA | NA | NA |
| 871 | 2024-10-17 |
Hybrid AI models allow label-free identification and classification of pancreatic tumor repopulating cell population
2023-10-15, Biochemical and biophysical research communications
IF:2.5Q3
DOI:10.1016/j.bbrc.2023.08.015
PMID:37573767
|
研究论文 | 本文开发了一种混合AI模型，用于无标签识别和分类胰腺肿瘤再生细胞（TRCs）群体 | 本文创新性地将深度学习（DL）模型与机器学习（ML）模型结合，实现了对3D纤维蛋白凝胶选择TRCs的高效分类 | NA | 开发一种能够快速、高通量识别和分类胰腺肿瘤再生细胞的方法 | 胰腺肿瘤再生细胞（TRCs）及其亚型 | 机器学习 | 胰腺癌 | 深度学习（DL）、机器学习（ML） | Inception-v3卷积神经网络（CNN）、支持向量机（SVM） | 细胞 | 使用了四种人类胰腺癌细胞系：MIA PaCa-2、PANC-1、CFPAC-1和HPAF-II | NA | NA | NA | NA |
| 872 | 2024-10-17 |
Adversarial training improves model interpretability in single-cell RNA-seq analysis
2023, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbad166
PMID:38099262
|
研究论文 | 本文探讨了通过对抗训练提高单细胞RNA测序数据分析中模型鲁棒性和可解释性的方法 | 首次展示了对抗训练在提高深度学习模型鲁棒性的同时，也能提升模型的可解释性 | 研究仅限于单细胞RNA测序数据的细胞类型预测任务，未在其他任务上进行验证 | 研究如何通过对抗训练提高计算模型的鲁棒性和可解释性 | 单细胞RNA测序数据的细胞类型预测 | 机器学习 | NA | 对抗训练 | 深度学习模型 | 单细胞RNA测序数据 | NA | NA | NA | NA | NA |
| 873 | 2024-10-17 |
Transformer encoder with multiscale deep learning for pain classification using physiological signals
2023, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2023.1294577
PMID:38124717
|
研究论文 | 研究提出了一种名为PainAttnNet的新型深度学习模型，用于使用生理信号进行疼痛强度分类 | 引入了PainAttnNet模型，结合多尺度卷积网络、挤压激励残差网络和Transformer编码器块，以提取多时间窗口的鲁棒特征并增强时间依赖性分析 | NA | 开发一种能够准确分类疼痛强度的深度学习模型，以克服传统自我报告量表的局限性 | 疼痛强度分类 | 机器学习 | NA | 多尺度深度学习 | Transformer编码器 | 生理信号 | BioVid热疼痛数据集 | NA | NA | NA | NA |
| 874 | 2024-10-16 |
Fully automated deep learning models with smartphone applicability for prediction of pain using the Feline Grimace Scale
2023-12-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-49031-2
PMID:38062194
|
研究论文 | 本研究利用深度神经网络和机器学习模型，通过猫面部表情量表（FGS）预测面部标志位置和疼痛评分 | 开发了适用于智能手机的全自动深度学习模型，用于猫急性疼痛评估 | NA | 开发一种自动化的智能手机应用程序，用于猫的急性疼痛评估 | 猫的面部图像和疼痛评分 | 计算机视觉 | NA | 深度神经网络 | 卷积神经网络（CNN）和XGBoost | 图像 | 3447张猫的面部图像，标注了37个面部标志 | NA | NA | NA | NA |
| 875 | 2024-10-16 |
Detection of safety helmet and mask wearing using improved YOLOv5s
2023-12-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-48943-3
PMID:38049536
|
研究论文 | 本文提出了一种结合深度学习和目标检测技术的轻量级人工智能检测方法，用于识别佩戴安全帽和口罩的人员 | 该方法在YOLOv5s网络框架中引入了ShuffleNetv2特征提取机制，并结合ECA注意力机制和优化损失函数，提高了目标检测的精度和效率 | NA | 确保市政建设工程中人员的安全，特别是在疫情控制措施下 | 佩戴安全帽和口罩的人员 | 计算机视觉 | NA | 深度学习 | YOLOv5s | 图像 | NA | NA | NA | NA | NA |
| 876 | 2024-10-16 |
Discovery of a non-canonical GRHL1 binding site using deep convolutional and recurrent neural networks
2023-Dec-04, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-023-09830-3
PMID:38049725
|
研究论文 | 本研究使用深度卷积和循环神经网络发现了GRHL1的非典型结合位点 | 本研究首次使用卷积循环神经网络发现了GRHL1的非典型结合位点，这些位点无法通过传统的PWM方法识别 | 本研究仅限于GRHL1的结合位点预测，未涉及其他转录因子的研究 | 本研究的目的是探索深度学习方法在预测转录因子结合位点中的应用 | 本研究主要研究GRHL1的结合位点 | 机器学习 | NA | ChIP-Seq | 卷积循环神经网络 | DNA序列 | 本研究使用了来自人类细胞的ChIP-Seq实验数据 | NA | NA | NA | NA |
| 877 | 2024-10-16 |
Enhancing Interoperability and Harmonisation of Nuclear Medicine Image Data and Associated Clinical Data
2023-Dec, Nuklearmedizin. Nuclear medicine
DOI:10.1055/a-2187-5701
PMID:37907246
|
综述 | 本文综述了核医学图像数据及其相关临床数据的互操作性和标准化现状 | 探讨了提高数据兼容性和集成性的各种方法和标准，包括结构化临床历史、图像采集和重建的标准化以及图像数据评估的标准化准备 | 未详细讨论具体的技术实现细节和实际应用中的挑战 | 研究核医学图像数据及其相关临床数据的互操作性和标准化问题 | 核医学图像数据及其相关临床数据 | 计算机视觉 | NA | NA | NA | 图像 | NA | NA | NA | NA | NA |
| 878 | 2024-10-16 |
Scaling deep learning for materials discovery
2023-Dec, Nature
IF:50.5Q1
DOI:10.1038/s41586-023-06735-9
PMID:38030720
|
研究论文 | 本文展示了通过大规模训练的图网络模型，显著提高了材料发现的效率 | 通过大规模数据和计算，图网络模型实现了前所未有的泛化能力，将材料发现的效率提高了数量级 | NA | 提高材料发现的效率，扩展已知稳定材料的范围 | 无机晶体材料 | 机器学习 | NA | 图网络 | 图网络 | 晶体结构数据 | 48,000个稳定晶体，220万个新结构 | NA | NA | NA | NA |
| 879 | 2024-10-16 |
Usefulness of machine learning and deep learning approaches in screening and early detection of breast cancer
2023-Dec, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2023.e22427
PMID:38076050
|
研究论文 | 本文系统分析了机器学习和深度学习方法在乳腺癌筛查和早期检测中的应用 | 本文提出了一个全面的分类法，将临床诊断方法与机器学习技术相结合，用于乳腺癌诊断 | 本文讨论了使用机器学习技术的优缺点以及未解决的问题 | 本文旨在为医疗专业人员和技术人员提供新的筛查和诊断工具及方法的深入理解，并识别该领域的新挑战和流行方法 | 本文研究对象为乳腺癌的筛查和早期检测 | 机器学习 | 乳腺癌 | 机器学习、深度学习 | 神经网络、深度学习 | 临床数据 | NA | NA | NA | NA | NA |
| 880 | 2024-10-16 |
Enhancing Ligand Pose Sampling for Molecular Docking
2023-Nov-30, ArXiv
PMID:38076510
|
研究论文 | 本文介绍了两种改进的配体姿态采样协议，用于分子对接中的姿态预测和虚拟筛选 | 提出了GLOW和IVES两种新的姿态采样技术，显著提高了采样准确姿态的可能性，特别是在结合口袋形状变化较大的情况下 | 当前的采样协议在生成候选姿态时经常失败，除非提供正确的姿态信息 | 改进分子对接中的配体姿态采样方法，提高评分函数的准确性 | 配体姿态采样协议及其在分子对接中的应用 | 分子对接 | NA | 分子对接 | NA | 蛋白质-配体对接数据 | 约5000个蛋白质-配体对接对 | NA | NA | NA | NA |