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 223 篇文献，本页显示第 201 - 220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 201 | 2024-08-05 |
Automatized Detection of Periodontal Bone Loss on Periapical Radiographs by Vision Transformer Networks
2023-Nov-29, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics13233562
PMID:38066803
|
研究论文 | 本研究评估了利用视觉变换器网络自动检测牙周骨丧失的模型 | 引入了视觉变换器网络来替代传统卷积神经网络用于牙周骨丧失检测 | 需要更大且经过人工注释的图像数据集来进一步优化诊断性能 | 评估各种模型在牙周骨丧失自动检测中的表现 | 21,819张去标识化的根尖放射影像 | 计算机视觉 | 牙周病 | 视觉变换器网络 | ViT, BEiT, DeiT | 图像 | 21,819张根尖放射影像 | NA | NA | NA | NA |
| 202 | 2024-08-05 |
The role of deep learning for periapical lesion detection on panoramic radiographs
2023-Nov, Dento maxillo facial radiology
DOI:10.1259/dmfr.20230118
PMID:37641964
|
研究论文 | 本研究旨在使用深度学习自动检测全景放射片上的根尖病变 | 采用了10种不同的深度学习检测框架，结果显示深度学习模型在检测根尖病变方面表现出色 | 未提及具体限制 | 研究深度学习在全景放射片根尖病变检测中的应用 | 使用454个对象在357张全景放射片上进行标记和检测 | 计算机视觉 | NA | 深度学习 | RetinaNet | 图像 | 454个对象，357张全景放射片 | NA | NA | NA | NA |
| 203 | 2024-08-05 |
Detection of Intracerebral Hemorrhage Using Low-Field, Portable Magnetic Resonance Imaging in Patients With Stroke
2023-11, Stroke
IF:7.8Q1
DOI:10.1161/STROKEAHA.123.043146
PMID:37795593
|
研究论文 | 本研究探讨了在中风患者中使用低场便携式磁共振成像（pMRI）检测自发性脑内出血的敏感性和特异性 | 该研究首次将深度学习重建算法与临床信息结合，用于提高便携式磁共振成像对脑内出血的检测准确性 | 研究仅在Yale New Haven医院进行，样本数量相对较少，可能影响结果的普适性 | 本研究旨在评估低场pMRI在自发性脑内出血检测中的效果 | 对189例中风患者的pMRI检查进行了评估 | 数字病理学 | 脑血管疾病 | 低场磁共振成像（pMRI） | 深度学习算法 | 医学影像 | 189例（38例脑内出血，89例急性缺血性中风，8例蛛网膜下腔出血，3例原发性脑室出血，51例无颅内异常） | NA | NA | NA | NA |
| 204 | 2024-08-05 |
Comparing a pre-defined versus deep learning approach for extracting brain atrophy patterns to predict cognitive decline due to Alzheimer's disease in patients with mild cognitive symptoms
2023-Nov-08, Research square
DOI:10.21203/rs.3.rs-3569391/v1
PMID:37986841
|
研究论文 | 该文章比较了预定义方法与深度学习方法在提取脑萎缩模式以预测阿尔茨海默病相关认知衰退中的表现 | 探讨了使用整个脑图像的深度学习模型是否能提高MRI预测性能 | 深度学习模型未显著改善阿尔茨海默病临床疾病进展的预测 | 预测具有主观认知衰退或轻度认知障碍的个体未来的阿尔茨海默病相关认知衰退 | 来自瑞典BioFINDER-1研究的332名主观认知衰退/轻度认知障碍个体 | 数字病理学 | 阿尔茨海默病 | 磁共振成像 (MRI) | 深度学习模型 | 图像 | 332名患者 | NA | NA | NA | NA |
| 205 | 2024-08-05 |
A deep learning-based system to identify originating mural layer of upper gastrointestinal submucosal tumors under EUS
2023 Nov-Dec, Endoscopic ultrasound
IF:4.4Q1
DOI:10.1097/eus.0000000000000029
PMID:38948124
|
研究论文 | 本研究提出了一种名为SMT Master的系统，用于在EUS下确定上消化道黏膜下肿瘤的来源壁层 | 开发了三种深度卷积神经网络模型来实现病变分割、壁层分割和来源壁层分类的自动化 | 研究模型的验证仅限于特定患者样本，可能影响结果的广泛适用性 | 旨在提高EUS程序中对黏膜下肿瘤来源壁层的识别准确性 | 基于2721张EUS图像和多个患者的图像进行模型训练和验证 | 机器学习 | NA | 深度卷积神经网络 (DCNN) | DCNN | 图像 | 2721张EUS图像，来自201名患者 | NA | NA | NA | NA |
| 206 | 2024-08-05 |
Ventricle tracking in transesophageal echocardiography (TEE) images during cardiopulmonary resuscitation (CPR) using deep learning and monogenic filtering
2023-Nov, Biomedical engineering letters
IF:3.2Q2
DOI:10.1007/s13534-023-00293-9
PMID:37872984
|
研究论文 | 本文研究了在心肺复苏期间使用深度学习和单基过滤法对经食道超声心动图（TEE）图像中的心室进行追踪 | 提出了一种实时计算心脏射血分数（EF）的方法，通过检测收缩和舒张来优化心肺复苏的质量 | 数据量不足的问题通过薄板样条变换解决，但仍需更多的数据验证 | 优化心肺复苏期间的心脏功能监测 | 心脏骤停患者的经食道超声心动图（TEE）图像 | 数字病理 | 心脏疾病 | 深度学习, 单基过滤 | ResUNet++ | 图像 | NA | NA | NA | NA | NA |
| 207 | 2024-08-05 |
Deep Learning to Estimate Left Ventricular Ejection Fraction From Routine Coronary Angiographic Images
2023-Nov, JACC. Advances
DOI:10.1016/j.jacadv.2023.100632
PMID:38938722
|
研究论文 | 该文章主要研究通过常规冠状动脉造影图像估算左心室射血分数的深度学习模型 | 提出了一种结合3D卷积神经网络和变换器的创新深度学习算法，可快速准确评估左心室射血分数 | 研究受限于数据集仅来自Mayo Clinic，且患者在训练、验证和测试集中的分配较为固定 | 评估机器学习模型从常规冠状动脉造影图像中估算左心室射血分数的能力 | 涉及17,346名患者的18,809个冠状动脉造影图像 | 计算机视觉 | 心血管疾病 | 深度学习 | 3D卷积神经网络和变换器 | 影像 | 18,809个冠状动脉造影图像来自17,346名患者 | NA | NA | NA | NA |
| 208 | 2024-08-05 |
Detect and attribute the extreme maize yield losses based on spatio-temporal deep learning
2023-Nov, Fundamental research
IF:5.7Q1
DOI:10.1016/j.fmre.2022.05.006
PMID:38933002
|
研究论文 | 本研究开发了一种基于深度学习的多任务学习框架，以估计美国玉米带2006年至2018年间玉米产量的变化。 | 提出了一种新的时空深度学习框架，用于评估和归因作物产量对气候变化的响应。 | 未提及具体限制 | 准确估计大空间尺度的作物产量并理解极端气候压力下的产量损失。 | 研究对象为美国玉米带的玉米产量。 | 机器学习 | NA | 深度学习 | 深度神经网络 | 县级产量数据 | 2006年至2018年期间的县级玉米产量数据 | NA | NA | NA | NA |
| 209 | 2024-08-05 |
Traditional Machine Learning Methods versus Deep Learning for Meningioma Classification, Grading, Outcome Prediction, and Segmentation: A Systematic Review and Meta-Analysis
2023-11, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2023.08.023
PMID:37574189
|
meta-analysis | 本研究评估了传统机器学习方法与深度学习在脑膜瘤分类、分级、预后预测和分割中的表现 | 首次系统性比较了传统机器学习与深度学习在脑膜瘤管理中的性能 | 由于性能指标报告不足，无法进一步统计分析其他性能指标 | 评估脑膜瘤管理中传统机器学习与深度学习算法的表现 | 脑膜瘤的分类、分级、预后预测和分割 | 机器学习 | 脑膜瘤 | 机器学习 | 传统机器学习，深度学习 | 文献数据 | 534条记录筛选，包含43篇文章 | NA | NA | NA | NA |
| 210 | 2024-08-05 |
DeepN4: Learning N4ITK Bias Field Correction for T1-weighted Images
2023-Nov-13, Research square
DOI:10.21203/rs.3.rs-3585882/v1
PMID:38014176
|
研究论文 | 本文提出了一种深度学习方法DeepN4，用于纠正T1加权MRI图像中的偏差场 | 本文创新地将深度学习应用于N4ITK偏差场校正，提供了一种便携灵活且完全可微分的方法 | 研究可能受限于训练数据集的多样性和深度学习模型的复杂性 | 研究旨在改进T1加权MRI图像的偏差场校正方法 | 该研究对象为72台不同扫描仪和不同年龄范围的8个独立队列的T1w MRI图像 | 数字病理学 | NA | 深度学习 | 深度神经网络 | 医学图像 | 72台扫描仪，8个独立队列 | NA | NA | NA | NA |
| 211 | 2024-08-05 |
Machine learning and deep learning for brain tumor MRI image segmentation
2023-11, Experimental biology and medicine (Maywood, N.J.)
DOI:10.1177/15353702231214259
PMID:38102956
|
综述 | 文章综述了用于脑肿瘤MRI图像分割的常用机器学习和深度学习技术 | 结合两种或更多技术的趋势是当前的创新点 | 讨论了所述机器学习和深度学习方法的局限性和优点 | 研究脑肿瘤MRI图像分割的技术 | 脑肿瘤的MRI图像 | 计算机视觉 | 脑肿瘤 | MRI | 机器学习和深度学习技术 | 图像 | NA | NA | NA | NA | NA |
| 212 | 2024-08-05 |
Integrative approaches based on genomic techniques in the functional studies on enhancers
2023-11-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad442
PMID:38048082
|
综述 | 本文综述了基于组学技术的增强子功能研究的整合方法 | 提出了多维组学数据整合的方法，以识别和表征未知增强子的功能及调控机制 | 多维组学数据由于复杂性和大量性，整合全基因组水平仍面临困难 | 探讨有效的增强子研究方法和数据整合技术 | 各种组学方法在增强子研究中的应用 | 数字病理学 | NA | 高通量测序技术 | 机器学习和深度学习 | 基因组数据 | NA | NA | NA | NA | NA |
| 213 | 2024-08-05 |
Unraveling Neuronal Identities Using SIMS: A Deep Learning Label Transfer Tool for Single-Cell RNA Sequencing Analysis
2023-Nov-17, bioRxiv : the preprint server for biology
DOI:10.1101/2023.02.28.529615
PMID:36909548
|
研究论文 | 本文介绍了一种名为SIMS的深度学习标签转移工具，用于单细胞RNA测序分析 | SIMS是一种数据高效的机器学习管道，可以在最小编码的情况下应用于新数据集，且在复杂数据集中能够高效、准确地进行细胞分类 | 可能在某些特定情况下对细胞类型的区分能力不足，具体条件未在摘要中详细说明 | 目标是提高单细胞数据集中的细胞标签转移和分类准确性 | 研究对象为成人大脑皮层和海马体中的细胞，以及发育过程中神经元亚型的预测 | 机器学习 | NA | RNA测序 | NA | 单细胞数据 | 涉及多个单细胞数据集，包括成人大脑皮层、海马体和皮层类器官 | NA | NA | NA | NA |
| 214 | 2024-08-05 |
Deep Learning-Enabled Assessment of Left Heart Structure and Function Predicts Cardiovascular Outcomes
2023-11-14, Journal of the American College of Cardiology
IF:21.7Q1
DOI:10.1016/j.jacc.2023.09.800
PMID:37940231
|
研究论文 | 本研究开发了一种深度学习模型，用于自动评估心脏结构和功能，并预测心血管结果 | 提出了一种3D卷积神经网络模型，能够自动化分析心脏超声图像并与临床结果相关联 | 研究样本主要来自回顾性数据，未来需进一步验证在更广泛人群中的应用 | 探索深度学习驱动的心脏超声测量与新发心血管事件之间的关系 | 回顾性多机构的心脏超声图像数据 | 机器学习 | 心血管疾病 | 深度学习 | 3D卷积神经网络 | 图像 | 64,028个心脏超声图像（n = 27,135） | NA | NA | NA | NA |
| 215 | 2024-08-05 |
LncRNA expression signature identified using genome-wide transcriptomic profiling to predict lymph node metastasis in patients with stage T1 and T2 gastric cancer
2023-11, Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association
IF:6.0Q1
DOI:10.1007/s10120-023-01428-8
PMID:37691031
|
研究论文 | 这篇文章描述了一种新的10-lncRNA表达特征，用于预测早期胃癌患者的淋巴结转移 | 提出了一种基于深度学习的10-lncRNA风险预测模型，能够有效识别早期胃癌的LN转移 | 尚未详细描述研究中的潜在偏差或随访数据 | 识别淋巴结转移的有效方法以改善早期胃癌的治疗决策 | T1和T2期胃癌患者的淋巴结状态 | 数字病理学 | 胃癌 | 转录组分析 | 深度学习模型 | 基因表达数据 | 涉及T1和T2患者的多个样本，具体数字未提供 | NA | NA | NA | NA |
| 216 | 2024-08-05 |
Review of machine learning and deep learning models for toxicity prediction
2023-11, Experimental biology and medicine (Maywood, N.J.)
DOI:10.1177/15353702231209421
PMID:38057999
|
综述 | 本文总结了近年来基于机器学习和深度学习的毒性预测模型。 | 综述了各种机器学习和深度学习算法在毒性预测中的应用，强调了数据集质量对模型性能的影响。 | 不同数据集中对相同化学品的毒性分配存在差异，说明缺乏基准数据集以开发可靠的毒性预测模型。 | 评估化学品的毒性以保护公众健康和环境。 | 近年来开发的毒性预测模型，特别是基于机器学习和深度学习的模型。 | 机器学习 | NA | 机器学习和深度学习 | 支持向量机，随机森林，深度神经网络等 | 数据集 | NA | NA | NA | NA | NA |
| 217 | 2024-08-05 |
A biologically inspired architecture with switching units can learn to generalize across backgrounds
2023-Nov, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2023.09.014
PMID:37839332
|
研究论文 | 该文章展示了一种生物启发的网络结构，通过切换单元可以学习在不同背景下进行泛化 | 提出了一种瓶颈切换网络，这是一种类生物的架构，可以避免在新背景下的灾难性遗忘 | 未详细讨论与其他生物启发机制的比较 | 研究如何通过生物感知原则来提高人工系统的环境适应能力 | 使用MNIST数字及CIFAR-10数据集探索在不同背景下的数字分类 | 机器学习 | NA | NA | 切换网络 | 图像 | 使用MNIST数字数据集和CIFAR-10数据集的样本 | NA | NA | NA | NA |
| 218 | 2024-08-07 |
Cusp bifurcation in a metastatic regulatory network
2023-11-07, Journal of theoretical biology
IF:1.9Q3
DOI:10.1016/j.jtbi.2023.111630
PMID:37804940
|
研究论文 | 本文探讨了利用尖点分岔理论来模拟转移性乳腺癌系统的可能性 | 首次将双参数分岔理论应用于转移性系统，并提出了一种基于数学理论的转移性细胞状态转换的新视角 | NA | 旨在从基础生物学和临床角度理解癌症转移的潜力 | 转移性乳腺癌系统 | NA | 乳腺癌 | 常微分方程 (ODEs) | NA | NA | NA | NA | NA | NA | NA |
| 219 | 2024-08-07 |
Editorial Comment: Implementing Deep Learning to Extrapolate Hepatic Proton Density Fat Fraction From T1-Weighted In-Phase and Opposed-Phase MRI
2023-11, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29918
PMID:37466191
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 220 | 2024-08-07 |
Recent advances in artificial intelligence for cardiac CT: Enhancing diagnosis and prognosis prediction
2023-Nov, Diagnostic and interventional imaging
IF:4.9Q1
DOI:10.1016/j.diii.2023.06.011
PMID:37407346
|
综述 | 本文综述了人工智能在心脏CT领域的最新进展，特别是在提高诊断和预测预后方面的应用 | 深度学习技术在放射学中的应用，实现了从大型数据集中自动提取特征和学习，特别是在基于图像的应用中 | 需要进一步的研究和验证来全面评估这些AI驱动技术在心脏CT中的诊断性能、辐射剂量减少能力和临床正确性 | 探讨人工智能在心脏CT领域的应用，以提高诊断和预测预后的准确性 | 心脏CT图像分析及相关诊断技术 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |