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 154 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 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 | NA | NA | NA | NA |
| 62 | 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 | NA | NA | NA | NA |
| 63 | 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 | NA | NA | NA | NA |
| 64 | 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 | NA | NA | NA | NA |
| 65 | 2024-10-13 |
Deep transfer learning for inter-chain contact predictions of transmembrane protein complexes
2023-08-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-40426-3
PMID:37582780
|
研究论文 | 本文开发了一种深度迁移学习方法DeepTMP，用于预测跨膜蛋白复合物的链间接触 | 利用非跨膜蛋白的大数据集进行预训练，结合几何三角感知模块捕捉链间相互作用 | NA | 提高跨膜蛋白复合物链间接触预测的准确性和鲁棒性 | 跨膜蛋白复合物的链间接触 | 机器学习 | NA | 深度迁移学习 | DeepTMP | 蛋白质数据 | 52个自结合跨膜蛋白复合物 | NA | NA | NA | NA |
| 66 | 2024-10-12 |
Towards in silico CLIP-seq: predicting protein-RNA interaction via sequence-to-signal learning
2023-08-04, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-023-03015-7
PMID:37542318
|
研究论文 | 本文介绍了一种名为RBPNet的新型深度学习方法，用于预测RNA序列在单核苷酸分辨率下的CLIP-seq交联计数分布 | RBPNet通过训练多达百万个区域，在eCLIP、iCLIP和miCLIP测定中实现了高泛化能力，并超越了现有最先进的分类器 | NA | 开发一种能够预测蛋白质-RNA相互作用的深度学习方法 | RNA序列及其与蛋白质的交联计数分布 | 机器学习 | NA | 深度学习 | 深度学习模型 | 序列数据 | 多达百万个区域 | NA | NA | NA | NA |
| 67 | 2024-10-12 |
Boosting variant-calling performance with multi-platform sequencing data using Clair3-MP
2023-Aug-03, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-023-05434-6
PMID:37537536
|
研究论文 | 研究了利用多平台测序数据提升变异检测性能的方法 | 首次探讨了整合Oxford Nanopore和Illumina测序数据以优化变异检测性能的可能性 | 未详细讨论多平台数据整合的具体技术细节 | 探讨多平台测序数据对变异检测性能的影响 | Oxford Nanopore和Illumina测序数据 | 基因组学 | NA | 第三代测序技术、下一代测序技术 | 深度学习模型 | 测序数据 | 未具体说明样本数量 | NA | NA | NA | NA |
| 68 | 2024-10-08 |
DeepAIR: A deep learning framework for effective integration of sequence and 3D structure to enable adaptive immune receptor analysis
2023-08-09, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.abo5128
PMID:37556545
|
研究论文 | 本文介绍了一种名为DeepAIR的深度学习框架，用于整合序列和3D结构特征，以准确预测适应性免疫受体（AIR）与抗原的结合 | DeepAIR框架首次将序列和结构特征整合用于预测AIR-抗原结合，显著提高了预测准确性 | NA | 开发一种能够准确预测适应性免疫受体与抗原结合的深度学习框架 | 适应性免疫受体（AIR），包括T细胞受体（TCR）和B细胞受体（BCR） | 机器学习 | NA | 深度学习 | 深度学习框架 | 序列和3D结构数据 | 使用了TCR和BCR的组合数据，具体样本数量未明确提及 | NA | NA | NA | NA |
| 69 | 2024-10-01 |
Classification of Food Additives Using UV Spectroscopy and One-Dimensional Convolutional Neural Network
2023-Aug-30, Sensors (Basel, Switzerland)
DOI:10.3390/s23177517
PMID:37687972
|
研究论文 | 本文提出了一种基于紫外线吸收光谱和一维卷积神经网络的食品添加剂自动分类系统 | 利用紫外线吸收光谱和一维卷积神经网络进行食品添加剂的分类 | 仅限于五种食品添加剂的分类，且样本为简单或混合溶液 | 开发一种自动分类系统，用于识别不同食品添加剂 | 五种食品添加剂的紫外线吸收光谱 | 机器学习 | NA | 紫外线光谱 | 一维卷积神经网络 | 光谱数据 | 404个光谱样本 | NA | NA | NA | NA |
| 70 | 2024-10-01 |
Monitoring blood pressure and cardiac function without positioning via a deep learning-assisted strain sensor array
2023-08-11, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adh0615
PMID:37566652
|
研究论文 | 开发了一种基于柔性应变传感器阵列和深度学习神经网络的智能血压和心脏功能监测系统 | 利用柔性应变传感器阵列和深度学习模型，实现了无需精确位置的血压和心脏功能连续监测 | NA | 开发一种连续且可靠的血压和心脏功能监测系统，以诊断和预防心血管疾病 | 血压和心脏功能 | 机器学习 | 心血管疾病 | 深度学习 | 神经网络 | 脉搏波 | NA | NA | NA | NA | NA |
| 71 | 2024-10-01 |
Deep Transfer Learning with Enhanced Feature Fusion for Detection of Abnormalities in X-ray Images
2023-Aug-07, Cancers
IF:4.5Q1
DOI:10.3390/cancers15154007
PMID:37568821
|
研究论文 | 本文提出了一种新的深度迁移学习方法，通过增强特征融合来检测X光图像中的异常 | 本文的创新点在于提出了一种新的迁移学习方法，通过在大量类似目标数据集的医学图像上预训练深度学习模型，并使用少量标注的医学图像进行微调，从而克服了传统迁移学习在ImageNet数据集上的局限性 | 本文的局限性在于其方法的适用性主要集中在医学X光图像分类任务上，尚未广泛应用于其他类型的医学图像 | 本文的研究目的是通过改进迁移学习方法，提高医学图像分类的准确性和泛化能力 | 本文的研究对象是医学X光图像中的肱骨和手腕分类任务 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 使用了MURA数据集中的大量医学X光图像进行预训练，并使用少量标注的医学图像进行微调 | NA | NA | NA | NA |
| 72 | 2024-10-01 |
Systematic review of automated sleep apnea detection based on physiological signal data using deep learning algorithm: a meta-analysis approach
2023-Aug, Biomedical engineering letters
IF:3.2Q2
DOI:10.1007/s13534-023-00297-5
PMID:37519869
|
综述 | 本文综述了基于生理信号数据使用深度学习算法进行自动睡眠呼吸暂停检测的研究 | 本文首次对基于生理信号数据的深度学习算法在睡眠呼吸暂停检测中的应用进行了系统的元分析 | 本文仅限于对已发表文献的综述和分析，未进行新的实验或数据收集 | 分析和比较用于生理数据处理的深度学习算法在睡眠呼吸暂停检测中的主要特征 | 脉搏血氧饱和度、心电图、气流和声音信号等生理数据 | 机器学习 | 睡眠障碍 | 深度学习 | NA | 生理信号 | 47篇文献 | NA | NA | NA | NA |
| 73 | 2024-09-30 |
Cascaded convolutional networks for unsupervised brain tissue segmentation and bias field estimation
2023-Aug, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2676893
PMID:38250086
|
研究论文 | 本文提出了一种基于级联卷积网络的无监督脑组织分割和偏置场估计方法 | 本文的创新点在于开发了一种无监督深度学习模型，通过级联卷积网络同时进行脑组织分割和偏置场估计，利用大量未标记的脑成像数据 | 本文的局限性在于仅在HCP-Aging和HCP-Development数据集上进行了评估，可能需要进一步验证其在其他数据集上的性能 | 本文的研究目的是利用无监督学习方法提高脑组织分割和偏置场估计的性能 | 本文的研究对象是脑组织分割和偏置场估计 | 计算机视觉 | NA | 深度学习 | 级联卷积网络 | 图像 | 在HCP-Aging和HCP-Development数据集上进行了评估 | NA | NA | NA | NA |
| 74 | 2024-09-27 |
Novel Artificial Intelligence-Based Approaches for Ab Initio Structure Determination and Atomic Model Building for Cryo-Electron Microscopy
2023-Aug-27, Micromachines
IF:3.0Q2
DOI:10.3390/mi14091674
PMID:37763837
|
综述 | 本文综述了基于人工智能的新方法在从头结构确定和原子模型构建中的应用 | 利用人工智能特别是深度学习技术，克服了传统图像处理方法无法解决的限制 | 仍存在一些限制，需要进一步发展 | 探讨人工智能在从头体积生成、异质性3D重建和原子模型构建中的应用 | 单颗粒冷冻电镜实验中的生物大分子结构 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 75 | 2024-09-27 |
Emerging Trends in Fast MRI Using Deep-Learning Reconstruction on Undersampled k-Space Data: A Systematic Review
2023-Aug-26, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering10091012
PMID:37760114
|
综述 | 本文系统综述了利用深度学习重建欠采样k空间数据的快速MRI技术 | 本文整合了深度学习模型与欠采样方法，重新定义了快速MRI的最新技术 | 本文未提及具体的技术局限性 | 旨在分析深度MRI重建模型，强调近期提出方法的关键要素及其优缺点 | 快速MRI技术及其深度学习重建方法 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 76 | 2024-09-27 |
Clinical Validation Benchmark Dataset and Expert Performance Baseline for Colorectal Polyp Localization Methods
2023-Aug-22, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging9090167
PMID:37754931
|
研究论文 | 本文介绍了一个用于结直肠息肉定位方法临床验证的基准数据集和专家表现基线 | 首次在实验室环境中提供了一个标准化的比较方法，以便在临床验证之前评估人工智能和深度学习方法的表现 | 数据集仅包含65张未编辑的内镜图像，可能不足以全面评估所有情况 | 验证人工智能和深度学习方法在结直肠息肉定位中的表现，并建立专家表现的基线 | 结直肠息肉定位方法的表现 | 计算机视觉 | 结直肠癌 | 深度学习 | NA | 图像 | 65张内镜图像，其中三分之一包含病变 | NA | NA | NA | NA |
| 77 | 2024-09-27 |
WindowSHAP: An efficient framework for explaining time-series classifiers based on Shapley values
2023-08, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2023.104438
PMID:37414368
|
研究论文 | 本文介绍了一种名为WindowSHAP的高效框架，用于基于Shapley值解释时间序列分类器 | 提出了WindowSHAP框架，通过将序列划分为时间窗口来减轻计算Shapley值的复杂性，并提高解释质量 | NA | 旨在解决现有方法在解释时间序列模型时存在的计算复杂性和解释质量问题 | 时间序列分类器及其在临床应用中的解释 | 机器学习 | 创伤性脑损伤，重症监护医学 | Shapley值 | NA | 时间序列数据 | 120个时间步长（小时） | NA | NA | NA | NA |
| 78 | 2024-09-27 |
DuSFE: Dual-Channel Squeeze-Fusion-Excitation co-attention for cross-modality registration of cardiac SPECT and CT
2023-08, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2023.102840
PMID:37216735
|
研究论文 | 本文提出了一种新的双通道挤压-融合-激励（DuSFE）共注意力模块，用于心脏SPECT和CT衍生的μ-maps的跨模态刚性配准 | 本文首次研究了基于深度学习的心脏SPECT和CT衍生的μ-maps的跨模态配准，并提出了一种新的DuSFE共注意力模块，能够更好地提取和融合输入信息 | NA | 提高心脏SPECT和CT衍生的μ-maps的跨模态配准精度，从而改善心脏SPECT图像的衰减校正效果 | 心脏SPECT和CT衍生的μ-maps | 计算机视觉 | 心血管疾病 | 深度学习 | CNN | 图像 | 临床患者MPI研究 | NA | NA | NA | NA |
| 79 | 2024-09-27 |
Pulmonary contusion: automated deep learning-based quantitative visualization
2023-Aug, Emergency radiology
IF:1.7Q3
DOI:10.1007/s10140-023-02149-2
PMID:37318609
|
研究论文 | 研究利用深度学习模型自动量化肺挫伤，并评估其与急性呼吸窘迫综合征（ARDS）等临床结果的关系 | 首次使用深度学习模型（nnU-Net）自动量化肺挫伤，并将其与临床结果相关联 | 研究为回顾性分析，样本量相对较小，且未考虑所有可能的临床变量 | 开发和验证一种基于深度学习的自动化方法，用于量化肺挫伤并预测ARDS风险 | 肺挫伤患者及其临床结果 | 数字病理学 | 肺部疾病 | 深度学习 | nnU-Net | 图像 | 302名成年肺挫伤患者 | NA | NA | NA | NA |
| 80 | 2024-09-27 |
Comprehensive assessment of the anterior segment in refraction corrected OCT based on multitask learning
2023-Aug-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.493065
PMID:37799701
|
研究论文 | 提出了一种基于多任务学习的全自动深度学习方法，用于前段OCT图像中主要结构的分割和量化，并进行了屈光校正 | 首次提出了一种多任务深度学习方法，能够同时分割和量化前段结构，并进行屈光校正 | 仅使用了1251张AS-OCT图像进行训练和测试，样本量相对较小 | 开发一种能够识别所有重要前段结构的方法，以辅助临床诊断 | 前段OCT图像中的虹膜、晶状体、角膜、ICL和IOL等结构 | 计算机视觉 | NA | 多任务深度学习 | 深度学习网络 | 图像 | 1251张AS-OCT图像，来自180名患者 | NA | NA | NA | NA |