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 219 篇文献，本页显示第 141 - 160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 141 | 2024-10-15 |
A Complete Review of Automatic Detection, Segmentation, and Quantification of Neovascularization in Optical Coherence Tomography Angiography Images
2023-Nov-09, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics13223407
PMID:37998544
|
综述 | 本文综述了在光学相干断层扫描血管造影图像中自动检测、分割和量化新生血管化的技术和算法 | 本文总结了从图像处理到机器学习和深度学习的自动化图像分析方法，并讨论了每种方法的问题和未来工作 | NA | 探讨在光学相干断层扫描血管造影图像中自动检测、分类和分割新生血管化的技术和算法 | 新生血管化在光学相干断层扫描血管造影图像中的自动检测、分类和分割 | 计算机视觉 | 糖尿病视网膜病变 | 光学相干断层扫描血管造影 | NA | 图像 | NA | NA | NA | NA | NA |
| 142 | 2024-10-15 |
The Impact of Data on Structure-Based Binding Affinity Predictions Using Deep Neural Networks
2023-Nov-09, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms242216120
PMID:38003312
|
研究论文 | 本文探讨了数据对基于结构的结合亲和力预测中深度神经网络性能的影响 | 识别了结合口袋大小作为影响模型性能的关键因素，并强调了使用尽可能多的数据进行训练的重要性 | 当前使用的测试集存在偏差，需要多种评估和基准测试来准确比较模型性能 | 研究数据参数对深度学习结合亲和力预测模型性能的影响 | 蛋白质-配体结合亲和力预测模型 | 机器学习 | NA | 深度学习 | 深度神经网络 | 结合口袋数据 | NA | NA | NA | NA | NA |
| 143 | 2024-10-15 |
Lesion Detection in Optical Coherence Tomography with Transformer-Enhanced Detector
2023-Nov-07, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging9110244
PMID:37998091
|
研究论文 | 本文提出了一种基于深度学习的区域检测框架，用于光学相干断层扫描（OCT）图像中的异常检测 | 该框架的核心是Transformer增强检测（TED），通过注意力门（AGs）确保聚焦于前景并识别和去除噪声伪影 | NA | 提高OCT图像中异常检测的准确性，辅助临床诊断 | OCT图像中的异常，包括牙科和CT图像中的病变 | 计算机视觉 | NA | 光学相干断层扫描（OCT） | Transformer | 图像 | 三个数据集，包括两个牙科数据集和一个CT数据集 | NA | NA | NA | NA |
| 144 | 2024-10-15 |
AlphaFold Blindness to Topological Barriers Affects Its Ability to Correctly Predict Proteins' Topology
2023-Nov-07, Molecules (Basel, Switzerland)
DOI:10.3390/molecules28227462
PMID:38005184
|
研究论文 | 研究AlphaFold在预测蛋白质拓扑结构时未能考虑拓扑障碍的问题 | 揭示了AlphaFold在早期结构预测步骤中未能尊重蛋白质链之间的拓扑障碍，导致其预测的蛋白质拓扑结构存在误差 | AlphaFold在预测复杂复合结时存在局限性，未能正确反映蛋白质折叠过程中的拓扑障碍 | 探讨AlphaFold未能尊重拓扑障碍对其蛋白质链拓扑预测的影响 | 研究在自然折叠过程中形成相同结类型的蛋白质 | 机器学习 | NA | 深度学习 | AlphaFold | 蛋白质结构 | 涉及形成复杂复合结的蛋白质 | NA | NA | NA | NA |
| 145 | 2024-10-15 |
Pixel Diffuser: Practical Interactive Medical Image Segmentation without Ground Truth
2023-Nov-02, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering10111280
PMID:38002404
|
研究论文 | 提出了一种无需医学分割真值数据的交互式医学图像分割方法PixelDiffuser | PixelDiffuser利用VGG19基础的自动编码器，仅需几次点击即可实现高质量分割，无需任何医学分割真值数据 | 未提及 | 开发一种无需真值数据的交互式医学图像分割方法 | 医学图像分割 | 计算机视觉 | NA | 自动编码器 | VGG19 | 图像 | 使用了BTCV数据集（包含各种器官的CT图像）和CHAOS数据集（包含肝脏、肾脏和脾脏的CT和MRI图像） | NA | NA | NA | NA |
| 146 | 2024-10-15 |
Construction of an Exudative Age-Related Macular Degeneration Diagnostic and Therapeutic Molecular Network Using Multi-Layer Network Analysis, a Fuzzy Logic Model, and Deep Learning Techniques: Are Retinal and Brain Neurodegenerative Disorders Related?
2023-Nov-02, Pharmaceuticals (Basel, Switzerland)
DOI:10.3390/ph16111555
PMID:38004422
|
研究论文 | 研究构建了渗出性年龄相关性黄斑变性（nAMD）的诊断和治疗分子网络，并探讨了其与脑神经退行性疾病的关联 | 采用多层网络分析、模糊逻辑模型和深度学习技术，识别了nAMD中的关键基因、miRNAs、lncRNAs、代谢物和SNPs，并发现这些与阿尔茨海默病、精神分裂症等神经退行性疾病有关 | 研究主要集中在分子网络的构建和关联分析，未涉及临床试验或实际治疗效果的验证 | 旨在识别nAMD发病机制中的关键分子，并探讨其与其他神经退行性疾病的关联 | nAMD中的蛋白质、miRNAs、lncRNAs、代谢物和SNPs | 机器学习 | 眼科疾病 | 多层网络分析、模糊逻辑模型、遗传算法 | LSTM网络 | 基因、miRNAs、lncRNAs、代谢物、SNPs | 30个关键基因、6个miRNAs、4个lncRNAs、3个关键代谢物、9个关键SNPs | NA | NA | NA | NA |
| 147 | 2024-10-15 |
Choroidal Vessel and Stromal Volumetric Analysis After Photodynamic Therapy or Focal Laser for Central Serous Chorioretinopathy
2023-11-01, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.12.11.26
PMID:37982766
|
研究论文 | 研究使用体积分析量化中心性浆液性脉络膜视网膜病变（CSCR）患者在接受光动力疗法（PDT）和局部激光光凝（PC）后脉络膜血管和基质的体积变化 | 首次使用深度学习方法进行三维光学相干断层扫描体积分析，量化PDT和PC治疗后脉络膜血管和基质的体积变化 | 这是一项回顾性比较研究，样本量较小，且仅包括CSCR患者 | 研究PDT和PC治疗对CSCR患者脉络膜血管和基质体积的影响 | 中心性浆液性脉络膜视网膜病变（CSCR）患者的脉络膜血管和基质 | NA | NA | 深度学习 | NA | 图像 | 58只眼（58名患者），其中33只眼接受PC治疗，25只眼接受PDT治疗 | NA | NA | NA | NA |
| 148 | 2024-10-14 |
Just-in-time deep learning for real-time X-ray computed tomography
2023-Nov-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-46028-9
PMID:37973801
|
研究论文 | 本文介绍了一种在实时X射线计算机断层扫描中使用深度学习进行即时学习的策略 | 开发了即时学习策略，利用连续重建的空间-时间连续性在实验期间训练和部署较小的深度神经网络 | 即时学习策略在科学环境中可能面临训练数据不足和实验设置不确定性的挑战 | 扩展实时重建功能，通过图像处理和分析组件增强实时X射线断层扫描 | 实时X射线断层扫描中的深度神经网络集成 | 计算机视觉 | NA | 深度神经网络 | 深度神经网络 | 图像 | 使用来自真实动态实验的X射线数据进行训练 | NA | NA | NA | NA |
| 149 | 2024-10-14 |
Ensemble classification of integrated CT scan datasets in detecting COVID-19 using feature fusion from contourlet transform and CNN
2023-11-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-47183-9
PMID:37973820
|
研究论文 | 本文提出了一种基于机器学习和深度学习的自动化方法，用于通过融合轮廓变换和卷积神经网络的特征来检测COVID-19 | 本文创新性地使用了轮廓变换和卷积神经网络的特征融合方法，并结合二进制差分进化算法进行特征优化，最终通过集成学习方法提高了检测准确率 | NA | 开发一种自动化方法，通过CT扫描图像早期检测COVID-19，以降低死亡率 | COVID-19的CT扫描图像 | 计算机视觉 | COVID-19 | 轮廓变换、卷积神经网络、二进制差分进化算法 | 集成学习 | 图像 | 11,407张CT扫描图像，其中7397张为COVID-19图像，4010张为正常图像 | NA | NA | NA | NA |
| 150 | 2024-10-14 |
Deep learning workflow for the inverse design of molecules with specific optoelectronic properties
2023-Nov-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-45385-9
PMID:37973879
|
研究论文 | 本文介绍了一种用于设计具有特定光电特性的分子的深度学习工作流程 | 提出了结合密度泛函紧束缚方法、图卷积神经网络和掩码语言模型的迭代深度学习工作流程，以加速分子设计 | NA | 开发一种加速具有特定光电特性的分子设计的计算方法 | 具有特定光电特性的新型分子 | 机器学习 | NA | 密度泛函紧束缚方法 | 图卷积神经网络 | 分子数据 | NA | NA | NA | NA | NA |
| 151 | 2024-10-14 |
Automated crystal system identification from electron diffraction patterns using multiview opinion fusion machine learning
2023-Nov-14, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2309240120
PMID:37943836
|
研究论文 | 本文开发了一种基于多视角意见融合机器学习的框架，用于从任意方向的电子衍射图案中自动识别晶体系统 | 提出了一个基于卷积神经网络和证据深度学习的框架，通过量化和融合多视角预测的不确定性，实现了对任意方向电子衍射图案的晶体系统分类 | NA | 加速高吞吐量材料数据分析实验 | 电子衍射图案中的晶体系统识别 | 机器学习 | NA | 卷积神经网络 | CNN | 图像 | NA | NA | NA | NA | NA |
| 152 | 2024-10-14 |
Integrated Molecular Modeling and Machine Learning for Drug Design
2023-Nov-14, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.3c00814
PMID:37883810
|
研究论文 | 本文总结了将分子建模与机器学习相结合以开发计算工具用于调节剂设计的最新努力 | 提出了基于AlphaSpace的口袋引导理性设计方法，用于靶向蛋白质-蛋白质相互作用，以及用于蛋白质-配体对接和虚拟筛选的delta机器学习评分函数，并使用最先进的深度学习模型预测基于分子力学优化几何结构的计算和实验分子性质 | 讨论了当前方法的局限性，并指出了未来发展的有前景的方向 | 开发计算工具以加速新药的研发过程 | 蛋白质-蛋白质相互作用、蛋白质-配体对接、虚拟筛选以及分子性质预测 | 机器学习 | NA | 分子建模、机器学习 | 深度学习模型 | 分子几何结构 | NA | NA | NA | NA | NA |
| 153 | 2024-10-14 |
A Deep Learning Approach for Automatic and Objective Grading of the Motor Impairment Severity in Parkinson's Disease for Use in Tele-Assessments
2023-Nov-06, Sensors (Basel, Switzerland)
DOI:10.3390/s23219004
PMID:37960703
|
研究论文 | 研究使用深度学习方法通过低成本可穿戴传感器自动客观评估帕金森病患者的运动障碍严重程度 | 通过扩展训练数据集和使用无监督预训练权重，提高了运动障碍分类的准确性 | 研究结果仅限于特定的运动任务，未涵盖所有可能的运动障碍评估 | 探索深度学习在远程评估帕金森病患者运动障碍严重程度中的应用 | 帕金森病患者的运动障碍严重程度 | 机器学习 | 神经退行性疾病 | 深度学习 | XceptionTime | 运动数据 | 包括帕金森病患者和健康老年人的运动数据 | NA | NA | NA | NA |
| 154 | 2024-10-14 |
Unsupervised deep learning registration model for multimodal brain images
2023-Nov, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.14177
PMID:37823748
|
研究论文 | 本文提出了一种基于卷积神经网络的无监督深度学习模型，用于多模态脑图像的配准 | 本文的创新点在于使用无监督学习方法进行多模态脑图像的配准，避免了传统监督学习方法对大量标注数据的依赖和可能的偏差 | 本文的局限性在于仅使用了CT和MR图像进行实验，未来可以扩展到更多模态的图像 | 本文的研究目的是开发一种高效且准确的多模态脑图像配准方法，以支持临床图像引导的干预 | 本文的研究对象是脑部CT和MR图像的配准 | 计算机视觉 | NA | 卷积神经网络 | 卷积神经网络 | 图像 | 1100对CT/MR切片，来自110名有/无肿瘤的神经心理患者 | NA | NA | NA | NA |
| 155 | 2024-10-14 |
Deep Learning for Genomics: From Early Neural Nets to Modern Large Language Models
2023-Nov-01, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms242115858
PMID:37958843
|
review | 本文从基因组学角度简要讨论了不同深度学习模型的优势，以便为每个特定任务选择合适的基于深度学习的架构，并强调了开发基因组学深度学习架构的实际考虑 | 本文回顾了深度学习在基因组学研究各个方面的应用，并指出了当前的挑战和未来基因组学应用的潜在研究方向 | NA | 探讨深度学习在基因组学中的应用及其未来发展方向 | 不同深度学习模型在基因组学任务中的适用性 | machine learning | NA | high-throughput sequencing | NA | genomic data | NA | NA | NA | NA | NA |
| 156 | 2024-10-14 |
Deep Learning Framework for Liver Segmentation from T1-Weighted MRI Images
2023-Nov-01, Sensors (Basel, Switzerland)
DOI:10.3390/s23218890
PMID:37960589
|
研究论文 | 研究提出了一种用于从T1加权MRI图像中分割肝脏的深度学习框架 | 提出了一种新的级联网络，用于分割轴向肝脏切片，并在肝脏分割任务中表现优于现有方法 | 研究仅使用了20名患者的647张MR切片数据，样本量较小 | 开发一种自动分割肝脏的深度学习框架，以辅助临床诊断 | 肝脏在T1加权MRI图像中的分割 | 计算机视觉 | NA | MRI | CNN | 图像 | 20名患者，647张MR切片 | NA | NA | NA | NA |
| 157 | 2024-10-14 |
Efficient semi-supervised semantic segmentation of electron microscopy cancer images with sparse annotations
2023-Nov-01, bioRxiv : the preprint server for biology
DOI:10.1101/2023.10.30.563998
PMID:37961180
|
研究论文 | 研究了多种先进的深度学习模型用于电子显微镜癌症图像的语义分割，并探索了半监督学习方法 | 引入了半监督学习方法Cross Pseudo Supervision，并比较了多种先进模型在稀疏标注数据上的表现 | 需要进一步研究如何减少手动分割的时间瓶颈 | 加速电子显微镜癌症图像的分析 | 肿瘤活检中的细胞核和核仁 | 计算机视觉 | 癌症 | 电子显微镜 | UNet++, FracTALResNet, SenFormer, CEECNet | 图像 | 三个完全标注的内部数据集 | NA | NA | NA | NA |
| 158 | 2024-10-14 |
Deep learning-based multimodal fusion network for segmentation and classification of breast cancers using B-mode and elastography ultrasound images
2023-Nov, Bioengineering & translational medicine
IF:6.1Q1
DOI:10.1002/btm2.10480
PMID:38023698
|
研究论文 | 本文提出了一种基于深度学习的乳腺肿瘤分割与分类方法，利用B模式和弹性成像超声图像进行多模态融合 | 本文提出了一种加权多模态U-Net模型和多模态融合框架，能够同时从B模式和弹性成像超声图像中学习互补信息，并在实际临床数据上表现优异 | NA | 开发一种能够提高乳腺肿瘤分类准确性的计算机辅助诊断系统 | 乳腺肿瘤的分割与分类 | 计算机视觉 | 乳腺癌 | 深度学习 | U-Net、CNN | 图像 | NA | NA | NA | NA | NA |
| 159 | 2024-10-14 |
4D-CT deformable image registration using unsupervised recursive cascaded full-resolution residual networks
2023-Nov, Bioengineering & translational medicine
IF:6.1Q1
DOI:10.1002/btm2.10587
PMID:38023695
|
研究论文 | 提出了一种用于腹部四维计算机断层扫描（4D-CT）图像配准的新型递归级联全分辨率残差网络（RCFRR-Net） | 该网络采用无监督学习方法，无需变形向量场的真实值，通过级联三个不同架构的全分辨率残差子网络实现渐进式配准 | NA | 开发一种在医学图像配准中表现优越且具有广泛应用前景的新方法 | 腹部四维计算机断层扫描（4D-CT）图像的配准 | 计算机视觉 | NA | 递归级联全分辨率残差网络（RCFRR-Net） | 递归级联全分辨率残差网络（RCFRR-Net） | 图像 | 使用了内部4D-CT数据集、公开的DIRLAB 4D-CT数据集和4D锥束CT（4D-CBCT）数据集进行广泛的网络测试 | NA | NA | NA | NA |
| 160 | 2024-10-14 |
Virtual differential phase-contrast and dark-field imaging of x-ray absorption images via deep learning
2023-Nov, Bioengineering & translational medicine
IF:6.1Q1
DOI:10.1002/btm2.10494
PMID:38023711
|
研究论文 | 本文展示了使用深度卷积神经网络将X射线吸收图像转换为差分相衬和暗场图像的方法 | 通过生成对抗网络训练的深度卷积神经网络，能够直接将X射线吸收图像转换为差分相衬和暗场图像，效果可与同步辐射光源和实验室设备获得的图像相媲美 | NA | 解决生物组织中弱吸收对比度问题，扩展X射线图像对比度生成的方法 | X射线吸收图像转换为差分相衬和暗场图像 | 计算机视觉 | NA | 深度学习 | 深度卷积神经网络 | 图像 | NA | NA | NA | NA | NA |