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 2564 篇文献，本页显示第 1501 - 1520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1501 | 2024-09-28 |
Machine learning in metastatic cancer research: Potentials, possibilities, and prospects
2023, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2023.03.046
PMID:37077177
|
综述 | 本文综述了经典机器学习和深度学习在转移性癌症研究中的应用 | 本文指出了现有模型在临床试验数据中由于样本多样性不足可能导致泛化能力被高估的问题 | 深度学习模型的黑箱性质和高计算成本是其主要局限 | 探讨机器学习和深度学习在转移性癌症研究中的潜力和前景 | 转移性癌症的早期检测、生物标志物识别和治疗选择 | 机器学习 | 癌症 | 深度学习 | NA | 图像 | 临床试验数据中的样本多样性不足 | NA | NA | NA | NA |
| 1502 | 2024-09-28 |
Deep Convolutional Neural Networks for Detecting COVID-19 Using Medical Images: A Survey
2023, New generation computing
IF:2.0Q2
DOI:10.1007/s00354-023-00213-6
PMID:37229176
|
综述 | 本文综述了2020年1月至2022年9月期间使用深度学习模型进行COVID-19检测的研究 | 本文比较了不同深度学习方法在COVID-19检测中的应用，并提供了该领域的未来发展方向 | NA | 探讨深度学习在COVID-19检测中的应用 | COVID-19检测 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 1503 | 2024-09-28 |
On the Analyses of Medical Images Using Traditional Machine Learning Techniques and Convolutional Neural Networks
2023, Archives of computational methods in engineering : state of the art reviews
IF:9.7Q1
DOI:10.1007/s11831-023-09899-9
PMID:37260910
|
综述 | 本文综述了卷积神经网络（CNN）在医学图像分析中的应用及其内部结构和挑战 | 本文介绍了深度学习中不同的激活函数、超参数优化、正则化、动量和损失函数对CNN性能的改进 | NA | 探讨CNN在医学图像分析中的应用及其内部结构和挑战 | 卷积神经网络及其在医学图像分析中的应用 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | NA | NA | NA | NA | NA |
| 1504 | 2024-09-28 |
Multi-modal medical image classification using deep residual network and genetic algorithm
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0287786
PMID:37384779
|
研究论文 | 本文提出了一种基于深度残差网络和遗传算法的多模态医学图像分类方法 | 利用深度学习模型ResNet50结合遗传算法，提高了多模态医学图像分类的准确性 | NA | 旨在缩小语义鸿沟并提高多模态医学图像分类的性能 | 多模态医学图像 | 计算机视觉 | NA | 深度学习 | ResNet50 | 图像 | 28378张多模态医学图像 | NA | NA | NA | NA |
| 1505 | 2024-09-28 |
Generic Interpretable Reaction Condition Predictions with Open Reaction Condition Datasets and Unsupervised Learning of Reaction Center
2023, Research (Washington, D.C.)
DOI:10.34133/research.0231
PMID:37849643
|
研究论文 | 本文提出了一个基于Transformer的反应条件预测模型Parrot，并创建了两个标准化的反应条件数据集 | 提出了一个强大的、可解释的Transformer模型Parrot，用于反应条件预测，并创建了两个标准化的反应条件数据集 | 训练数据集的多样性可能仍然有限 | 解决深度学习辅助合成规划中反应条件预测的挑战 | 反应条件预测模型和标准化数据集 | 机器学习 | NA | Transformer | Transformer | 文本 | 两个标准化的反应条件数据集，涵盖广泛的反应类别 | NA | NA | NA | NA |
| 1506 | 2024-09-28 |
Deep learning-empowered crop breeding: intelligent, efficient and promising
2023, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2023.1260089
PMID:37860239
|
研究论文 | 本文探讨了深度学习在作物育种中的应用，旨在提高育种效率和作物品质 | 提出了基于深度学习的作物育种策略，以加速作物改良和提高育种效率 | 当前面临数据复杂性、数据获取困难和预测精度低等挑战 | 提高作物育种效率和作物品质 | 作物育种过程 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 1507 | 2024-09-28 |
Nucleotide-level prediction of CircRNA-protein binding based on fully convolutional neural network
2023, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2023.1283404
PMID:37867600
|
研究论文 | 本文提出了一种基于全卷积神经网络的CircRNA-蛋白质结合位点预测方法 | 将CircRNA-蛋白质结合位点预测视为核苷酸级别的二分类任务，并使用全卷积神经网络进行预测 | 现有方法在准确预测具有特殊功能的motif位点方面表现不佳 | 研究CircRNA-蛋白质结合位点的预测及其在基因表达调控中的作用 | CircRNA-蛋白质结合位点及其motif功能 | 计算机视觉 | NA | 全卷积神经网络 | 全卷积神经网络 | 序列 | NA | NA | NA | NA | NA |
| 1508 | 2024-09-28 |
Stacked ensemble deep learning for pancreas cancer classification using extreme gradient boosting
2023, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2023.1232640
PMID:37876961
|
研究论文 | 本文介绍了一种用于胰腺CT图像分类的堆叠集成深度学习方法 | 提出了堆叠集成深度学习（SEDL）方法，结合Inception V3、VGG16和ResNet34作为弱学习器，并使用极端梯度提升（XGBoost）作为强学习器进行最终分类 | 未提及具体限制 | 提高胰腺CT图像分类的预测性能 | 胰腺CT医学图像 | 计算机视觉 | 胰腺癌 | 极端梯度提升（XGBoost） | 堆叠集成模型 | 图像 | 222张图像，来自80个胰腺CT扫描，分辨率为512*512像素，包括53名男性和27名女性 | NA | NA | NA | NA |
| 1509 | 2024-09-28 |
Convolutional neural network model by deep learning and teaching robot in keyboard musical instrument teaching
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0293411
PMID:37883500
|
研究论文 | 研究通过深度学习和教学机器人在键盘乐器教学中的应用，提出了一种卷积神经网络模型，以改进学前教育的键盘乐器教学 | 提出了将智能技术与键盘乐器教学相结合的方法，通过教学机器人和深度学习模型实现个性化教学 | 未详细说明教学机器人的具体设计和实现细节，以及深度学习模型的训练数据和评估方法 | 探讨当前学前教育中键盘乐器教学的现状，提出改进方案，并验证教学机器人在键盘乐器教学中的应用效果 | 学前教育中的键盘乐器教学 | 机器学习 | NA | 深度学习 | 卷积神经网络（CNN） | 图像 | 参与键盘乐器教学的学生 | NA | NA | NA | NA |
| 1510 | 2024-09-28 |
Revealing the impact of psychiatric comorbidities on treatment outcome in early psychosis using counterfactual model explanation
2023, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2023.1237490
PMID:37900290
|
研究论文 | 研究利用多模态深度学习架构和反事实模型解释技术，探讨精神共病对早期精神病治疗结果的影响 | 引入反事实模型解释技术，分析MINI评分对缓解概率的影响，并识别出对缓解概率影响最大的特定共病 | 研究结果主要基于OPTiMiSE研究的多中心样本，可能存在样本偏倚 | 探讨精神共病对早期精神病治疗结果的影响，并改进个体化预测模型 | 早期精神病患者及其精神共病 | 机器学习 | 精神病 | 多模态深度学习 | 深度学习模型 | 文本 | 来自OPTiMiSE研究的多中心早期精神病患者样本 | NA | NA | NA | NA |
| 1511 | 2024-09-27 |
An alternatively spliced PD-L1 isoform PD-L1∆3, and PD-L2 expression in breast cancers: implications for eligibility scoring and immunotherapy response
2023-Dec, Cancer immunology, immunotherapy : CII
DOI:10.1007/s00262-023-03543-y
PMID:37768345
|
研究论文 | 研究探讨了乳腺癌中PD-L1的剪接变体PD-L1∆3和PD-L2的表达，及其对免疫治疗反应的影响 | 首次发现PD-L1的剪接变体PD-L1∆3在乳腺癌中的表达，并揭示了PD-L2与PD-L1水平的相关性及其对免疫逃逸的影响 | 需要进一步验证PD-L1∆3和PD-L2在不同肿瘤类型中的表达及其对免疫治疗的具体影响 | 探索PD-L1和PD-L2在乳腺癌中的表达及其对免疫治疗反应的影响 | PD-L1的剪接变体PD-L1∆3和PD-L2在乳腺癌中的表达 | 数字病理学 | 乳腺癌 | 转录组分析、结构建模、免疫组化 | AlphaFold2 | 蛋白质模型 | 涉及TCGA数据库中的乳腺癌和其他肿瘤样本 | NA | NA | NA | NA |
| 1512 | 2024-09-27 |
Adapting model-based deep learning to multiple acquisition conditions: Ada-MoDL
2023-11, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29750
PMID:37332189
|
研究论文 | 本文介绍了一种基于模型的深度学习网络，能够在多种采集条件下从欠采样的并行MRI数据中提供高质量的重建 | 提出了一种单一的展开架构，通过调整卷积神经网络（CNN）特征和正则化参数的权重，适应不同的采集设置 | NA | 开发一种能够在多种采集条件下提供高质量重建的单一模型 | 欠采样的并行MRI数据 | 计算机视觉 | NA | 卷积神经网络（CNN） | 多层感知器模型 | 图像 | 使用来自多种采集设置的数据进行训练，包括不同的场强、加速和对比度 | NA | NA | NA | NA |
| 1513 | 2024-09-27 |
3D Ultrasonic Brain Imaging with Deep Learning Based on Fully Convolutional Networks
2023-Oct-09, Sensors (Basel, Switzerland)
DOI:10.3390/s23198341
PMID:37837171
|
研究论文 | 本文介绍了一种基于全卷积网络的3D超声脑成像深度学习算法 | 提出了Brain Imaging Full Convolution Network (BIFCN)算法，结合波形建模和深度学习进行精确的脑超声重建 | 实验结果在实验室中略低于模拟实验，且需要纯水作为初始模型 | 开发一种安全、快速且广泛适用的脑成像技术 | 成人颅内脑组织的3D超声成像 | 计算机视觉 | NA | 超声成像 | 全卷积网络 (FCN) | 图像 | 10个样本 | NA | NA | NA | NA |
| 1514 | 2024-09-27 |
Go with the flow: deep learning methods for autonomous viscosity estimations
2023-Oct-09, Digital discovery
IF:6.2Q1
DOI:10.1039/d3dd00109a
PMID:38013903
|
研究论文 | 本文提出了一种使用卷积神经网络（CNN）进行自主粘度估计的方法，通过非侵入性地提取流体流动的时空特征来替代传统的粘度测量方法 | 本文的创新点在于使用3D卷积神经网络（3D-CNN）进行粘度估计，并通过实验证明其性能优于人类观察者 | 本文的局限性在于仅在实验室条件下进行了验证，尚未在实际工业应用中进行测试 | 本文的研究目的是开发一种快速、非侵入性的粘度测量方法，以加速材料发现和过程控制 | 本文的研究对象是流体的粘度及其在流体流动中的时空特征 | 机器学习 | NA | 卷积神经网络（CNN） | 3D卷积神经网络（3D-CNN） | 视频 | 本文使用了少于50个视频样本进行训练，每个液体类别约50个视频 | NA | NA | NA | NA |
| 1515 | 2024-09-27 |
disperseNN2: a neural network for estimating dispersal distance from georeferenced polymorphism data
2023-Oct-05, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.30.551115
PMID:37577624
|
研究论文 | 本文介绍了一种名为disperseNN2的深度学习工具，用于从地理参考的多态性数据中估计每代平均扩散距离 | disperseNN2通过使用样本的地理信息，在特征提取方面优于不使用显式空间信息的先进深度学习方法，平均相对绝对误差分别降低了33%和48% | NA | 开发一种能够从地理参考的多态性数据中估计生物扩散距离的深度学习工具 | 生物的扩散距离 | 机器学习 | NA | 深度学习 | 神经网络 | 多态性数据 | 10和100个个体 | NA | NA | NA | NA |
| 1516 | 2024-09-27 |
Preparing Data for Artificial Intelligence in Pathology with Clinical-Grade Performance
2023-Oct-03, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics13193115
PMID:37835858
|
综述 | 本文回顾了2017年至2022年间在PubMed数据库中发表的与人工智能病理学（AIP）相关的研究，深入分析了数据准备方法，并探讨了提高AIP临床性能的有效策略 | 提出了基于全片图像（WSI）的弱监督学习方法和数据标准化技术，以克服AIP性能复现的障碍 | 未提及具体的研究局限性 | 探讨如何通过数据准备方法提高人工智能病理学在临床实践中的性能 | 病理组织切片的数据获取、清洗、筛选和数字化，以及模型训练和验证的数据集划分 | 数字病理学 | NA | 弱监督学习方法，数据标准化 | NA | 图像 | 118项研究 | NA | NA | NA | NA |
| 1517 | 2024-09-27 |
Development and Validation of a Model to Quantify Injury Severity in Real Time
2023-10-02, JAMA network open
IF:10.5Q1
|
研究论文 | 开发并验证了一种实时量化损伤严重程度的模型 | 提出了一个实用的模型，通过有限数量的损伤模式实时量化损伤严重程度，并使用三个直观的输出结果 | 模型在预测住院死亡率时存在高估的情况，需要进一步研究以在大规模应用中评估其性能 | 开发和验证一个实用的模型，用于实时量化损伤严重程度 | 成人创伤性损伤患者 | NA | NA | 多任务深度学习 | 多任务深度学习模型 | 数据集 | 372,573例创伤性损伤患者 | NA | NA | NA | NA |
| 1518 | 2024-09-27 |
Composition Based Oxidation State Prediction of Materials Using Deep Learning Language Models
2023-Oct, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202301011
PMID:37551059
|
研究论文 | 本文提出了一种基于深度学习的BERT变换器语言模型BERTOS，用于预测无机化合物中所有元素的氧化态 | 首次实现了基于化学组成的氧化态预测，并展示了其在材料发现中的应用潜力 | NA | 开发一种新的方法来预测无机化合物中所有元素的氧化态 | 无机化合物的氧化态 | 机器学习 | NA | 深度学习 | BERT变换器 | 化学组成数据 | 基于ICSD数据集的清洁数据进行基准测试 | NA | NA | NA | NA |
| 1519 | 2024-09-27 |
Artificial intelligence (AI) and machine learning (ML) in precision oncology: a review on enhancing discoverability through multiomics integration
2023-Oct, The British journal of radiology
DOI:10.1259/bjr.20230211
PMID:37660402
|
综述 | 本文综述了多组学数据在精准肿瘤学中的应用，特别是人工智能（AI）和机器学习（ML）技术如何通过多组学整合来增强发现能力 | 探讨了AI和ML技术在癌症亚型分类、风险分层、预后预测和临床决策中的潜力 | 讨论了数据异质性、组学数据可用性和研究验证等方面的挑战 | 探讨AI和ML技术在精准肿瘤学中的应用，特别是通过多组学整合来增强发现能力 | 多组学数据，包括影像放射组学和各种类型的分子生物标志物 | 精准肿瘤学 | 癌症 | 多组学数据整合 | NA | 多组学数据 | NA | NA | NA | NA | NA |
| 1520 | 2024-09-27 |
Explainable machine learning for diffraction patterns
2023-Oct-01, Journal of applied crystallography
IF:5.2Q1
DOI:10.1107/S1600576723007446
PMID:37791364
|
研究论文 | 本文研究了如何通过可解释的机器学习方法来分析衍射图案数据，特别是使用卷积神经网络（CNN）进行图像分类 | 本文首次提供了关于CNN在衍射图案数据分类中内部工作机制的定性证据，通过可视化方法展示了影响分类结果的关键图像区域 | 本文主要关注于定性分析，未提供定量性能的进一步改进 | 揭示卷积神经网络在衍射图案数据分类中的内部工作机制，并通过可视化方法展示关键图像区域 | 衍射图案数据及其在X射线自由电子激光设施中的应用 | 机器学习 | NA | 卷积神经网络（CNN） | CNN | 图像 | NA | NA | NA | NA | NA |