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 251 篇文献，本页显示第 241 - 251 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 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 |
| 242 | 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 |
| 243 | 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 |
| 244 | 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 |
| 245 | 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 |
| 246 | 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 |
| 247 | 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 |
| 248 | 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 |
| 249 | 2024-08-07 |
DLC-ac4C: A Prediction Model for N4-acetylcytidine Sites in Human mRNA Based on DenseNet and Bidirectional LSTM Methods
2023-Nov-22, Current genomics
IF:1.8Q3
|
研究论文 | 本文提出了一种基于DenseNet和双向LSTM方法的预测模型DLC-ac4C，用于识别人类mRNA中的N4-乙酰胞苷位点 | 本研究通过结合DenseNet和双向LSTM，并引入通道注意力机制，更好地从序列角度捕捉隐藏的信息特征，提高了ac4C位点的识别效果 | NA | 改进现有计算方法在ac4C位点预测中的性能不足，提出一种新的集成深度学习预测框架 | 人类mRNA中的N4-乙酰胞苷位点 | 机器学习 | NA | DenseNet, 双向LSTM | DenseNet, 双向LSTM | RNA序列 | 独立测试数据 | NA | NA | NA | NA |
| 250 | 2024-08-07 |
Machine-guided discovery of a real-world rogue wave model
2023-Nov-28, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2306275120
PMID:37983488
|
研究论文 | 本文通过因果分析、深度学习、简约模型选择和符号回归，从波浪浮标的大量观测数据中发现海洋怪浪的符号模型 | 本文提出了一种结合机器学习与因果分析的方法，将黑盒模型转化为可解释的数学方程，提高了预测准确性并保持了与现有波浪理论的一致性 | NA | 探索如何利用机器学习模型的高级模式匹配能力进行科学发现 | 海洋怪浪的符号模型 | 机器学习 | NA | 深度学习、符号回归 | 人工神经网络 | 数据 | 大量波浪浮标的观测数据 | NA | NA | NA | NA |
| 251 | 2024-08-07 |
Artificial Intelligence and Machine Learning Applications in Sudden Cardiac Arrest Prediction and Management: A Comprehensive Review
2023-11, Current cardiology reports
IF:3.1Q2
DOI:10.1007/s11886-023-01964-w
PMID:37792134
|
综述 | 本文综述旨在全面概述近期在预测模型和AI及ML在心肺复苏（CPR）成功预测中的应用进展 | 深度学习在放射组学和人口健康中日益突出，用于疾病风险预测；AI与自动体外除颤器（AEDs）结合显示出在心脏骤停事件中更好检测可电击节律的潜力 | 心脏骤停（SCA）的预测和预防仍是一个持续挑战，尽管有先进的第一响应系统，但生存率仍然很低 | 理解AI和ML在医疗保健中的作用，特别是在医学诊断、统计和精准医学中，并探索其在预测和管理心脏骤停结果中的应用 | AI和ML在医疗保健中的应用，特别是在医学诊断、统计和精准医学中，以及在预测和管理心脏骤停结果中的应用 | 机器学习 | 心血管疾病 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |