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 1941 - 1960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1941 | 2024-08-05 |
Detecting Ground Glass Opacity Features in Patients With Lung Cancer: Automated Extraction and Longitudinal Analysis via Deep Learning-Based Natural Language Processing
2023-Jun-01, JMIR AI
DOI:10.2196/44537
PMID:38875565
|
研究论文 | 本文开发了一种基于深度学习的自然语言处理工具，用于自动提取肺癌患者计算机断层扫描中的地面玻璃不透明度特征 | 创新点在于建立了一个双向长短期记忆模型，结合条件随机场，以自动提取和分析GGO的特征 | 样本仅限于肺癌患者，可能不具备更广泛适应性 | 旨在通过自动提取GGO特征来支持GGO状态的长期轨迹分析 | 本研究对象为13,216名肺癌患者的放射学记录 | 自然语言处理 | 肺癌 | 深度学习，NLP | 双向长短期记忆模型 | 文本 | 涉及13,216名肺癌患者的放射学记录 |
| 1942 | 2024-08-05 |
Few-Shot Learning for Clinical Natural Language Processing Using Siamese Neural Networks: Algorithm Development and Validation Study
2023-May-04, JMIR AI
DOI:10.2196/44293
PMID:38875537
|
研究论文 | 本研究提出并评估了基于Siamese神经网络的少样本临床自然语言处理方法 | 文章创新性地将Siamese神经网络应用于临床自然语言处理任务的少样本学习 | 文中未详细探讨SNN在其他临床NLP任务中的表现，文献支持有限 | 旨在提出并评估基于SNN的少样本临床自然语言处理方法 | 研究对象为临床句子分类任务 | 自然语言处理 | NA | Siamese神经网络 | SNN | 文本 | NA |
| 1943 | 2024-08-05 |
Deep Learning to Detect Pancreatic Cystic Lesions on Abdominal Computed Tomography Scans: Development and Validation Study
2023-Mar-17, JMIR AI
DOI:10.2196/40702
PMID:38875547
|
研究论文 | 本研究开发和验证了一种用于自动检测胰腺囊性损伤的人工深度神经网络 | 研究中使用了一种基于注意力门U-Net架构的算法，提高了胰腺囊性损伤的检测率 | 研究主要基于335个样本，可能对不同类型的CT扫描结果的普适性有限 | 本研究旨在通过深度学习技术提高胰腺囊性损伤的早期检测率 | 研究对象包括335个腹部CT扫描的病例，其中297个病例被诊断为胰腺囊性损伤 | 计算机视觉 | 胰腺癌 | 深度学习 | 注意力门U-Net | 图像 | 335个腹部CT扫描样本 |
| 1944 | 2024-08-05 |
Developing an Inpatient Electronic Medical Record Phenotype for Hospital-Acquired Pressure Injuries: Case Study Using Natural Language Processing Models
2023-Mar-08, JMIR AI
DOI:10.2196/41264
PMID:38875552
|
研究论文 | 本文通过自然语言处理应用于电子病历，旨在更准确及时地识别医院获得性压疮（HAPI） | 提出了基于电子病历的表型算法，证明其在检测HAPI方面比单独使用ICD-10-CA算法更有效 | 研究仅限于特定的医院和样本，可能不适用于其他环境 | 展示电子病历基础的表型算法在HAPI检测上的优势 | 在2015年至2018年期间，通过临床试验识别的HAPI患者 | 自然语言处理 | NA | 自然语言处理 (NLP) | 随机森林 (RF), 极端梯度提升 (XGBoost), 深度学习模型 | 文本 | 280名患者，其中97名患者在研究期间出现HAPI |
| 1945 | 2024-08-05 |
Deep Learning Transformer Models for Building a Comprehensive and Real-time Trauma Observatory: Development and Validation Study
2023-Jan-12, JMIR AI
DOI:10.2196/40843
PMID:38875539
|
研究论文 | 本研究探讨了在法国建立国家创伤观察站的可行性，比较了几种自动语言处理方法的性能。 | 使用了经过法语语料预训练并在306,368条未标记临床笔记上进行自监督学习的GPTanam模型，展示了最佳性能。 | 需要进一步改进以扩展缩写和多输出多类分类。 | 研究在法国建立综合且实时的创伤观察站的可行性。 | 通过对69110条与创伤相关的临床笔记进行多类分类的研究。 | 自然语言处理 | NA | 深度学习，变换器模型 | 变换器模型 | 文本 | 69110条临床笔记 |
| 1946 | 2024-08-05 |
Machine learning and deep learning for brain tumor MRI image segmentation
2023-11, Experimental biology and medicine (Maywood, N.J.)
DOI:10.1177/15353702231214259
PMID:38102956
|
综述 | 文章综述了用于脑肿瘤MRI图像分割的常用机器学习和深度学习技术 | 结合两种或更多技术的趋势是当前的创新点 | 讨论了所述机器学习和深度学习方法的局限性和优点 | 研究脑肿瘤MRI图像分割的技术 | 脑肿瘤的MRI图像 | 计算机视觉 | 脑肿瘤 | MRI | 机器学习和深度学习技术 | 图像 | NA |
| 1947 | 2024-08-07 |
Protein structural alignment using deep learning
2023-10, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01543-3
PMID:37816889
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1948 | 2024-08-05 |
Automated deep learning auto-segmentation of air volumes for MRI-guided online adaptive radiation therapy of abdominal tumors
2023-06-15, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acda0b
PMID:37253374
|
研究论文 | 本研究开发了一种自动化方法，用于在MRI引导的腹部肿瘤适应性放射治疗中分割空气区域 | 提出了一种修改版ResUNet3D深度学习模型用于自动分割MRI中的空气区域 | 该研究可能受到专门的MR图像序列和模型训练样本的限制 | 研究的目的是提高腹部肿瘤放射治疗中空气区域的分割速度和准确性 | 研究对象是102名患者的MRI图像 | 数字病理学 | NA | 深度学习 | ResUNet3D | 图像 | 102个患者的MR图像 |
| 1949 | 2024-08-05 |
A deep learning approach for automatic delineation of clinical target volume in stereotactic partial breast irradiation (S-PBI)
2023-05-11, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/accf5e
PMID:37084739
|
研究论文 | 本研究提出了一种基于深度学习的方法，以自动划定立体部分乳腺照射中的临床靶区。 | 本研究通过模仿医生的划定实践，使用多通道输入的3D U-Net架构来实现CTV分割，展示了学习到的扩展规则和解剖边界。 | 研究限于对35名患者的回顾性数据，样本量较小，可能影响模型的泛化能力。 | 旨在提高乳腺癌术后放疗中临床靶区的划定效率和准确性。 | 研究对象为35名接受5次部分乳腺照射的术后乳腺癌患者的CT图像。 | 数字病理学 | 乳腺癌 | CT图像和肿瘤床体积（TBV）掩膜的深度学习方法 | 3D U-Net | 图像 | 175张来自35名患者的CT图像 |
| 1950 | 2024-08-05 |
Deep Learning and Gastric Cancer: Systematic Review of AI-Assisted Endoscopy
2023-Dec-06, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics13243613
PMID:38132197
|
综述 | 本综述评估了深度学习在胃癌早期检测中的应用现状 | 探讨了深度学习在胃癌分类、检测和肿瘤特征评估中的潜力 | 主要集中于单中心研究和未披露的数据集，对结果的普适性产生影响 | 研究深度学习在胃癌前期、早期及相关病变分析中的应用 | 利用内镜图像检测胃肿瘤的深度学习算法 | 计算机视觉 | 胃癌 | 深度学习 | 多种深度学习技术 | 图像 | 42项研究 |
| 1951 | 2024-08-05 |
Integrative approaches based on genomic techniques in the functional studies on enhancers
2023-11-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad442
PMID:38048082
|
综述 | 本文综述了基于组学技术的增强子功能研究的整合方法 | 提出了多维组学数据整合的方法，以识别和表征未知增强子的功能及调控机制 | 多维组学数据由于复杂性和大量性，整合全基因组水平仍面临困难 | 探讨有效的增强子研究方法和数据整合技术 | 各种组学方法在增强子研究中的应用 | 数字病理学 | NA | 高通量测序技术 | 机器学习和深度学习 | 基因组数据 | NA |
| 1952 | 2024-08-05 |
Unraveling Neuronal Identities Using SIMS: A Deep Learning Label Transfer Tool for Single-Cell RNA Sequencing Analysis
2023-Nov-17, bioRxiv : the preprint server for biology
DOI:10.1101/2023.02.28.529615
PMID:36909548
|
研究论文 | 本文介绍了一种名为SIMS的深度学习标签转移工具，用于单细胞RNA测序分析 | SIMS是一种数据高效的机器学习管道，可以在最小编码的情况下应用于新数据集，且在复杂数据集中能够高效、准确地进行细胞分类 | 可能在某些特定情况下对细胞类型的区分能力不足，具体条件未在摘要中详细说明 | 目标是提高单细胞数据集中的细胞标签转移和分类准确性 | 研究对象为成人大脑皮层和海马体中的细胞，以及发育过程中神经元亚型的预测 | 机器学习 | NA | RNA测序 | NA | 单细胞数据 | 涉及多个单细胞数据集，包括成人大脑皮层、海马体和皮层类器官 |
| 1953 | 2024-08-05 |
Explaining Deep Learning-Based Representations of Resting State Functional Connectivity Data: Focusing on Interpreting Nonlinear Patterns in Autism Spectrum Disorder
2023-Sep-13, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.13.557591
PMID:37745501
|
研究论文 | 本研究集中于解释自闭症谱系障碍中静息状态功能连接数据的深度学习模型表现 | 引入潜在贡献评分，解释由变分自编码器（VAE）识别的非线性模式 | 可能存在样本选择偏差，未考虑其他潜在影响因素 | 旨在创建可解释的VAE模型，利用静息状态fMRI数据研究自闭症谱系障碍 | 包括1150名参与者，其中601名为健康对照，549名为自闭症患者 | 数字病理学 | 自闭症谱系障碍 | 静息状态功能磁共振成像 (rs-fMRI) | 变分自编码器 (VAE) | 脑部功能连接数据 | 1150个参与者（601名健康对照和549名自闭症患者） |
| 1954 | 2024-08-05 |
A Novel ECG-Based Deep Learning Algorithm to Predict Cardiomyopathy in Patients With Premature Ventricular Complexes
2023-08, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2023.05.025
PMID:37480862
|
研究论文 | 本研究开发了一种深度学习算法，从12导联心电图中预测早期心室复合体患者的心肌病 | 本研究创新性地使用深度学习方法来预测PVC导致的心肌病，并表明该模型能够独立于PVC负担进行准确预测 | 本研究的一项限制是仅在一个医院进行内部训练和测试，外部验证也只在其他几家医院进行 | 该研究旨在通过深度学习模型预测PVC患者中的心肌病 | 研究对象为有记录的早期心室复合体患者，涉及383,514个心电图样本 | 机器学习 | 心血管疾病 | 深度学习 | 多变量Cox模型 | 心电图 | 14,241个样本 |
| 1955 | 2024-08-05 |
Epistatic Features and Machine Learning Improve Alzheimer's Risk Prediction Over Polygenic Risk Scores
2023-Mar-15, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.02.10.23285766
PMID:36798198
|
研究论文 | 本文提出了一种新的遗传模型，通过结合表型交互特征和机器学习方法改善阿尔茨海默病的风险预测 | 创新点在于直接结合 SNP 位点之间的表型相互作用并使用机器学习模型进行风险估计 | 所研究的模型在新数据上的泛化能力仍需进一步验证 | 构建一种与 PRS 模型相比更精准的阿尔茨海默病风险预测模型 | 研究对象为晚发性阿尔茨海默病患者的遗传数据 | 机器学习 | 阿尔茨海默病 | 机器学习 | 集成学习模型 | 遗传数据 | 与文献中的 PRS 模型相同的数据集 |
| 1956 | 2024-08-05 |
Deep Learning-Enabled Assessment of Left Heart Structure and Function Predicts Cardiovascular Outcomes
2023-11-14, Journal of the American College of Cardiology
IF:21.7Q1
DOI:10.1016/j.jacc.2023.09.800
PMID:37940231
|
研究论文 | 本研究开发了一种深度学习模型，用于自动评估心脏结构和功能，并预测心血管结果 | 提出了一种3D卷积神经网络模型，能够自动化分析心脏超声图像并与临床结果相关联 | 研究样本主要来自回顾性数据，未来需进一步验证在更广泛人群中的应用 | 探索深度学习驱动的心脏超声测量与新发心血管事件之间的关系 | 回顾性多机构的心脏超声图像数据 | 机器学习 | 心血管疾病 | 深度学习 | 3D卷积神经网络 | 图像 | 64,028个心脏超声图像（n = 27,135） |
| 1957 | 2024-08-05 |
LncRNA expression signature identified using genome-wide transcriptomic profiling to predict lymph node metastasis in patients with stage T1 and T2 gastric cancer
2023-11, Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association
IF:6.0Q1
DOI:10.1007/s10120-023-01428-8
PMID:37691031
|
研究论文 | 这篇文章描述了一种新的10-lncRNA表达特征，用于预测早期胃癌患者的淋巴结转移 | 提出了一种基于深度学习的10-lncRNA风险预测模型，能够有效识别早期胃癌的LN转移 | 尚未详细描述研究中的潜在偏差或随访数据 | 识别淋巴结转移的有效方法以改善早期胃癌的治疗决策 | T1和T2期胃癌患者的淋巴结状态 | 数字病理学 | 胃癌 | 转录组分析 | 深度学习模型 | 基因表达数据 | 涉及T1和T2患者的多个样本，具体数字未提供 |
| 1958 | 2024-08-05 |
Association of brain microbleeds with risk factors, cognition, and MRI markers in MESA
2023-09, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.13346
PMID:37289978
|
研究论文 | 该文章研究了脑微出血与风险因素、认知和MRI标记之间的关系 | 使用深度学习模型从多种族群体中识别和量化脑微出血，提供了新见解 | 研究样本主要来自一个特定的研究，可能影响结果的广泛性 | 探讨脑微出血在不同种族及其与风险因素和认知的关系 | 无先前中风的1016名参与者 | 数字病理学 | 心血管疾病 | 3T磁共振成像，深度学习模型 | NA | 图像 | 1016名参与者 |
| 1959 | 2024-08-05 |
Patient specific prior cross attention for kV decomposition in paraspinal motion tracking
2023-Sep, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16644
PMID:37538040
|
研究论文 | 该研究开发了一种深度学习算法，通过将图像分解为骨骼和软组织组件来提高kV图像对比度 | 提出了一种患者特异性的先验交叉注意机制（PCAT），显著提升了kV图像分解的性能 | 未提供有关其他类型或条件下的应用效果的信息 | 研究旨在改善放射治疗中kV图像的质量和运动追踪准确性 | 使用在线kV成像监测患者在脊旁SBRT中的运动 | 数字病理 | NA | 深度学习 | 生成对抗网络 (GAN) | 图像 | NA |
| 1960 | 2024-08-05 |
Automated Brain Tumor Detection Using Machine Learning: A Bibliometric Review
2023-07, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2023.03.115
PMID:37019303
|
综述 | 本研究系统回顾了使用机器学习进行脑肿瘤分类的文献 | 提供了关于自动化脑肿瘤检测的最新研究概况和文献计量分析 | 仅限于过去五年的文献，可能未涵盖所有相关研究 | 开发使用机器学习进行脑肿瘤检测的研究概述 | 1747篇关于自动脑肿瘤检测的研究 | 机器学习 | 脑肿瘤 | 机器学习 | 卷积神经网络 | NA | 来自679个不同来源的1747项研究 |