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 164 篇文献，本页显示第 161 - 164 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 2024-08-07 |
Epiphany: predicting Hi-C contact maps from 1D epigenomic signals
2023-06-06, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-023-02934-9
PMID:37280678
|
研究论文 | 本文提出了一种名为Epiphany的神经网络模型，用于从广泛可用的表观基因组轨迹预测特定细胞类型的Hi-C接触图 | Epiphany模型使用双向长短期记忆层来捕捉长程依赖，并可选地采用生成对抗网络架构以增强接触图的真实性 | NA | 开发一种能够从表观基因组信号预测Hi-C接触图的深度学习模型 | 特定细胞类型的Hi-C接触图 | 机器学习 | NA | 神经网络 | 双向长短期记忆层，生成对抗网络 | 表观基因组轨迹 | NA | NA | NA | NA | NA |
| 162 | 2024-08-07 |
Digital Histopathology by Infrared Spectroscopic Imaging
2023-06-14, Annual review of analytical chemistry (Palo Alto, Calif.)
|
综述 | 本文综述了红外（IR）光谱成像技术在数字组织病理学中的应用，特别关注了其在病理学中的仪器性能、数据处理方法、机器学习应用以及工作流程的讨论 | 结合红外光谱成像与人工智能，为组织病理学提供了一种新的对比机制，有望改变目前依赖人类检查染色组织形态模式的实践 | NA | 探讨红外光谱成像技术在组织病理学中的应用及其标准化 | 红外光谱成像技术及其在组织病理学中的应用 | 数字病理学 | NA | 红外光谱成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 163 | 2024-08-07 |
Signal Improved ultra-Fast Light-sheet Microscope (SIFT) for large tissue imaging
2023-Jun-28, Research square
DOI:10.21203/rs.3.rs-2990328/v1
PMID:37461705
|
研究论文 | 本文介绍了一种改进的超快速光片显微镜（SIFT），用于大组织成像，通过精确控制两个固定距离的光片焦点来实现ASLM，提高了成像速度和信号强度 | 提出的SIFT技术将成像速度提高了四倍，并在特定帧率下将信号强度提高了一倍，同时开发了基于深度学习的组织信息分类器，以加速组织边界的确定 | NA | 提高大组织成像的速度和质量 | 大组织样本 | 生物医学成像 | NA | 光片荧光显微镜（LSFM） | 深度学习模型 | 图像 | 多种已清除的组织样本 | NA | NA | NA | NA |
| 164 | 2024-08-07 |
Efficacy of Smartphone-Based Telescreening for Retinopathy of Prematurity With and Without Artificial Intelligence in India
2023-06-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2023.1466
PMID:37166816
|
研究论文 | 本研究评估了智能手机基底眼底成像系统（SBFI）与广域数字眼底成像（WDFI）在早产儿视网膜病变（ROP）筛查中的有效性，并比较了人工智能（AI）和人工评分者的表现 | 本研究首次在实际的远程医疗环境中测试了SBFI系统，并结合AI技术进行ROP筛查 | 研究仅在一个中心进行，且样本量相对较小 | 评估SBFI系统在ROP筛查中的有效性，并比较AI和人工评分者的表现 | 早产儿视网膜病变（ROP）的筛查 | 数字病理学 | 早产儿视网膜病变 | 智能手机基底眼底成像（SBFI） | ResNet18深度学习架构 | 图像 | 156名早产儿（312只眼） | NA | NA | NA | NA |