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 2020 篇文献，本页显示第 1681 - 1700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1681 | 2024-08-05 |
Multimodal Deep Learning Model Unveils Behavioral Dynamics of V1 Activity in Freely Moving Mice
2023-Dec, Advances in neural information processing systems
PMID:39005944
|
研究论文 | 本文介绍了一种多模态递归神经网络，用于解释自由移动小鼠的V1活动 | 引入了一种整合视线相关视觉输入和行为及时间动态的新模型，揭示了小鼠V1的行为变量混合选择性 | 模型的应用可能局限于特定的行为状态和视觉输入类型 | 研究自由移动小鼠的V1活动与自然视觉输入及行为变量之间的关系 | 自由移动的小鼠及其视觉皮层活动 | 计算机视觉 | NA | 递归神经网络 | 多模态递归神经网络 | 视觉数据 | NA |
| 1682 | 2024-08-05 |
Real-time guidance by deep learning of experienced operators to improve the standardization of echocardiographic acquisitions
2023-Sep, European heart journal. Imaging methods and practice
DOI:10.1093/ehjimp/qyad040
PMID:39045079
|
研究论文 | 本文研究实时深度学习指导的经验丰富的超声技师改善心脏超声采集标准化的效果 | 通过实时深度学习指导超声技师，提高心脏超声采集的标准化程度 | 本文未评估由经验较少的操作员使用深度学习指导的影响 | 旨在改善心脏超声的标准化，以减少操作员之间的变异性 | 88名心律正常的患者，进行心脏超声检查 | 医学影像学 | 心血管疾病 | 深度学习 | NA | 超声波影像 | 88名患者 |
| 1683 | 2024-08-07 |
Deep learning-based computed tomography quantification of left ventricular mass
2023-Sep, European heart journal. Imaging methods and practice
DOI:10.1093/ehjimp/qyad043
PMID:39045069
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1684 | 2024-08-05 |
Unsupervised deep learning-based displacement estimation for vascular elasticity imaging applications
2023-07-24, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace0f0
PMID:37348487
|
研究论文 | 本文提出了一种基于无监督深度学习的血管壁位移估计方法 | 创新性地应用无监督深度学习方法提高血管壁位移估计的质量 | 未在真实病例中进行广泛测试 | 旨在提高血管弹性成像的准确性和分辨率 | 研究对象包括人类颈动脉及其脉搏波传播的跟踪 | 数字病理学 | 心血管疾病 | 超声弹性成像 | 深度学习网络 | 图像，超声RF信号 | 通过模型训练涉及多种超声数据集，具体样本数未说明 |
| 1685 | 2024-08-05 |
Multimodal Deep Learning Model Unveils Behavioral Dynamics of V1 Activity in Freely Moving Mice
2023-May-30, bioRxiv : the preprint server for biology
DOI:10.1101/2023.05.30.542912
PMID:37398256
|
研究论文 | 本研究介绍了一种多模态递归神经网络，用于解释自由移动小鼠的V1活动 | 提出了一种新的多模态深度学习模型，能够结合视觉输入与行为和时间动态来预测小鼠视觉皮层的活动 | 该研究结果可能仅适用于小鼠，不适用于其他物种的视觉皮层活动预测 | 探讨小鼠视觉皮层中自然视觉输入与行为变量如何整合以产生神经反应 | 自由移动小鼠的视觉皮层V1活动 | 计算机视觉 | NA | 深度卷积神经网络 (CNN) 和递归神经网络 | 递归神经网络 | 视觉数据 | 自由移动小鼠的行为数据 |
| 1686 | 2024-08-05 |
Real-time guiding by deep learning during echocardiography to reduce left ventricular foreshortening and measurement variability
2023-May, European heart journal. Imaging methods and practice
DOI:10.1093/ehjimp/qyad012
PMID:39044792
|
研究论文 | 本文探讨了在超声心动图过程中使用深度学习进行实时指导以减少左心室缩短和测量变异性。 | 研究首次将实时深度学习指导应用于超声心动图，以提高图像标准化和降低测量变异性。 | 实时指导对经验丰富的操作员间变异性的影响较小。 | 研究实时深度学习指导在超声心动图中对左心室缩短和观察者间变异性的影响。 | 纳入88名在窦律下进行超声心动图检查的患者。 | 数字病理学 | 心血管疾病 | 深度学习 | NA | 图像 | 88名患者 |
| 1687 | 2024-08-05 |
Fully automatic estimation of global left ventricular systolic function using deep learning in transoesophageal echocardiography
2023-May, European heart journal. Imaging methods and practice
DOI:10.1093/ehjimp/qyad007
PMID:39044786
|
研究论文 | 本研究开发了一种利用深度学习实现完全自动化的左心室收缩功能评估方法。 | 创新点在于通过深度学习实现心脏超声图像的完全自动化评估，从而提高了监测速度和再现性。 | 本研究的限制在于样本来自185名患者，结果需在更多临床背景下进一步验证。 | 研究的目的是临床验证自动化MAPSE在心脏病患者中的有效性。 | 研究对象为185名未选择图像质量的心脏病患者。 | 数字病理学 | 心脏病 | 深度学习 | NA | 视频 | 185名心脏病患者 |
| 1688 | 2024-08-05 |
Siam-VAE: A hybrid deep learning based anomaly detection framework for automated quality control of head CT scans
2023-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2654464
PMID:39040978
|
研究论文 | 提出了一种基于深度学习的框架，用于对头部CT扫描进行自动质量控制 | 提出了一种混合模型，结合变分自编码器和孪生神经网络，利用弱标签增强标准异常检测技术 | 需要大量注释数据进行有效训练，且存在类不平衡和弱标签问题 | 开发能够分类CT扫描为可用或不可用质量的深度学习框架 | 头部CT扫描的质量控制 | 计算机视觉 | NA | 深度学习 | 变分自编码器和孪生神经网络 | 图像 | NA |
| 1689 | 2024-08-05 |
Automatized Detection of Periodontal Bone Loss on Periapical Radiographs by Vision Transformer Networks
2023-Nov-29, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics13233562
PMID:38066803
|
研究论文 | 本研究评估了利用视觉变换器网络自动检测牙周骨丧失的模型 | 引入了视觉变换器网络来替代传统卷积神经网络用于牙周骨丧失检测 | 需要更大且经过人工注释的图像数据集来进一步优化诊断性能 | 评估各种模型在牙周骨丧失自动检测中的表现 | 21,819张去标识化的根尖放射影像 | 计算机视觉 | 牙周病 | 视觉变换器网络 | ViT, BEiT, DeiT | 图像 | 21,819张根尖放射影像 |
| 1690 | 2024-08-05 |
The role of deep learning for periapical lesion detection on panoramic radiographs
2023-Nov, Dento maxillo facial radiology
DOI:10.1259/dmfr.20230118
PMID:37641964
|
研究论文 | 本研究旨在使用深度学习自动检测全景放射片上的根尖病变 | 采用了10种不同的深度学习检测框架，结果显示深度学习模型在检测根尖病变方面表现出色 | 未提及具体限制 | 研究深度学习在全景放射片根尖病变检测中的应用 | 使用454个对象在357张全景放射片上进行标记和检测 | 计算机视觉 | NA | 深度学习 | RetinaNet | 图像 | 454个对象，357张全景放射片 |
| 1691 | 2024-08-05 |
Deep learning and clustering approaches for dental implant size classification based on periapical radiographs
2023-10-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-42385-7
PMID:37803022
|
研究论文 | 本研究探讨了两种人工智能方法用于基于根尖影像自动分类牙种植体的直径和长度 | 提出将深度学习和聚类分析结合用于牙种植体尺寸分类，并使用预训练的VGG16模型进行微调 | AI模型需在多中心数据上进行验证以用于临床应用 | 旨在自动化牙种植体尺寸的分类，提高分类准确性 | 基于根尖影像的牙种植体直径和长度 | 机器学习 | NA | 深度学习和聚类分析 | VGG16和k-means++ | 图像 | NA |
| 1692 | 2024-08-05 |
The use of deep learning in medical imaging to improve spine care: A scoping review of current literature and clinical applications
2023-Sep, North American Spine Society journal
DOI:10.1016/j.xnsj.2023.100236
PMID:37599816
|
综述 | 本文评估了深度学习在脊柱影像学中的当前文献和临床应用 | 提供了深度学习在脊柱护理中的最新应用情况和研究发现 | 未能全面覆盖所有相关研究，且只有15%的模型经过外部验证 | 探讨深度学习在脊柱影像学中的使用情况和有效性 | 评估脊柱影像学中深度学习算法的应用和临床效果 | 医学影像 | 脊柱疾病 | 深度学习 | U-Net和ResNet | 文献数据 | 365项研究，总样本量232,394名患者 |
| 1693 | 2024-08-05 |
A deep learning framework to scale linear facial measurements to actual size using horizontal visible iris diameter: a study on an Iranian population
2023-08-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-40839-6
PMID:37612309
|
研究论文 | 本研究开发了一种深度学习工具，通过虹膜直径对人脸图像进行线性测量的校准 | 提出使用虹膜的水平可见直径作为自动校正图像放大比例的参考标志 | 研究仅在伊朗人群中进行，可能无法推广到其他种群 | 旨在提高面部图像测量的精度以支持临床评估 | 研究对象为94名受试者的面部图像 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 94个受试者 |
| 1694 | 2024-08-05 |
Investigation of the best effective fold of data augmentation for training deep learning models for recognition of contiguity between mandibular third molar and inferior alveolar canal on panoramic radiographs
2023-Jul, Clinical oral investigations
IF:3.1Q1
DOI:10.1007/s00784-023-04992-6
PMID:37043029
|
研究论文 | 本研究旨在使用全景放射影像训练深度学习模型，以识别下颌第三磨牙与下 alveolar 管之间的连续性，并探索最佳的数据增强折数 | 该研究探讨了在训练深度学习模型时，数据增强不同折数对模型识别性能的影响 | 不同增强折数间虽然没有显著差异，但最高的AUC并没有在所有模型中表现出一致性 | 研究旨在提高深度学习模型识别下颌第三磨牙与下 alveolar 管之间连续性的能力 | 研究对象为1800张经过裁剪的下颌第三磨牙影像 | 数字病理学 | NA | 深度学习模型 | AlexNet, VGG-16, GoogLeNet | 图像 | 1800张下颌第三磨牙裁剪影像 |
| 1695 | 2024-08-05 |
Impact of Noisy Labels on Dental Deep Learning-Calculus Detection on Bitewing Radiographs
2023-Apr-23, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm12093058
PMID:37176499
|
研究论文 | 本研究评估了标签噪声对牙科深度学习中计算石检测的影响 | 探讨了不同标签不一致性对模型性能的影响，特别是在口腔X光图像上 | 只分析了特定的数据集，无法推广到所有类型的医学图像 | 评估数据标签不一致性对牙科计算石检测模型性能的影响 | 牙科X光图像中的计算石标注数据 | 计算机视觉 | NA | YOLOv5 | 目标检测网络 | 医学图像 | 2584张咬翼X光图像 |
| 1696 | 2024-08-05 |
Classification of Alzheimer's disease stages from magnetic resonance images using deep learning
2023, PeerJ. Computer science
DOI:10.7717/peerj-cs.1490
PMID:37705614
|
研究论文 | 本文提出了一种基于深度学习的方法，通过磁共振成像（MRI）分类阿尔茨海默病（AD）的不同阶段 | 创新之处在于使用深度学习和多种网络架构（如EfficientNet、DenseNet和视觉变换器）来提高AD早期检测的精确度 | 研究的限制在于样本大小和样本的特定来源，可能影响结果的通用性 | 本研究旨在利用深度学习技术提高阿尔茨海默病早期诊断的准确性 | 研究对象为来自阿尔茨海默病神经影像倡议和开放获取成像研究系列数据库的MRI图像 | 计算机视觉 | 阿尔茨海默病 | 磁共振成像（MRI） | 3D卷积神经网络 | 图像 | 使用了来自多个数据库的特定MRI图像集，样本大小未明确说明 |
| 1697 | 2024-08-05 |
Patient-level thyroid cancer classification using attention multiple instance learning on fused multi-scale ultrasound image features
2023, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:38222341
|
研究论文 | 该文章提出了一种基于注意力的多实例学习模型用于甲状腺癌的患者级分类。 | 创新性地结合了不同超声图像帧的全局和局部特征进行患者级恶性肿瘤分类。 | 目前模型仍然依赖于手动注释的肿块分割。 | 本研究旨在改善甲状腺结节的恶性肿瘤分类性能。 | 研究对象为超声图像中的甲状腺结节。 | 数字病理学 | 甲状腺癌 | 深度学习 | 多实例学习 | 图像 | NA |
| 1698 | 2024-08-05 |
A deep learning approach based on multi-omics data integration to construct a risk stratification prediction model for skin cutaneous melanoma
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05358-x
PMID:37673824
|
研究论文 | 本研究提出了一种基于深度学习的模型，从多组学数据中构建皮肤黑色素瘤的风险分类预测模型 | 提出了一种结合早期融合特征自编码器和晚期融合特征自编码器的深度学习框架，用于SKCM的风险亚型预测 | 尚未提及可能的局限性 | 构建SKCM的风险亚型分类模型以改善预测能力 | SKCM患者的mRNA、miRNA和DNA甲基化数据 | 数字病理 | 皮肤癌 | 深度学习 | 自编码器（AE） | 多组学数据 | 使用了两个独立测试数据集的SKCM患者数据 |
| 1699 | 2024-08-05 |
Development and external validation of the multichannel deep learning model based on unenhanced CT for differentiating fat-poor angiomyolipoma from renal cell carcinoma: a two-center retrospective study
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05339-0
PMID:37672075
|
研究论文 | 本研究开发并评估了一种基于未增强CT的多通道深度学习模型，以区分贫脂肪血管平滑肌脂肪瘤和肾细胞癌 | 该文章创新性地提出了一种针对贫脂肪血管平滑肌脂肪瘤与肾细胞癌的深度学习分类器，并通过内外部验证其有效性 | 仅使用了两个中心的回顾性数据，可能影响模型的通用性和适应性 | 旨在区分贫脂肪血管平滑肌脂肪瘤和肾细胞癌 | 320名来自两个医疗中心的患者数据 | 数字病理学 | 肾细胞癌 | 未增强CT | 深度学习模型 | 影像 | 总共452名患者，包括320名患者和132名患者 |
| 1700 | 2024-08-05 |
SMiT: symmetric mask transformer for disease severity detection
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05223-x
PMID:37698681
|
研究论文 | 本文提出了一种对病理图像进行诊断分级的对称掩码预训练视觉变换器SMiT模型 | 作者采用纯变换器框架，不依赖传统CNN模型，并提出了一种新的对称性掩码预训练方法 | 针对特定类型的癌症图像进行评估，可能不适用于所有病理图片 | 研究旨在提高病理图像分类中的疾病严重性检测准确性 | 涉及4500张结直肠癌的组织病理图像 | 数字病理学 | 癌症 | 变换器 | 视觉变换器 | 图像 | 4500张结直肠癌组织病理图像和公开的糖尿病视网膜病变数据集 |