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 142 篇文献，本页显示第 21 - 40 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2024-12-06 |
Two-Stage Self-Supervised Cycle-Consistency Transformer Network for Reducing Slice Gap in MR Images
2023-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3271815
PMID:37126622
|
研究论文 | 本文提出了一种两阶段自监督循环一致性Transformer网络（TSCTNet），用于减少MR图像中的切片间隙 | 设计了一种新颖的自监督学习策略，结合了Transformer和CNN结构，以探索局部和全局切片表示 | 需要进一步验证在更多数据集上的泛化能力 | 减少MR图像中的切片间隙，重建高分辨率图像 | MR图像 | 计算机视觉 | NA | 深度学习 | Transformer | 图像 | 两个公开的MR图像数据集 |
| 22 | 2024-11-20 |
Deep learning-based pathology signature could reveal lymph node status and act as a novel prognostic marker across multiple cancer types
2023-07, British journal of cancer
IF:6.4Q1
DOI:10.1038/s41416-023-02262-6
PMID:37137998
|
研究论文 | 本文提出了一种基于深度学习的泛癌淋巴结转移预测模型，并验证了其在多种癌症类型中的泛化性能和作为独立预后因素的潜力 | 首次提出了一种基于自监督癌症不变特征的注意力机制弱监督神经网络，用于泛癌淋巴结转移状态的预测，并展示了其在多种癌症类型中的良好泛化性能 | NA | 开发一种能够预测多种癌症类型淋巴结转移状态的自动化模型，并验证其作为独立预后因素的潜力 | 11种癌症类型的4400张全切片图像 | 数字病理学 | NA | 深度学习 | 注意力机制弱监督神经网络 | 图像 | 4400张全切片图像 |
| 23 | 2024-11-07 |
ChromaFold predicts the 3D contact map from single-cell chromatin accessibility
2023-Jul-28, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.27.550836
PMID:37546906
|
研究论文 | 本文介绍了一种名为ChromaFold的深度学习模型，用于从单细胞染色质可及性数据中预测3D接触图和调控相互作用 | ChromaFold能够仅使用单细胞ATAC测序数据来预测3D接触图和调控相互作用，这在当前的3C技术无法在小样本量下解析相互作用的情况下具有创新性 | ChromaFold的性能依赖于高质量的单细胞ATAC测序数据和CTCF ChIP-seq数据，且在复杂组织中的应用仍需进一步验证 | 开发一种能够从单细胞染色质可及性数据中预测3D接触图和调控相互作用的深度学习模型 | 单细胞染色质可及性数据和3D接触图 | 机器学习 | NA | 单细胞ATAC测序 | 深度学习模型 | 单细胞数据 | 涉及人类和小鼠的多种细胞类型 |
| 24 | 2024-10-26 |
Pooled tagging and hydrophobic targeting of endogenous proteins for unbiased mapping of unfolded protein responses
2023-Jul-14, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.13.548611
PMID:37503003
|
研究论文 | 开发了一种基于高通量基因标记的方法，用于大规模生成和分析内源性标记蛋白质的复杂细胞池，以实现对蛋白质组组织和功能的系统级理解 | 提出了一种新的方法，通过HaloTag标记蛋白质并结合荧光标记、测序和基于深度学习的图像分析，实现了对细胞内蛋白质定位模式的全面观察和蛋白质错误折叠引起的细胞应激反应的映射 | NA | 研究蛋白质组的动力学、功能和稳态 | 内源性标记的蛋白质及其在细胞内的定位和功能 | 生物信息学 | NA | 高通量基因标记、荧光标记、单细胞RNA测序 | 深度学习 | 图像、基因序列 | NA |
| 25 | 2024-10-26 |
Deep Learning for Improved Precision and Reproducibility of Left Ventricular Strain in Echocardiography: A Test-Retest Study
2023-07, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography
IF:5.4Q1
DOI:10.1016/j.echo.2023.02.017
PMID:36933849
|
研究论文 | 本文研究了一种基于深度学习的人工智能方法，用于提高超声心动图测量左心室纵向应变的精度和重复性 | 提出了一种基于深度学习的人工智能方法，用于自动测量左心室全局纵向应变，减少了用户相关变异性 | 仅在两个中心的数据集上进行了测试，样本量较小 | 评估人工智能方法在不同超声心动图记录者之间重复测量左心室全局纵向应变的重复性，并与手动测量结果进行比较 | 左心室全局纵向应变 | 机器学习 | 心血管疾病 | 深度学习 | NA | 图像 | 两个数据集，分别包含40和32个样本 |
| 26 | 2024-10-21 |
Unsupervised Detection and Correction of Model Calibration Shift at Test-Time
2023-07, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC40787.2023.10341086
PMID:38083174
|
研究论文 | 本文提出了一种在测试时检测和校正模型校准偏移的方法 | 本文提出了一种名为CaDC的方法，专门设计用于仅利用目标医院的未标记数据进行模型校准检测和校正 | NA | 研究目的是提高临床预测模型在不同医院和时间上的泛化能力 | 研究对象是脓毒症早期预测模型 | 机器学习 | 脓毒症 | 深度学习 | CaDC模型 | 未标记数据 | 545,089名成年患者 |
| 27 | 2024-10-21 |
Development & Deployment of a Real-time Healthcare Predictive Analytics Platform
2023-07, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC40787.2023.10340351
PMID:38083765
|
研究论文 | 开发并部署了一个可扩展的、基于云的、容错的实时医疗预测分析平台 | 提出了一个能够安全无缝集成到现有医疗工作流程中的预测分析平台，并成功部署在UC San Diego Health系统中 | NA | 开发和部署一个能够实时处理电子健康记录数据并进行预测分析的平台 | 电子健康记录数据和实时预测分析 | 机器学习 | NA | 深度学习 | 深度学习模型 | 电子健康记录数据 | NA |
| 28 | 2024-10-20 |
Deep learning tools to accelerate antibiotic discovery
2023 Jul-Dec, Expert opinion on drug discovery
IF:6.0Q1
DOI:10.1080/17460441.2023.2250721
PMID:37794737
|
综述 | 本文综述了深度学习在抗生素发现中的关键框架，重点介绍了物理化学特征和数据集限制 | 本文介绍了多种深度学习模型在抗生素发现中的应用，包括判别模型和生成模型，并探讨了这些技术在药物发现中的潜力 | 本文指出深度学习在抗菌预测中面临数据不平衡、数据集有限、实验验证、目标菌株和结构等挑战 | 本文旨在探讨深度学习技术在抗生素开发中的应用前景和挑战 | 本文研究对象为抗生素发现中的深度学习模型及其应用 | 机器学习 | NA | 深度学习 | 卷积神经网络、循环神经网络、图神经网络、神经语言模型、变分自编码器、生成对抗网络、归一化流、扩散模型 | 高维数据 | NA |
| 29 | 2024-10-18 |
Single-Atom Level Determination of 3-Dimensional Surface/Interface Atomic Structures via Deep Learning-Assisted Atomic Electron Tomography
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.712
PMID:37613584
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 30 | 2024-10-18 |
Improving Porosity Analysis in Additive Manufacturing through 3D Resolution Recovery Using Deep Learning-Based Reconstruction
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.728
PMID:37613626
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 31 | 2024-10-18 |
Performance of Deep Learning-based Image Denoising in Image Reconstruction for Various Acquisition Conditions: a Simulated Phantom Study
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.725
PMID:37613776
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 32 | 2024-10-18 |
Deep Learning for Automated Quantification of Irradiation Defects in TEM Data: Relating Pixel-level Errors to Defect Properties
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.802
PMID:37613789
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 33 | 2024-10-18 |
Synthetic Data for Deep Learning: Segmentation of PCB X-Ray Images
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.979
PMID:37613931
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 34 | 2024-10-18 |
Deep Learning Design of Graphene-Reinforced Polyurethane Foams from SEM Microstructure Images and Style-based Generative Adversarial Networks
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.976
PMID:37613997
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 35 | 2024-10-16 |
A Conditional Normalizing Flow for Accelerated Multi-Coil MR Imaging
2023-Jul, Proceedings of machine learning research
PMID:38084206
|
研究论文 | 本文提出了一种用于加速多线圈磁共振成像的条件归一化流（CNF）方法 | 本文创新性地设计了一种条件归一化流（CNF）模型，用于从测量操作符的零空间中推断信号成分，并结合测量数据生成完整的图像 | NA | 本文旨在通过加速磁共振成像技术减少采集时间，并提供更全面的下游推断信息 | 本文的研究对象是磁共振成像中的信号成分和图像重建 | 计算机视觉 | NA | 条件归一化流（CNF） | 条件归一化流（CNF） | 图像 | 使用了fastMRI脑部和膝关节数据 |
| 36 | 2024-10-11 |
Uncovering Footprints of Natural Selection Through Spectral Analysis of Genomic Summary Statistics
2023-07-05, Molecular biology and evolution
IF:11.0Q1
DOI:10.1093/molbev/msad157
PMID:37433019
|
研究论文 | 本文通过频谱分析基因组汇总统计数据，揭示自然选择的痕迹 | 本文采用小波变换、多锥谱分析和S变换等方法，将一维汇总统计数组转换为二维频谱分析图像，并使用卷积神经网络进行分析，提高了特征提取的准确性 | NA | 通过频谱分析基因组汇总统计数据，区分自然选择与中性模式，揭示自然选择的细微特征 | 基因组汇总统计数据的空间分布 | 机器学习 | NA | 小波变换、多锥谱分析、S变换 | 卷积神经网络 | 基因组数据 | NA |
| 37 | 2024-10-08 |
Generative design of de novo proteins based on secondary structure constraints using an attention-based diffusion model
2023-Jul-13, Chem
IF:19.1Q1
DOI:10.1016/j.chempr.2023.03.020
PMID:37614363
|
研究论文 | 本文报道了两种基于深度学习的生成模型，用于根据二级结构设计目标预测氨基酸序列和3D蛋白质结构 | 模型能够发现自然机制或系统中尚未发现的新蛋白质序列，具有设计新蛋白质的能力 | 未来的工作可能需要进一步的条件调整和其他功能属性的探索 | 开发能够根据二级结构设计目标生成新蛋白质序列和结构的深度学习模型 | 氨基酸序列和3D蛋白质结构 | 机器学习 | NA | 深度学习 | 基于注意力机制的扩散模型 | 3D蛋白质结构数据 | 从实验已知的3D蛋白质结构中提取的数据集 |
| 38 | 2024-10-08 |
Image harmonization: A review of statistical and deep learning methods for removing batch effects and evaluation metrics for effective harmonization
2023-07-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2023.120125
PMID:37084926
|
综述 | 本文综述了用于消除批次效应的统计和深度学习方法，并介绍了评估图像协调方法的指标 | 提供了评估新提出的协调方法的标准化框架，并提出了对最终用户和方法学家的建议 | NA | 探讨如何消除批次效应以提高下游分析结果的泛化性和可重复性 | 磁共振成像和计算机断层扫描数据的批次效应 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
| 39 | 2024-10-01 |
Advancing Patient Care: How Artificial Intelligence Is Transforming Healthcare
2023-Jul-31, Journal of personalized medicine
IF:3.0Q1
DOI:10.3390/jpm13081214
PMID:37623465
|
研究论文 | 探讨人工智能在医疗领域的应用及其对患者护理的影响 | 利用机器学习和深度学习技术，人工智能在诊断、治疗选择和患者监测方面提供了更准确和高效的医疗交付 | 需要医生和技术专家之间的合作以充分发挥人工智能的潜力 | 研究人工智能在医疗领域的应用及其对患者护理的变革作用 | 人工智能在医疗中的诊断、治疗选择和患者监测应用 | 机器学习 | NA | 机器学习 | 深度学习 | NA | NA |
| 40 | 2024-10-01 |
Transformer Architecture and Attention Mechanisms in Genome Data Analysis: A Comprehensive Review
2023-Jul-22, Biology
DOI:10.3390/biology12071033
PMID:37508462
|
综述 | 本文综述了深度学习中基于Transformer架构和注意力机制在基因组数据分析中的最新进展 | 本文创新性地将自然语言处理领域的成功技术应用于基因组和转录组数据分析 | 本文主要讨论了现有技术的优势和局限性，未提出新的研究方法 | 旨在为研究人员提供关于Transformer架构和注意力机制在基因组数据分析中应用的全面分析 | 基因组和转录组数据 | 生物信息学 | NA | Transformer架构，注意力机制 | Transformer | 基因组数据 | NA |