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 1061 - 1080 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1061 | 2024-10-04 |
Deep learning image analysis quantifies tumor heterogeneity and identifies microsatellite instability in colon cancer
2023-Mar, Journal of surgical oncology
IF:2.0Q2
DOI:10.1002/jso.27118
PMID:36251352
|
研究论文 | 本文利用深度学习技术分析结直肠癌的肿瘤异质性并识别微卫星不稳定性 | 提出了肿瘤异质性评分（THS），并发现其与微卫星不稳定性状态相关 | 需要扩展训练集以开发预测微卫星不稳定性的工具 | 研究深度学习在结直肠癌肿瘤异质性和微卫星不稳定性识别中的应用 | 结直肠癌的肿瘤异质性和微卫星不稳定性 | 数字病理学 | 结直肠癌 | 卷积神经网络（CNN） | CNN | 图像 | 313名患者的苏木精-伊红染色（H&E）图像，生成534,771个切片 | NA | NA | NA | NA |
| 1062 | 2024-10-04 |
Automatic deep learning method for third lumbar selection and body composition evaluation on CT scans of cancer patients
2023, Frontiers in nuclear medicine (Lausanne, Switzerland)
DOI:10.3389/fnume.2023.1292676
PMID:39355015
|
研究论文 | 开发并验证了一种深度学习算法，用于自动选择和分割癌症患者CT扫描中的第三腰椎以及评估身体成分 | 首次使用深度学习算法自动选择第三腰椎并分割腹部肌肉、内脏脂肪和皮下脂肪，减少了手动操作的时间和复杂性 | 仅在两个癌症中心的352例CT扫描中进行了验证，可能需要进一步的多中心验证以确保广泛适用性 | 开发一种自动化的深度学习方法，用于癌症患者CT扫描中的第三腰椎选择和身体成分评估 | 癌症患者的CT扫描图像，特别是第三腰椎及其周围的身体成分 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 352例CT扫描 | NA | NA | NA | NA |
| 1063 | 2024-10-04 |
Coupling analysis of heart rate variability and cortical arousal using a deep learning algorithm
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0284167
PMID:37023117
|
研究论文 | 本研究使用深度学习算法分析了心率变异性与皮质觉醒之间的耦合关系 | 首次在多民族人群中研究了皮质觉醒与心率变异性的即时关联 | 研究仅限于多民族动脉粥样硬化研究数据集中的1069名受试者 | 探讨皮质觉醒与心率变异性之间的关联及其在不同性别和睡眠阶段中的差异 | 心率变异性与皮质觉醒的关联 | 心血管疾病 | NA | 深度学习 | 深度学习算法 | 心电信号 | 1069名受试者的整夜心电信号 | NA | NA | NA | NA |
| 1064 | 2024-10-02 |
Unsupervised contrastive graph learning for resting-state functional MRI analysis and brain disorder detection
2023-12-01, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.26469
PMID:37668327
|
研究论文 | 提出了一种无监督对比图学习框架，用于静息态功能磁共振成像分析和脑部疾病检测 | 设计了一种双层fMRI增强策略，通过增强血氧水平依赖信号来增加样本量，并采用两个并行的图卷积网络进行无监督对比学习 | 未提及 | 探索fMRI生物标志物以预测脑部疾病进展，并提出一种无需大量标注数据的无监督学习方法 | 静息态功能磁共振成像数据和脑部疾病 | 机器学习 | NA | 功能磁共振成像 | 图卷积网络 | 图像 | 未具体说明 | NA | NA | NA | NA |
| 1065 | 2024-10-02 |
"A net for everyone": fully personalized and unsupervised neural networks trained with longitudinal data from a single patient
2023-10-31, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-023-01128-w
PMID:37907876
|
研究论文 | 本文探讨了使用单个患者的纵向数据训练个性化无监督神经网络以检测肿瘤进展的概念验证 | 提出了一种使用单个患者的纵向数据训练个性化神经网络的新方法，无需额外的训练数据或手动标注 | 仅在胶质母细胞瘤患者的数据集上进行了验证，尚未在其他类型的肿瘤或疾病中进行测试 | 展示使用单个患者的纵向数据训练深度神经网络以监测肿瘤变化的潜力 | 胶质母细胞瘤患者的脑部MRI图像 | 机器学习 | 脑癌 | MRI | Wasserstein-GAN | 图像 | 64次扫描，来自32名胶质母细胞瘤患者 | NA | NA | NA | NA |
| 1066 | 2024-10-02 |
Detection of ASD Children through Deep-Learning Application of fMRI
2023-Oct-05, Children (Basel, Switzerland)
DOI:10.3390/children10101654
PMID:37892317
|
研究论文 | 本研究开发了一种先进的卷积神经网络算法，用于通过静息态功能磁共振成像早期检测自闭症谱系障碍 | 本研究的创新点在于开发了一种高效的卷积神经网络算法，显著提高了自闭症谱系障碍的早期检测准确性 | NA | 本研究的目的是开发一种计算机辅助的自闭症谱系障碍早期筛查方法 | 本研究的对象是自闭症谱系障碍儿童 | 计算机视觉 | 自闭症谱系障碍 | 功能磁共振成像 | 卷积神经网络 | 图像 | 本研究使用了来自Autism Brain Imaging Data Exchange (ABIDE I)数据库的126名受试者（56名自闭症患者，70名对照组）的数据，共计22,176个二维回波平面样本 | NA | NA | NA | NA |
| 1067 | 2024-10-02 |
SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for Prior-Informed Assessment of Muscle Function and Pathology
2023-10, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202206319
PMID:37582656
|
研究论文 | 本文介绍了一种名为SEMPAI的自增强多光子人工智能系统，用于肌肉功能和病理的先验信息评估 | SEMPAI通过元学习优化先验知识、数据表示和神经网络架构的集成，实现了对小数据集的预测，并在多个预测任务中优于现有技术 | NA | 开发一种能够利用先验知识进行肌肉功能和病理评估的深度学习系统 | 肌肉纤维的功能和病理 | 机器学习 | NA | 多光子显微镜 | 深度学习模型 | 图像 | 十年实验中的大量单肌肉纤维数据 | NA | NA | NA | NA |
| 1068 | 2024-10-02 |
Unlocking the Emotional World of Visual Media: An Overview of the Science, Research, and Impact of Understanding Emotion: Drawing Insights From Psychology, Engineering, and the Arts, This Article Provides a Comprehensive Overview of the Field of Emotion Analysis in Visual Media and Discusses the Latest Research, Systems, Challenges, Ethical Implications, and Potential Impact of Artificial Emotional Intelligence on Society
2023-Oct, Proceedings of the IEEE. Institute of Electrical and Electronics Engineers
DOI:10.1109/JPROC.2023.3273517
PMID:37859667
|
综述 | 本文全面概述了视觉媒体情感分析领域，讨论了最新研究、系统、挑战、伦理影响及其对社会的潜在影响 | 本文结合心理学、工程学和艺术领域的见解，提供了一个多学科的情感分析概述 | 情感分析面临缺乏普遍接受的情感定义和情感主观性及复杂性的挑战 | 探讨视觉媒体中情感理解的心理学基础和计算原理，并讨论其技术挑战和伦理影响 | 视觉媒体中的情感分析 | 计算机视觉 | NA | 深度学习 | NA | 图像和视频 | NA | NA | NA | NA | NA |
| 1069 | 2024-10-02 |
Intelligent Breast Mass Classification Approach Using Archimedes Optimization Algorithm with Deep Learning on Digital Mammograms
2023-Oct-01, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics8060463
PMID:37887593
|
研究论文 | 本文提出了一种基于阿基米德优化算法和深度学习的智能乳腺肿块分类方法，用于数字乳腺X光片的分析 | 本文创新性地结合了阿基米德优化算法和深度学习技术，用于乳腺肿块的分类，并采用了中值滤波和U-Net分割作为预处理步骤 | 本文的实验结果仅基于MIAS数据集，可能需要进一步验证其在其他数据集上的表现 | 本文旨在通过结合生物启发算法和深度学习模型，提高乳腺肿块分类的准确性 | 本文的研究对象是数字乳腺X光片中的乳腺肿块 | 计算机视觉 | 乳腺癌 | 深度学习 | 卷积神经网络 (CNN) 和深度信念网络 (DBN) | 图像 | 本文使用了来自Kaggle仓库的MIAS数据集进行实验 | NA | NA | NA | NA |
| 1070 | 2024-10-02 |
Exploring the Steps of Infrared (IR) Spectral Analysis: Pre-Processing, (Classical) Data Modelling, and Deep Learning
2023-Sep-30, Molecules (Basel, Switzerland)
DOI:10.3390/molecules28196886
PMID:37836728
|
综述 | 本文综述了红外光谱分析的步骤，包括预处理、经典数据建模和深度学习 | 本文探讨了经典机器学习和深度学习在红外光谱分析中的最新进展 | NA | 探讨红外光谱分析中的预处理和数据建模方法 | 红外光谱数据及其在生物医学样本中的应用 | 机器学习 | NA | 红外光谱 | 经典机器学习模型和深度学习模型 | 光谱数据 | NA | NA | NA | NA | NA |
| 1071 | 2024-10-02 |
Developments in Image Processing Using Deep Learning and Reinforcement Learning
2023-Sep-30, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging9100207
PMID:37888314
|
review | 本文综述了深度学习和强化学习在图像处理领域的最新进展和优化方案 | 本文讨论了图像处理应用中的主要改进和最新发展，并提出了未来研究方向 | 尽管取得了良好成果，但该领域仍面临许多挑战 | 探讨图像处理应用中的最新进展和未来研究方向 | 图像处理中的深度学习和强化学习技术 | computer vision | NA | 深度学习和强化学习 | NA | image | NA | NA | NA | NA | NA |
| 1072 | 2024-10-02 |
Simultaneous estimation of gene regulatory network structure and RNA kinetics from single cell gene expression
2023-Sep-23, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.21.558277
PMID:37790443
|
研究论文 | 本文开发了一种深度学习模型，通过单细胞RNA测序数据同时推断基因调控网络结构和RNA动力学参数 | 首次提出了一种能够同时推断基因调控网络结构和RNA动力学参数的深度学习模型，并展示了其在预测基因表达状态和模拟转录因子变化效果方面的优越性 | NA | 构建一个完整的、预测性的生物物理模型，用于描述基因表达调控 | 基因调控网络结构和RNA动力学参数 | 机器学习 | NA | 单细胞RNA测序 | 深度学习模型 | 基因表达数据 | 175,000个单细胞样本 | NA | NA | NA | NA |
| 1073 | 2024-10-02 |
Real-time face mask position recognition system based on MobileNet model
2023-Jun, Smart health (Amsterdam, Netherlands)
DOI:10.1016/j.smhl.2023.100382
PMID:36743719
|
研究论文 | 本文开发并评估了一个基于MobileNet模型的实时口罩佩戴位置识别系统 | 提出了通过微调预训练的MobileNet模型来实现高精度的口罩佩戴位置识别，并开发了一个实时系统 | 未提及 | 开发一个能够自动识别口罩佩戴位置的系统，以确保人们在公共场所正确佩戴口罩 | 口罩佩戴位置的识别 | 计算机视觉 | NA | 深度学习 | MobileNet | 图像 | 391名不同年龄和性别的个体 | NA | NA | NA | NA |
| 1074 | 2024-10-02 |
COVID-19 CT ground-glass opacity segmentation based on attention mechanism threshold
2023-Mar, Biomedical signal processing and control
IF:4.9Q1
DOI:10.1016/j.bspc.2022.104486
PMID:36505089
|
研究论文 | 本文提出了一种基于注意力机制阈值的新方法，用于准确分割COVID-19 CT图像中的磨玻璃影（GGO） | 本文创新性地提出了一个包含注意力机制阈值、轮廓均衡和肺部分割（ACL）的框架，能够根据图像对比度自适应调整阈值参数，从而实现对低对比度GGO图像的准确分割 | NA | 解决COVID-19 CT图像中磨玻璃影（GGO）分割的挑战 | COVID-19患者的CT图像中的磨玻璃影（GGO） | 计算机视觉 | COVID-19 | 注意力机制 | NA | 图像 | 四个COVID数据集 | NA | NA | NA | NA |
| 1075 | 2024-10-02 |
A review of the application of artificial intelligence to nuclear reactors: Where we are and what's next
2023-Mar, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2023.e13883
PMID:36895398
|
综述 | 本文综述了人工智能在核反应堆中的应用现状及未来发展方向 | 提出了将领域知识与数据驱动方法结合以减少数据需求，并推广可解释人工智能技术以提高模型透明度和可靠性 | 数据问题和黑箱困境是阻碍人工智能与核反应堆技术进一步融合的主要障碍 | 探讨人工智能技术在提高核反应堆安全性和经济性方面的应用及未来发展方向 | 核反应堆的设计优化及运行维护 | 机器学习 | NA | 机器学习、深度学习、进化计算 | NA | 实验数据 | NA | NA | NA | NA | NA |
| 1076 | 2024-10-02 |
Exploring a global interpretation mechanism for deep learning networks when predicting sepsis
2023-02-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-30091-3
PMID:36810645
|
研究论文 | 本研究通过一种新的机制解释深度学习模型在预测脓毒症时的全局解释机制，并识别出额外的临床特征 | 提出了一种新的全局解释机制来解释黑箱机器学习模型，并识别出与脓毒症相关的临床特征 | 识别出的特征中，有3个特征与临床特征有强相关性，但未被机制识别 | 通过新的解释机制识别脓毒症检测的额外临床特征，并提供机制的适当评估 | 脓毒症检测的临床特征和黑箱机器学习模型的解释机制 | 机器学习 | 脓毒症 | 长短期记忆网络（LSTM） | LSTM | 生理数据 | 约40,000名重症监护病房（ICU）患者，40个生理变量 | NA | NA | NA | NA |
| 1077 | 2024-10-02 |
A systematic review of machine learning techniques for stance detection and its applications
2023, Neural computing & applications
IF:4.5Q2
DOI:10.1007/s00521-023-08285-7
PMID:36743664
|
综述 | 本文系统回顾了用于立场检测及其应用的机器学习技术 | 本文提出了一个六维分类法，用于分类和分析立场检测相关的研究，并指出了深度学习模型中自注意力机制的广泛应用 | 尽管机器学习模型在立场检测领域显示出潜力，但在现实世界中的应用仍然有限 | 回顾和分析用于立场检测的机器学习技术及其应用 | 立场检测及其相关应用 | 自然语言处理 | NA | 机器学习 | 深度学习模型 | 文本 | 96项主要研究 | NA | NA | NA | NA |
| 1078 | 2024-10-02 |
Cross-sectional Ct distributions from qPCR tests can provide an early warning signal for the spread of COVID-19 in communities
2023, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2023.1185720
PMID:37841738
|
研究论文 | 本研究利用qPCR测试中的Ct值分布来改进COVID-19预测模型，以提前预警社区中的疫情传播 | 开发了一种基于Ct值的预测模型，能够比传统的基于病例数的模型更早地预测疫情波峰 | 需要进一步验证模型在不同地区和时间段的适用性 | 改进COVID-19预测模型，提前预警疫情波峰 | COVID-19疫情传播的早期预警 | 机器学习 | COVID-19 | qPCR | 深度学习模型 | Ct值 | 2020年8月至2022年1月期间在Northeastern University收集的PCR数据 | NA | NA | NA | NA |
| 1079 | 2024-10-02 |
Computational methods for in situ structural studies with cryogenic electron tomography
2023, Frontiers in cellular and infection microbiology
IF:4.6Q1
DOI:10.3389/fcimb.2023.1135013
PMID:37868346
|
综述 | 本文综述了低温电子断层扫描（cryo-ET）中用于原位结构研究的计算方法，包括数据处理流程、经典数学模型和深度学习方法 | 本文总结了经典数学模型和深度学习方法在cryo-ET重建过程中的应用，并讨论了当前的局限性和未来展望 | 低温电子断层扫描中的低信噪比和缺失楔形区域是重建过程中的主要挑战 | 提高cryo-ET数据集的三维高分辨率结构重建 | 低温电子断层扫描数据处理流程和重建方法 | 计算机视觉 | NA | 低温电子断层扫描（cryo-ET） | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1080 | 2024-10-02 |
Prediction of transient and permanent protein interactions using AI methods
2023, Bioinformation
DOI:10.6026/97320630019749
PMID:37885791
|
研究论文 | 本文利用人工智能方法预测蛋白质的瞬时和永久相互作用 | 本文开发了五种监督机器学习模型和一种人工神经网络深度学习方法来预测蛋白质的瞬时和永久相互作用，并分析了影响这些相互作用的关键物理化学和几何特征 | 本文未提及具体的局限性 | 理解蛋白质相互作用的细节，发现抑制剂，并了解蛋白质相互作用的性质和功能 | 蛋白质-蛋白质相互作用（PPIs）的瞬时和永久分类 | 机器学习 | NA | 监督机器学习，人工神经网络 | k-NN，其他四种未明确提及的监督机器学习模型 | 蛋白质-蛋白质复合物的物理化学、几何和结构特征 | 402个蛋白质-蛋白质复合物 | NA | NA | NA | NA |