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 2413 篇文献，本页显示第 1961 - 1980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1961 | 2024-09-11 |
Swin-textural: A novel textural features-based image classification model for COVID-19 detection on chest computed tomography
2023, Informatics in medicine unlocked
DOI:10.1016/j.imu.2022.101158
PMID:36618887
|
研究论文 | 提出了一种基于纹理特征的图像分类模型swin-textural，用于在胸部CT图像上自动诊断COVID-19 | 结合了基于swin的补丁划分和纹理特征提取，提出了一种新的图像分类模型swin-textural，用于COVID-19的自动诊断 | NA | 评估swin架构在特征工程中的性能 | 胸部CT图像上的COVID-19检测 | 计算机视觉 | COVID-19 | 局部二值模式和局部相位量化 | swin-textural | 图像 | 4171张胸部CT图像，来自210名受试者 | NA | NA | NA | NA |
| 1962 | 2024-09-11 |
Identifying Thematics in a Brain-Computer Interface Research
2023, Computational intelligence and neuroscience
DOI:10.1155/2023/2793211
PMID:36643889
|
综述 | 本文综述了脑机接口（BCI）研究主题的转变，从医疗进步和系统开发转向教育、营销、游戏、安全和安全等应用领域 | 本文揭示了BCI研究从理解脑功能和接口模式转向更多应用研究的新领域，包括人工智能、机器学习、预处理和深度学习 | 本文未探讨BCI软件和硬件开发的具体领域 | 理解脑机接口研究主题的转变 | 脑机接口（BCI）研究的主题和应用领域 | NA | NA | NA | NA | NA | 92篇BCI综述文章 | NA | NA | NA | NA |
| 1963 | 2024-09-11 |
Artifact-free fat-water separation in Dixon MRI using deep learning
2023, Journal of big data
IF:8.6Q1
DOI:10.1186/s40537-022-00677-1
PMID:36686622
|
研究论文 | 本文提出了一种使用深度学习进行Dixon MRI中脂肪-水分离的方法，以消除脂肪-水交换伪影 | 将脂肪-水分离问题转化为风格迁移问题，并引入了一种新的生成器模型损失函数 | NA | 开发一种鲁棒的方法，以准确分离大规模数据集（如UK Biobank）中的脂肪和水体积 | Dixon MRI中的脂肪和水信号 | 计算机视觉 | 代谢性疾病 | Dixon MRI | 条件生成对抗网络 | 图像 | 超过100,000名参与者 | NA | NA | NA | NA |
| 1964 | 2024-09-11 |
Dysarthria detection based on a deep learning model with a clinically-interpretable layer
2023-01, JASA express letters
IF:1.2Q3
DOI:10.1121/10.0016833
PMID:36725533
|
研究论文 | 本文提出了一种基于深度学习模型并包含临床可解释层的构音障碍检测方法 | 该模型通过瓶颈层同时学习分类标签和四个临床可解释特征，提高了分类准确性和临床可解释性 | NA | 开发一种能够同时提高分类准确性和临床可解释性的构音障碍检测方法 | 构音障碍患者和对照组 | 机器学习 | NA | 深度神经网络 (DNN) | 深度学习模型 | 语音数据 | 涉及两种构音障碍亚型的评估 | NA | NA | NA | NA |
| 1965 | 2024-09-10 |
Plant Parasitic Nematode Identification in Complex Samples with Deep Learning
2023-Feb, Journal of nematology
IF:1.4Q2
DOI:10.2478/jofnem-2023-0045
PMID:37849469
|
研究论文 | 本文介绍了一种利用深度学习技术在复杂样本中识别植物寄生线虫的新方法 | 本文提出了一个新的公共数据集，包含从异源土壤提取物中注释的植物寄生线虫图像，用于推动自动化方法的发展 | NA | 开发一种快速且自动化的方法来识别和量化植物寄生线虫，以减少作物损失 | 植物寄生线虫 | 计算机视觉 | NA | 深度学习 | 目标检测模型 | 图像 | NA | NA | NA | NA | NA |
| 1966 | 2024-09-10 |
UncertaintyFuseNet: Robust uncertainty-aware hierarchical feature fusion model with Ensemble Monte Carlo Dropout for COVID-19 detection
2023-Feb, An international journal on information fusion
DOI:10.1016/j.inffus.2022.09.023
PMID:36217534
|
研究论文 | 本文提出了一种新的深度学习特征融合模型UncertaintyFuseNet，用于COVID-19检测，结合了CT和X射线图像数据 | 本文创新性地引入了不确定性感知和层次特征融合方法，并使用Ensemble Monte Carlo Dropout技术量化预测不确定性 | NA | 开发一种能够准确区分COVID-19与其他疾病的计算机辅助检测系统 | COVID-19的CT和X射线图像数据 | 计算机视觉 | COVID-19 | Ensemble Monte Carlo Dropout | 深度学习模型 | 图像 | CT扫描和X射线数据集，分别达到99.08%和96.35%的预测准确率 | NA | NA | NA | NA |
| 1967 | 2024-09-10 |
Three-dimensional reconstructing undersampled photoacoustic microscopy images using deep learning
2023-Feb, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2022.100429
PMID:36544533
|
研究论文 | 本文提出了一种基于深度学习的全重建欠采样三维光声显微镜图像的方法 | 本文首次报道了基于深度学习的全重建欠采样三维光声显微镜数据的方法，展示了在不同欠采样比例下优于插值重建方法的鲁棒性 | NA | 提高光声显微镜的成像速度和数据处理效率 | 欠采样的三维光声显微镜图像 | 计算机视觉 | NA | 深度学习 | NA | 三维体积数据 | NA | NA | NA | NA | NA |
| 1968 | 2024-09-10 |
Artificial Intelligence and Machine Learning in Prediction of Surgical Complications: Current State, Applications, and Implications
2023-Jan, The American surgeon
DOI:10.1177/00031348221101488
PMID:35562124
|
综述 | 本文综述了人工智能（AI）在预测手术并发症中的应用现状，重点介绍了机器学习和深度学习算法在手术风险分层中的作用 | AI驱动的模型能够准确识别高风险患者，并克服传统统计风险计算器的局限性 | NA | 探讨AI在预测手术并发症中的应用及其对未来基于个体患者因素的知情同意讨论的影响 | 手术并发症的预测和患者风险分层 | 机器学习 | NA | 机器学习和深度学习算法 | NA | NA | NA | NA | NA | NA | NA |
| 1969 | 2024-09-10 |
A Surgeon's Guide to Artificial Intelligence-Driven Predictive Models
2023-Jan, The American surgeon
DOI:10.1177/00031348221103648
PMID:35588764
|
研究论文 | 本文为外科医生提供了人工智能驱动的预测模型的基本理解 | 介绍了常见的机器学习和深度学习算法、模型开发、性能指标和解释 | 未提及具体的研究限制 | 帮助外科医生理解人工智能驱动的预测模型 | 外科医生和人工智能驱动的预测模型 | 机器学习 | NA | 机器学习 | 机器学习和深度学习算法 | NA | NA | NA | NA | NA | NA |
| 1970 | 2024-09-10 |
Advanced deep learning approaches to predict supply chain risks under COVID-19 restrictions
2023-Jan, Expert systems with applications
IF:7.5Q1
DOI:10.1016/j.eswa.2022.118604
PMID:35999828
|
研究论文 | 本文提出了一种基于深度学习的方法来预测在COVID-19限制下的供应链风险 | 本文提出了两种深度学习模型变体（RNN和TCN）来预测供应链风险，并展示了TCN模型在预测风险方面的100%准确率 | NA | 预测在COVID-19限制下的供应链风险，以提高供应链的韧性 | 供应链中的货物运输风险 | 机器学习 | NA | 深度学习 | RNN（LSTM、BiLSTM、GRU）和TCN | 在线数据集 | NA | NA | NA | NA | NA |
| 1971 | 2024-09-10 |
SARS-CoV-2 virus classification based on stacked sparse autoencoder
2023, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.12.007
PMID:36530948
|
研究论文 | 本文提出了一种基于堆叠稀疏自编码器（SSAE）的SARS-CoV-2病毒分类方法 | 使用图像表示的完整基因组序列作为SSAE的输入，实现了高效的病毒分类 | 未在训练过程中使用SARS-CoV-2样本，仅在后续测试中使用 | 开发一种高效的病毒基因组分类方法，特别是针对SARS-CoV-2 | SARS-CoV-2病毒的基因组序列 | 机器学习 | NA | 堆叠稀疏自编码器（SSAE） | 堆叠稀疏自编码器（SSAE） | 图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 1972 | 2024-09-10 |
Intelligent lead-based bidirectional long short term memory for COVID-19 sentiment analysis
2023, Social network analysis and mining
IF:2.3Q3
DOI:10.1007/s13278-022-01005-4
PMID:36532863
|
研究论文 | 本文介绍了一种基于智能引导的双向长短期记忆网络（BiLSTM）用于COVID-19情感分析 | 通过引入智能引导优化，减少了分类器在学习数据时的损失，提高了情感分析的准确性 | 未提及具体限制 | 识别COVID-19相关推特数据中人们的情感 | COVID-19相关推特数据 | 自然语言处理 | NA | NA | 双向长短期记忆网络（BiLSTM） | 文本 | 未提及具体样本数量 | NA | NA | NA | NA |
| 1973 | 2024-09-10 |
Evaluating GPCR modeling and docking strategies in the era of deep learning-based protein structure prediction
2023, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.11.057
PMID:36544468
|
研究论文 | 本文评估了在深度学习时代下，GPCR建模和对接策略在基于结构的药物发现中的应用 | 本文展示了通过深度学习技术改进蛋白质结构预测后，对接和虚拟筛选的显著提升 | 本文的研究结果主要基于70个GPCR复合物的数据集，可能无法完全代表所有GPCR的情况 | 探讨如何将深度学习在蛋白质结构预测领域的革命性进展转化为基于结构的药物发现领域的进步 | 70个与小分子或肽结合的GPCR复合物 | 机器学习 | NA | 深度学习 | NA | 蛋白质结构数据 | 70个GPCR复合物 | NA | NA | NA | NA |
| 1974 | 2024-09-10 |
PSTCNN: Explainable COVID-19 diagnosis using PSO-guided self-tuning CNN
2023, Biocell : official journal of the Sociedades Latinoamericanas de Microscopia Electronica ... et. al
IF:0.8Q4
DOI:10.32604/biocell.2021.0xxx
PMID:36570878
|
研究论文 | 本文提出了一种基于粒子群优化（PSO）引导的自调优卷积神经网络（PSTCNN），用于可解释的COVID-19诊断 | 引入了粒子群优化算法来自动调整卷积神经网络的超参数，减少了人工干预，并能更稳定地接近全局最优解 | 未提及 | 开发一种高效的深度学习模型，用于COVID-19的自动诊断，以缓解全球医疗资源不足的压力 | COVID-19的诊断 | 计算机视觉 | COVID-19 | 卷积神经网络（CNN） | 卷积神经网络（CNN） | 图像 | 未提及 | NA | NA | NA | NA |
| 1975 | 2024-09-10 |
EpiCas-DL: Predicting sgRNA activity for CRISPR-mediated epigenome editing by deep learning
2023, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.11.034
PMID:36582444
|
研究论文 | 本文开发了一种深度学习框架EpiCas-DL，用于预测CRISPR介导的表观基因组编辑中sgRNA的活性 | EpiCas-DL在sgRNA活性预测方面具有高准确性，并优于其他现有方法 | NA | 优化sgRNA设计以提高CRISPR介导的表观基因组编辑效率 | sgRNA的活性及其在基因沉默和激活中的应用 | 机器学习 | NA | CRISPR | 深度学习框架 | 实验数据 | 数千个实验验证的靶点 | NA | NA | NA | NA |
| 1976 | 2024-09-10 |
The PANDORA Software for Anchor-Restrained Peptide:MHC Modeling
2023, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3239-0_18
PMID:37258920
|
研究论文 | 本文介绍了PANDORA软件的协议，该软件用于生成锚定约束的肽:MHC三维结构模型 | PANDORA利用MHC分子用于锚定肽的结构知识，提供锚定位置作为约束来指导建模过程，能够在约5分钟内生成二十个3D模型 | NA | 开发一种能够快速准确生成肽:MHC三维结构模型的软件 | 肽:MHC复合物的三维结构 | 生物信息学 | NA | NA | NA | 结构模型 | NA | NA | NA | NA | NA |
| 1977 | 2024-09-08 |
Integrative deep learning analysis improves colon adenocarcinoma patient stratification at risk for mortality
2023-Aug, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2023.104726
PMID:37499603
|
研究论文 | 本文开发并评估了结合福尔马林固定石蜡包埋（FFPE）全切片图像（WSIs）、临床变量和突变特征的深度学习模型，用于根据结肠腺癌（COAD）患者的死亡风险进行分层 | 本文的创新点在于整合了图像、临床和基因组特征，以提高结肠腺癌患者的风险分层效果 | 模型在预测中度风险（3年<OS<5年）患者的总体生存率方面效果较差 | 研究目的是通过整合图像、临床和基因组特征，提高结肠腺癌患者的风险分层效果 | 研究对象是结肠腺癌（COAD）患者 | 数字病理 | 结直肠癌 | 深度学习 | 深度学习模型 | 图像、临床变量、突变特征 | 训练数据集包含108名患者，外部验证数据集包含123名COAD患者和52名直肠腺癌（READ）患者 | NA | NA | NA | NA |
| 1978 | 2024-09-07 |
Deep learning to estimate lung disease mortality from chest radiographs
2023-05-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-37758-5
PMID:37193717
|
研究论文 | 开发了一种深度学习模型CXR Lung-Risk，用于从胸部X光片预测肺病死亡风险 | 首次使用深度学习模型从胸部X光片中预测肺病死亡风险，并展示了其在个性化预防和治疗策略中的潜在应用 | NA | 开发和验证一种深度学习模型，用于从胸部X光片中预测肺病死亡风险 | 肺病死亡风险预测 | 计算机视觉 | 肺病 | 深度学习 | 深度学习模型 | 图像 | 训练集包含40,643名个体的147,497张X光片，测试集包含15,976名个体 | NA | NA | NA | NA |
| 1979 | 2024-09-07 |
Deep Learning to Predict Mortality After Cardiothoracic Surgery Using Preoperative Chest Radiographs
2023-01, The Annals of thoracic surgery
DOI:10.1016/j.athoracsur.2022.04.056
PMID:35609650
|
研究论文 | 本文开发了一种深度学习模型，用于预测心脏手术后的死亡风险，基于术前胸部X光片 | 提出的深度学习模型CXR-CTSurgery在预测心脏手术后死亡风险方面具有与STS-PROM相似的区分度，并且在校准方面表现更好 | NA | 开发一种基于术前胸部X光片的深度学习模型，用于预测心脏手术后的死亡风险 | 心脏手术患者及其术前胸部X光片 | 计算机视觉 | 心血管疾病 | 深度学习 | 深度学习模型 | 图像 | 9283名患者用于模型开发，3615名患者用于内部测试，2840名患者用于外部测试 | NA | NA | NA | NA |
| 1980 | 2024-09-06 |
Deep learning and transfer learning identify breast cancer survival subtypes from single-cell imaging data
2023-Dec-19, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-023-00414-6
PMID:38114659
|
研究论文 | 本文通过深度学习和迁移学习方法，利用单细胞成像数据识别乳腺癌生存亚型 | 提出了一种量化单细胞分辨率细胞间相互作用特征的方法，并应用于神经网络模型以预测患者生存 | NA | 开发一种从单细胞水平信息到群体水平生存预测的方法 | 乳腺癌患者的生存亚型 | 数字病理学 | 乳腺癌 | 非负矩阵分解 (NMF) | 神经网络 | 图像 | 数百个单细胞分辨率的细胞间相互作用特征 | NA | NA | NA | NA |