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 156 篇文献，本页显示第 121 - 140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 121 | 2024-08-05 |
Generative Adversarial Network (GAN) for Simulating Electroencephalography
2023-09, Brain topography
IF:2.3Q3
DOI:10.1007/s10548-023-00986-5
PMID:37410276
|
研究论文 | 本研究探讨了生成对抗网络在模拟脑电图方面的应用 | 本研究首次利用生成对抗网络生成多通道脑电图数据，能够重建脑电图信号的时空特性 | 数据生成依赖于网络训练的质量，可能对某些特征的再现存在限制 | 研究生成对抗网络在脑电图模拟中的有效性 | 生成高质量的合成脑电图数据以供神经成像分析使用 | 机器学习 | NA | 生成对抗网络 | GAN | 脑电图数据 | NA |
| 122 | 2024-08-04 |
Expert-level pediatric brain tumor segmentation in a limited data scenario with stepwise transfer learning
2023-Sep-18, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.06.29.23292048
PMID:37425854
|
研究论文 | 该研究探讨了在有限数据情境下使用分步迁移学习实现儿童脑肿瘤的自动分割 | 本研究采用了一种新颖的领域内分步迁移学习方法，有效提升了儿童低级别胶质瘤的自动分割精度 | 虽然研究证明了AI模型的临床可接受性，但仍需更多数据和进一步的临床验证 | 本研究旨在开发和验证儿童脑肿瘤的人工智能自动分割算法 | 研究对象为184个来自国家脑肿瘤联盟和100个来自儿科癌症中心的数据集中的儿童低级别胶质瘤影像 | 数字病理学 | 脑肿瘤 | 深度学习 | 神经网络 | 影像 | 总共284个样本（184个来自国家脑肿瘤联盟和100个来自儿科癌症中心） |
| 123 | 2024-08-05 |
Clinical Validation of Explainable Deep Learning Model for Predicting the Mortality of In-Hospital Cardiac Arrest Using Diagnosis Codes of Electronic Health Records
2023-Sep, Reviews in cardiovascular medicine
IF:1.9Q3
DOI:10.31083/j.rcm2409265
PMID:39076399
|
研究论文 | 本研究评估了D-SHAP模型在使用电子健康记录的诊断代码预测医院内心脏骤停患者死亡率的表现 | 引入了可解释的深度学习模型，能够准确识别与高死亡风险相关的诊断代码 | D-SHAP与临床判断之间存在一些不一致，特别是在较少发生的疾病中 | 评估深度学习模型在预测医院内心脏骤停患者死亡概率方面的表现 | 分析168,693名至少有一次医院内心脏骤停的患者及其1,569,478份临床记录 | 机器学习 | 心脏病 | 深度学习 | D-SHAP | 临床记录 | 402名患者 |
| 124 | 2024-08-05 |
A comprehensive assessment of hurdle and zero-inflated models for single cell RNA-sequencing analysis
2023-09-20, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad272
PMID:37507115
|
研究论文 | 本文开发了一个基于Python的包（TensorZINB），用于解决零膨胀负二项式（ZINB）模型，并系统评估了多种单细胞RNA测序分析模型的表现 | 提出了一种混合模型类，结合嵌套模型以提升性能，并开发了新的方法将连续分布转换为等价的离散形式 | 没有提及具体的现实应用场景和额外的生物学验证实验 | 全面评估单细胞RNA测序分析中不同比例模型的性能 | 针对单细胞RNA测序数据集开发和优化统计模型 | 数字病理学 | NA | RNA-seq | 零膨胀负二项式（ZINB） | 基因表达数据 | 使用了一个真实的单细胞RNA-seq数据集进行评估 |
| 125 | 2024-08-05 |
Real-time guidance by deep learning of experienced operators to improve the standardization of echocardiographic acquisitions
2023-Sep, European heart journal. Imaging methods and practice
DOI:10.1093/ehjimp/qyad040
PMID:39045079
|
研究论文 | 本文研究实时深度学习指导的经验丰富的超声技师改善心脏超声采集标准化的效果 | 通过实时深度学习指导超声技师，提高心脏超声采集的标准化程度 | 本文未评估由经验较少的操作员使用深度学习指导的影响 | 旨在改善心脏超声的标准化，以减少操作员之间的变异性 | 88名心律正常的患者，进行心脏超声检查 | 医学影像学 | 心血管疾病 | 深度学习 | NA | 超声波影像 | 88名患者 |
| 126 | 2024-08-07 |
Deep learning-based computed tomography quantification of left ventricular mass
2023-Sep, European heart journal. Imaging methods and practice
DOI:10.1093/ehjimp/qyad043
PMID:39045069
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 127 | 2024-08-05 |
The use of deep learning in medical imaging to improve spine care: A scoping review of current literature and clinical applications
2023-Sep, North American Spine Society journal
DOI:10.1016/j.xnsj.2023.100236
PMID:37599816
|
综述 | 本文评估了深度学习在脊柱影像学中的当前文献和临床应用 | 提供了深度学习在脊柱护理中的最新应用情况和研究发现 | 未能全面覆盖所有相关研究，且只有15%的模型经过外部验证 | 探讨深度学习在脊柱影像学中的使用情况和有效性 | 评估脊柱影像学中深度学习算法的应用和临床效果 | 医学影像 | 脊柱疾病 | 深度学习 | U-Net和ResNet | 文献数据 | 365项研究，总样本量232,394名患者 |
| 128 | 2024-08-05 |
Self-supervised deep learning for highly efficient spatial immunophenotyping
2023-Sep, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2023.104769
PMID:37672979
|
研究论文 | 该文章提出了一种自监督学习方法，用于高效的细胞免疫表型识别。 | 文章提出的SANDI模型通过自监督学习显著降低了标注负担，同时维持了细胞表型识别的准确性。 | 研究的样本数量和标注参考集的规模可能限制了模型的泛化能力。 | 本研究旨在开发一种高效的细胞免疫表型识别方法，以支持标志物的发现和临床转化。 | 研究对象是多重免疫组化数据集中的单细胞图像。 | 数字病理学 | 卵巢癌 | 多重免疫组化 | 自监督学习模型 (SANDI) | 图像 | 涉及2825到15,258个单细胞图像 |
| 129 | 2024-08-05 |
A Hybrid Deep Learning Approach to Identify Preventable Childhood Hearing Loss
2023 Sep-Oct 01, Ear and hearing
IF:2.6Q1
DOI:10.1097/AUD.0000000000001380
PMID:37318215
|
研究论文 | 这项研究评估了机器学习在自动分类中耳的鼓膜图形中的效用，以便利资源匮乏社区中的普通人引导的鼓膜测量 | 该研究使用混合深度学习模型在儿童听力筛查中实现了与听力学家相当的中耳疾病检测性能 | 该研究只涉及来自阿拉斯加农村地区的特定听力筛查人群，可能限制了模型的普适性 | 评估机器学习在家庭引导鼓膜测量中的应用，以识别可预防的儿童听力损失 | 研究对象为1635名来自阿拉斯加农村地区的学龄儿童 | 计算机视觉 | 听力损失 | 机器学习 | 混合深度学习模型 | 鼓膜图 | 4810对鼓膜图形和1635名儿童 |
| 130 | 2024-08-05 |
Disentangling accelerated cognitive decline from the normal aging process and unraveling its genetic components: A neuroimaging-based deep learning approach
2023-Sep-08, Research square
DOI:10.21203/rs.3.rs-3328861/v1
PMID:37720047
|
研究论文 | 该文章介绍了一种基于深度学习的方法，用于区分正常衰老过程中的认知下降与阿尔茨海默病相关的加速认知下降 | 提出了一种新的双损失Siamese ResNet网络，能够提取细粒度神经影像信息，并识别新的遗传变异rs144614292 | 研究样本主要来源于ADNI，对其他人群的适用性需要进一步验证 | 探讨加速认知下降与自然衰老过程之间的关系及其遗传基础 | 针对1,313名个体的纵向结构磁共振成像（MRI）数据进行分析 | 数字病理学 | 老年痴呆症 | MRI | Siamese ResNet | 影像数据 | 1,313名个体，训练于414名认知正常的人群 |
| 131 | 2024-08-05 |
3D Biological/Biomedical Image Registration with enhanced Feature Extraction and Outlier Detection
2023-Sep, ACM-BCB ... ... : the ... ACM Conference on Bioinformatics, Computational Biology and Biomedicine. ACM Conference on Bioinformatics, Computational Biology and Biomedicine
DOI:10.1145/3584371.3612965
PMID:39006863
|
研究论文 | 本文提出了一种用于三维生物医学图像配准的新方法 | 结合了传统和深度学习技术用于特征提取，并采用自适应最大似然估计样本一致性方法进行异常值检测 | NA | 提高三维图像配准的精度和效率 | 3D显微镜图像和医学图像 | 计算机视觉 | NA | SIFT, ResNet50 | 深度神经网络 | 图像 | 使用3D MRI和3D多重显微图像的序列切片 |
| 132 | 2024-08-05 |
Deep learning classification of ex vivo human colon tissues using spectroscopic OCT
2023-Sep-06, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.04.555974
PMID:37732221
|
研究论文 | 本文提出了一种基于光谱光学相干断层扫描的方法用于分类异体人类结肠组织。 | 创新性地结合了深度学习架构与光谱OCT技术，提升了结肠组织分类的准确性。 | 研究仅限于结肠上皮组织，不一定适用于其他组织类型。 | 提高结直肠癌筛查的效率和效果。 | 分析经过活检的结肠上皮组织样本。 | 数字病理学 | 结肠癌 | 光谱光学相干断层扫描（OCT） | 深度学习架构，LSTM，KNN | 组织样本 | 活检的结肠上皮组织样本 |
| 133 | 2024-08-07 |
Deep Learning on Electrocardiograms for Prediction of In-hospital Intradialytic Hypotension in Patients with ESKD
2023-09-01, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000000000000208
PMID:37418626
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 134 | 2024-08-05 |
Functional Outcome Prediction in Acute Ischemic Stroke Using a Fused Imaging and Clinical Deep Learning Model
2023-09, Stroke
IF:7.8Q1
DOI:10.1161/STROKEAHA.123.044072
PMID:37485663
|
研究论文 | 本研究通过融合深度学习模型的扩散加权成像和急性期临床信息，预测急性缺血性中风患者90天的预后。 | 提出了一种新型的融合深度学习模型，可以减少主观性和用户负担，提高急性缺血性中风预后的预测准确性。 | 依赖于特定的成像和临床数据，与其他可能影响结果的变量未进行全面考虑。 | 旨在通过早期急性缺血性中风信息来预测长达90天的临床预后。 | 640名经历急性缺血性中风的患者。 | 数字病理学 | 缺血性中风 | 深度学习 | 融合模型 | 影像和临床数据 | 640名急性缺血性中风患者 |
| 135 | 2024-08-07 |
Regarding "Automated Segmentation of Intracranial Thrombus on NCCT and CTA in Patients with Acute Ischemic Stroke Using a Coarse-to-Fine Deep Learning Model"
2023-09, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A7972
PMID:37591774
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 136 | 2024-08-05 |
Batch-balanced focal loss: a hybrid solution to class imbalance in deep learning
2023-Sep, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.10.5.051809
PMID:37361550
|
研究论文 | 验证了一种名为批平衡焦点损失(BBFL)的方法在处理不平衡数据集时对卷积神经网络(CNN)分类性能的提升效果 | BBFL结合了批平衡和焦点损失两种策略以应对类别不平衡问题 | 本文未讨论BBFL在其他类型数据集上的表现 | 提升卷积神经网络在不平衡数据集上的分类能力 | 针对不平衡的视网膜神经纤维层缺损(RNFLD)和青光眼图像数据集进行研究 | 计算机视觉 | 青光眼 | 卷积神经网络(CNN) | InceptionV3, MobileNetV2 | 图像 | 视网膜神经纤维层缺损数据集(n=7,258); 青光眼数据集(n=7,873) |
| 137 | 2024-08-05 |
Machine learning in computational histopathology: Challenges and opportunities
2023-09, Genes, chromosomes & cancer
DOI:10.1002/gcc.23177
PMID:37314068
|
review | 文章回顾了机器学习在计算数字病理学中的应用及其挑战与机遇 | 提供了机器学习在数字病理学领域成功应用的背景和临床任务的自动化情况 | 未详细讨论特定机器学习模型的局限性和实际应用的障碍 | 探讨机器学习在数字病理学中的应用潜力和未来发展方向 | 数字病理学图像及其在癌症诊断和分期中的应用 | 数字病理学 | 癌症 | 机器学习，深度学习 | NA | 数字病理图像 | 大规模数字病理切片数据集 |
| 138 | 2024-08-05 |
Deep learning-based fast volumetric imaging using kV and MV projection images for lung cancer radiotherapy: A feasibility study
2023-Sep, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16377
PMID:36939395
|
研究论文 | 该研究提出了一种快速体积成像方法，用于肺癌放射治疗，旨在减少获取时间并提高治疗的准确性 | 创新点在于结合了2D和3D网络，以快速生成高质量的3D成像，并增强了图像的一致性和准确性 | 结果基于模拟数据和真实设备的幻影结果，未进行在临床环境下的全面验证 | 研究旨在开发一种有效的体积成像方法，以提高肺癌放射治疗的准确性和效率 | 研究对象为50名肺癌患者，通过对每个相位的CT进行射线追踪生成正交的kV和MV成像对 | 数字病理 | 肺癌 | 正交kV/MV成像 | 结合2D和3D网络的模型 | 图像 | 50名肺癌患者 |
| 139 | 2024-08-05 |
Machine Learning for the Prediction of Procedural Case Durations Developed Using a Large Multicenter Database: Algorithm Development and Validation Study
2023-Sep-08, JMIR AI
DOI:10.2196/44909
PMID:38875567
|
研究论文 | 该研究开发并验证了一个可在多个中心间扩展的机器学习算法，用于预测手术案例的持续时间 | 提出了基于机器学习的非线性模型，用于精确预测手术时间，提供了与传统线性回归模型相比显著的预测改进 | 研究可能受限于所使用的数据集的特性，无法涵盖所有可能影响手术时长的变量 | 旨在提高手术时间预测的准确性，以优化手术室资源和人员配置 | 分析来自13家医院的1177893个手术案例数据 | 机器学习 | NA | 深度学习，梯度提升，集成机器学习模型 | 梯度提升机 | 周期性数据 | 1177893个手术案例 |
| 140 | 2024-08-05 |
Explaining Deep Learning-Based Representations of Resting State Functional Connectivity Data: Focusing on Interpreting Nonlinear Patterns in Autism Spectrum Disorder
2023-Sep-13, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.13.557591
PMID:37745501
|
研究论文 | 本研究集中于解释自闭症谱系障碍中静息状态功能连接数据的深度学习模型表现 | 引入潜在贡献评分，解释由变分自编码器（VAE）识别的非线性模式 | 可能存在样本选择偏差，未考虑其他潜在影响因素 | 旨在创建可解释的VAE模型，利用静息状态fMRI数据研究自闭症谱系障碍 | 包括1150名参与者，其中601名为健康对照，549名为自闭症患者 | 数字病理学 | 自闭症谱系障碍 | 静息状态功能磁共振成像 (rs-fMRI) | 变分自编码器 (VAE) | 脑部功能连接数据 | 1150个参与者（601名健康对照和549名自闭症患者） |