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 120 篇文献，本页显示第 1 - 20 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2025-02-21 |
Localization Free Super-Resolution Microbubble Velocimetry Using a Long Short-Term Memory Neural Network
2023-08, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2023.3251197
PMID:37028074
|
研究论文 | 本文介绍了一种基于长短期记忆神经网络的超分辨率微泡测速技术Deep-SMV，该技术无需定位，能够在高微泡浓度下提供高成像速度和鲁棒性，并直接输出超分辨率的血流速度测量 | Deep-SMV技术首次实现了在高微泡浓度下的超分辨率血流速度图重建，克服了传统技术对低微泡浓度的限制 | 尽管Deep-SMV在多种成像场景中成功应用，但其在更广泛的临床环境中的有效性和稳定性仍需进一步验证 | 开发一种无需定位的超分辨率微泡测速技术，以提高成像速度和鲁棒性，并直接输出血流速度测量 | 微泡流动模拟、活体血管数据、流动通道模型、鸡胚胎绒毛尿囊膜和小鼠脑成像 | 计算机视觉 | NA | 长短期记忆神经网络（LSTM） | LSTM | 图像 | 多种成像场景，包括流动通道模型、鸡胚胎绒毛尿囊膜和小鼠脑成像 |
| 2 | 2025-02-20 |
Author Correction: Deep learning enables fast, gentle STED microscopy
2023-Aug-10, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-023-05222-1
PMID:37563357
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3 | 2025-02-05 |
Deep-learning CT reconstruction in clinical scans of the abdomen: a systematic review and meta-analysis
2023-08, Abdominal radiology (New York)
DOI:10.1007/s00261-023-03966-2
PMID:37280374
|
系统综述与荟萃分析 | 本文对两种最常见的商用深度学习CT重建算法在腹部临床扫描中的应用进行了系统综述和荟萃分析 | 首次对True Fidelity (TF)和Advanced intelligent Clear-IQ Engine (AiCE)这两种商用深度学习CT重建算法在腹部扫描中的应用进行了系统综述和荟萃分析 | 仅评估了单一供应商的双能量CT，且高DLR重建强度下存在轻微信号丢失和模糊现象 | 评估深度学习CT重建算法在腹部扫描中的图像质量和辐射剂量减少潜力 | 腹部CT扫描 | 医学影像 | NA | 深度学习CT重建 | 深度学习算法 | CT图像 | 44篇文章，其中32篇评估TF，12篇评估AiCE |
| 4 | 2025-01-29 |
Evolution of Breast Cancer Recurrence Risk Prediction: A Systematic Review of Statistical and Machine Learning-Based Models
2023-08, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.23.00049
PMID:37566789
|
系统综述 | 本文系统回顾了2008年至2022年间发表的统计和机器学习模型，用于预测乳腺癌复发风险 | 本文首次系统性地比较了统计和机器学习模型在乳腺癌复发风险预测中的应用，并强调了患者种族多样性的重要性 | 机器学习模型的实用性可能受到解释性有限和泛化能力降低的限制，且现有模型主要忽略了非洲和中东人群 | 评估和比较统计与机器学习模型在乳腺癌复发风险预测中的表现 | 乳腺癌复发风险预测模型 | 机器学习 | 乳腺癌 | 统计方法和机器学习方法 | 支持向量机、决策树、逻辑回归、朴素贝叶斯、深度学习、集成学习 | 回顾性临床数据 | 163篇论文，其中23篇被进一步分析 |
| 5 | 2025-01-29 |
Dual-sensory fusion self-powered triboelectric taste-sensing system towards effective and low-cost liquid identification
2023-08, Nature food
IF:23.6Q1
DOI:10.1038/s43016-023-00817-7
PMID:37563492
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6 | 2024-12-08 |
Progressively refined deep joint registration segmentation (ProRSeg) of gastrointestinal organs at risk: Application to MRI and cone-beam CT
2023-Aug, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16527
PMID:37265185
|
研究论文 | 本文开发了一种名为ProRSeg的深度网络，用于胃肠道器官的风险区域的联合注册和分割，并评估其在MRI和锥束CT上的应用 | ProRSeg网络在MRI和CBCT上的分割和注册精度显著高于其他方法 | 研究缺乏独立的测试和基准幻影数据集来测量剂量累积的准确性 | 开发一种能够准确分割和注册胃肠道器官风险区域的深度学习网络，并评估其在放射治疗中的应用 | 胃肠道器官风险区域，包括胃、十二指肠、大肠和小肠 | 计算机视觉 | 胰腺癌 | 深度学习 | ProRSeg | MRI和CBCT图像 | 110张T2加权MRI图像和80张CBCT图像 |
| 7 | 2024-11-27 |
Quantifying Inflammatory Response and Drug-Aided Resolution in an Atopic Dermatitis Model with Deep Learning
2023-08, The Journal of investigative dermatology
IF:5.7Q1
DOI:10.1016/j.jid.2023.01.026
PMID:36804151
|
研究论文 | 本文使用深度学习方法对特应性皮炎模型中的炎症反应和药物辅助缓解进行定量分析 | 本文提出了一种基于深度学习的非侵入性图像分析方法，用于定量评估特应性皮炎模型中的炎症反应和药物辅助缓解 | 本文仅在特应性皮炎小鼠模型中进行了验证，尚未应用于临床研究 | 开发一种非侵入性的方法来定量评估皮肤炎症反应和药物辅助缓解 | 特应性皮炎小鼠模型 | 计算机视觉 | 特应性皮炎 | 深度学习 | 深度学习模型 | 图像 | 特应性皮炎小鼠模型 |
| 8 | 2024-11-17 |
PyComplexHeatmap: a Python package to visualize multimodal genomics data
2023-Aug, iMeta
IF:23.7Q1
DOI:10.1002/imt2.115
PMID:38454967
|
研究论文 | 介绍了一个名为PyComplexHeatmap的Python库，用于多模态基因组数据的复杂热图可视化 | PyComplexHeatmap是基于matplotlib构建的，提供了一个模块化的接口，能够与Pandas、NumPy等Python数据科学工具以及Scanpy等基因组工具无缝集成 | NA | 开发一个能够满足多模态矩阵数据精细渲染需求的Python库 | 多模态基因组数据及其元数据 | 生物信息学 | NA | NA | NA | 矩阵数据 | NA |
| 9 | 2024-11-14 |
A deep learning model using hyperspectral image for EUS-FNA cytology diagnosis in pancreatic ductal adenocarcinoma
2023-08, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.6335
PMID:37455599
|
研究论文 | 本文开发了一种基于高光谱图像的深度学习模型，用于内镜超声引导下细针穿刺细胞学诊断胰腺导管腺癌 | 首次将高光谱成像技术与卷积神经网络结合，用于胰腺导管腺癌的细胞学诊断 | 需要进一步验证模型在更大样本量和不同临床环境中的泛化能力 | 开发一种辅助细胞病理学家诊断胰腺导管腺癌的深度学习模型 | 胰腺导管腺癌和良性胰腺组织的细胞学样本 | 计算机视觉 | 胰腺癌 | 高光谱成像 | 卷积神经网络 | 图像 | 共62个样本，包括33个良性胰腺组织和39个胰腺导管腺癌 |
| 10 | 2024-11-12 |
Knowledge graph aids comprehensive explanation of drug and chemical toxicity
2023-08, CPT: pharmacometrics & systems pharmacology
DOI:10.1002/psp4.12975
PMID:37475158
|
研究论文 | 本文介绍了一种名为AIDTox的可解释深度学习模型，用于预测和解释药物及化学物质的细胞毒性 | AIDTox模型整合了化学-基因连接、基因-通路注释和通路层次结构的知识图谱，提供了对细胞毒性的全面解释 | NA | 开发一种能够准确预测和解释复杂毒性终点的计算模型 | 药物和化学物质的细胞毒性 | 机器学习 | NA | 深度学习 | 深度学习模型 | 化学-基因连接、基因-通路注释和通路层次结构的知识图谱 | HepG2和HEK293细胞 |
| 11 | 2024-10-28 |
Dyslexia Data Consortium Repository: A Data Sharing and Delivery Platform for Research
2023-Aug, Brain informatics : 16th International Conference, BI 2023, Hoboken, NJ, USA, August 1-3, 2023, Proceedings. International Conference on Brain Informatics (16th : 2023 : Hoboken, N.J.)
DOI:10.1007/978-3-031-43075-6_15
PMID:38352916
|
研究论文 | 开发了一个在线平台，用于共享和交付与阅读障碍相关的数据，以促进研究 | 提供了一个集成了机器学习算法和工具的平台，生成与阅读障碍相关的次级数据集 | NA | 推进对阅读障碍的理解，该障碍对儿童及其家庭和社会有重大影响 | 阅读障碍的神经生物学研究 | 机器学习 | 阅读障碍 | 机器学习算法 | NA | 次级数据集（如皮质厚度、区域脑体积指标） | NA |
| 12 | 2024-10-28 |
R-Mixup: Riemannian Mixup for Biological Networks
2023-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining
DOI:10.1145/3580305.3599483
PMID:38343707
|
研究论文 | 本文提出了一种基于黎曼流形的混合数据增强技术R-Mixup，用于处理生物网络中的高维度和低样本量问题 | R-Mixup利用对数欧几里得距离度量，解决了传统Mixup方法在处理生物网络邻接矩阵时的局限性 | NA | 解决生物网络中深度学习模型过拟合问题 | 生物网络及其邻接矩阵 | 机器学习 | NA | R-Mixup | NA | 生物网络数据 | 五个真实世界生物网络数据集 |
| 13 | 2024-10-16 |
Enhancing corrosion-resistant alloy design through natural language processing and deep learning
2023-Aug-11, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adg7992
PMID:37566657
|
研究论文 | 本文提出了一种结合自然语言处理和深度学习的方法，用于增强耐腐蚀合金设计的机器能力 | 开发了一种全自动的自然语言处理方法，将文本数据转换为深度神经网络可兼容的形式，显著提高了点蚀电位预测的准确性 | NA | 增强机器在耐腐蚀合金设计中的能力 | 耐腐蚀合金的点蚀电位预测 | 自然语言处理 | NA | 深度学习 | 深度神经网络 | 文本数据 | NA |
| 14 | 2024-10-16 |
Tumor detection under cystoscopy with transformer-augmented deep learning algorithm
2023-08-07, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace499
PMID:37548023
|
研究论文 | 开发了一种基于变压器增强的深度学习算法，用于在白光膀胱镜（WLC）下准确检测膀胱肿瘤 | 引入了变压器增强的深度学习算法，通过自注意力机制和特征金字塔网络（FPN）的多尺度激活图，提高了肿瘤检测的准确性 | NA | 开发一种成本效益高、基于变压器增强的深度学习算法，用于在WLC下准确检测膀胱肿瘤，并评估其在患者数据上的性能 | 膀胱肿瘤的检测 | 计算机视觉 | 膀胱癌 | 深度学习 | 变压器增强的卷积神经网络（CNN） | 图像 | 训练集包含510帧WLC图像，来自54名患者；测试集包含101帧WLC图像，来自13名患者 |
| 15 | 2024-10-13 |
Unsupervised representation learning improves genomic discovery and risk prediction for respiratory and circulatory functions and diseases
2023-Aug-29, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.04.28.23289285
PMID:37163049
|
研究论文 | 介绍了一种基于深度学习的框架REGLE，用于发现基因变异与高维临床数据之间的关联，并应用于呼吸和循环系统疾病的基因发现和风险预测 | 提出了REGLE框架，使用卷积变分自编码器计算数据的高可遗传性个体成分，并能生成准确的疾病特异性多基因风险评分 | NA | 利用高维临床数据进行基因发现和风险预测 | 呼吸和循环系统的功能和疾病 | 机器学习 | 呼吸系统疾病 | 卷积变分自编码器 | 卷积变分自编码器 | 高维临床数据 | NA |
| 16 | 2024-10-13 |
Video reconstruction from a single motion blurred image using learned dynamic phase coding
2023-Aug-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-40297-0
PMID:37604842
|
研究论文 | 本文提出了一种混合光学-数字方法，通过在镜头光圈中使用学习到的动态相位编码来从单张运动模糊图像重建视频 | 本文的创新点在于提出了一种混合光学-数字方法，通过在图像采集过程中使用学习到的动态相位编码来编码运动轨迹，从而克服了传统数字方法的方向模糊性和噪声敏感性问题 | 本文的局限性在于需要对现有光学系统进行简单修改，并且依赖于图像到视频卷积神经网络 | 本文的研究目的是通过简单的光学系统修改，从单张运动模糊图像中重建视频，以增强现有相机的功能 | 本文的研究对象是运动模糊图像和视频重建 | 计算机视觉 | NA | 卷积神经网络 | 卷积神经网络 | 图像 | NA |
| 17 | 2024-10-13 |
Convolutional neural network-based vocal cord tumor classification technique for home-based self-prescreening purpose
2023-Aug-18, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-023-01139-2
PMID:37596652
|
研究论文 | 本文提出了一种基于卷积神经网络的声带肿瘤分类技术，用于家庭自我筛查 | 本文创新性地提出了一个深度学习技术，能够同时检测声带良性肿瘤的可疑位置并分类肿瘤类型 | 实验结果表明，不同肿瘤类型的最低假阴性率模型不同，且嵌入式操作的Yolo V4模型与计算机操作的Yolo V4模型在F1-score上略有差异 | 研究目的是开发一种用于家庭自我筛查的声带肿瘤早期检测技术 | 研究对象是声带肿瘤，包括囊肿、肉芽肿、白斑、结节和息肉 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 2183张喉镜图像 |
| 18 | 2024-10-13 |
A deep learning method for replicate-based analysis of chromosome conformation contacts using Siamese neural networks
2023-08-17, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-40547-9
PMID:37591842
|
研究论文 | 本文介绍了一种基于深度学习的复制分析方法，用于分析染色体构象接触图，使用孪生神经网络区分技术噪声和生物变异 | 本文提出了一种基于孪生神经网络的深度学习方法，能够从染色体构象接触图中区分技术噪声和生物变异，并优于传统的图像相似度度量方法 | NA | 开发一种新的方法来分析染色体构象捕获数据，以揭示生物学上有意义的特征 | 染色体构象捕获数据，如Hi-C和Micro-C | 机器学习 | NA | 深度学习 | 孪生神经网络 | 图像 | 涉及多种生物系统的Hi-C图谱 |
| 19 | 2024-10-13 |
Two sequence- and two structure-based ML models have learned different aspects of protein biochemistry
2023-08-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-40247-w
PMID:37587128
|
研究论文 | 本文比较了两种基于序列和两种基于结构的机器学习模型在蛋白质生物化学预测中的表现 | 发现不同类型的模型在预测特定氨基酸类型时具有不同的优势，并提出了一种结合多个模型预测的组合模型，显著提高了整体预测准确性 | 未详细讨论模型在不同蛋白质类型或复杂突变情况下的表现 | 系统比较基于序列和基于结构的模型在蛋白质突变预测中的差异，并探讨其对蛋白质生物化学理解的贡献 | 两种基于序列的大型语言模型和两种基于结构的3D卷积神经网络 | 机器学习 | NA | NA | 大型语言模型（LLM）和3D卷积神经网络（CNN） | 蛋白质序列和局部蛋白质结构的体素化表示 | NA |
| 20 | 2024-10-13 |
Universal linear intensity transformations using spatially incoherent diffractive processors
2023-Aug-15, Light, science & applications
DOI:10.1038/s41377-023-01234-y
PMID:37582771
|
研究论文 | 本文报道了一种空间非相干衍射光学处理器的设计，能够在时间平均强度下近似任意线性变换 | 本文首次设计了空间非相干衍射光学处理器，能够在非相干光下实现任意线性强度变换，并展示了其在多波长下的线性处理能力以及手写数字的全光学分类 | 本文主要通过数值模拟和深度学习进行验证，实际应用中的性能和稳定性需要进一步实验验证 | 研究如何在空间非相干光下设计衍射光学处理器，以实现任意线性强度变换 | 空间非相干衍射光学处理器及其在多波长下的线性处理能力和手写数字分类 | 计算机视觉 | NA | 衍射光学网络 | 深度学习 | 图像 | NA |