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 329 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 | 2024-12-08 |
A newcomer's guide to deep learning for inverse design in nano-photonics
2023-Dec, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2023-0527
PMID:39634708
|
review | 本文为纳米光子学领域的新手提供了一个关于深度学习在逆向设计中应用的综合指南 | 本文填补了针对无深度学习经验新手的综合教程的空白，并提供了详细的Python笔记本示例以促进理解和实施 | 本文主要关注纳米光子学领域的研究人员，尽管对其他领域使用深度学习的研究人员也有参考价值 | 旨在为新手提供应用深度学习解决纳米光子学逆向设计问题的实用指导 | 纳米光子学设备的逆向设计 | 纳米光子学 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 202 | 2024-12-02 |
Coarse-Graining with Equivariant Neural Networks: A Path Toward Accurate and Data-Efficient Models
2023-Dec-14, The journal of physical chemistry. B
DOI:10.1021/acs.jpcb.3c05928
PMID:38033234
|
研究论文 | 本文探讨了使用等变神经网络进行粗粒化分子建模和模拟，以提高模型的准确性和数据效率 | 本文提出通过引入等变卷积操作来减少神经网络在预测分子能量和力时对大量数据的需求 | 尽管等变卷积操作提高了数据效率，但模型仍然比成对力场慢 | 研究如何通过等变神经网络提高粗粒化分子模型的准确性和数据效率 | 粗粒化水分子模型 | 机器学习 | NA | 等变卷积操作 | 神经网络 | 分子动力学数据 | 单帧参考数据 | NA | NA | NA | NA |
| 203 | 2024-11-27 |
Denoising magnetic resonance spectroscopy (MRS) data using stacked autoencoder for improving signal-to-noise ratio and speed of MRS
2023-Dec, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16831
PMID:37947479
|
研究论文 | 本文提出了一种使用堆叠自编码器（SAE）对磁共振波谱（MRS）数据进行去噪的方法，以提高信号噪声比（SNR）和MRS的采集速度 | 本文的创新点在于使用深度学习方法对MRS数据进行去噪，而不需要增加信号平均次数（NSA），从而缩短采集时间并提高SNR | 本文的局限性在于仅在脑波谱模型和人体受试者数据上进行了验证，尚未在更广泛的临床环境中进行测试 | 本文的研究目的是通过深度学习方法提高MRS数据的SNR和采集速度，从而增强MRS的诊断价值和临床应用 | 本文的研究对象是磁共振波谱（MRS）数据，特别是低NSA数据 | 机器学习 | NA | 堆叠自编码器（SAE） | 堆叠自编码器（SAE） | 磁共振波谱（MRS）数据 | 研究使用了脑波谱模型和人体受试者的数据，包括脑肿瘤患者的数据 | NA | NA | NA | NA |
| 204 | 2024-11-14 |
Acceleration of high-quality Raman imaging via a locality enhanced transformer network
2023-Dec-04, The Analyst
DOI:10.1039/d3an01543b
PMID:37971331
|
研究论文 | 本文提出了一种局部增强的Transformer网络（LETNet）用于拉曼图像超分辨率处理，以加速高质量拉曼成像 | 本文创新性地将Transformer架构中的自注意力机制替换为卷积，并采用深度卷积优化模型，显著提高了计算效率 | NA | 本文旨在通过深度学习方法加速高质量拉曼成像，以促进其在实时诊断和治疗中的应用 | 本文研究对象包括乳腺癌细胞和脑肿瘤组织的拉曼图像 | 计算机视觉 | 乳腺癌、脑肿瘤 | 拉曼成像 | Transformer网络 | 图像 | 乳腺癌细胞和脑肿瘤组织的拉曼图像 | NA | NA | NA | NA |
| 205 | 2024-11-10 |
Automatic segmentation of atrial fibrillation and flutter in single-lead electrocardiograms by self-supervised learning and Transformer architecture
2023-12-22, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocad219
PMID:37949101
|
研究论文 | 本文开发了一种基于Transformer架构和自监督学习的深度学习模型，用于单导联心电图中的房颤和房扑自动分割 | 本文首次将Transformer架构与自监督学习结合，用于单导联心电图中的房颤和房扑分割 | 本文仅在11个公开数据库和24个外部验证样本上进行了验证，未来需在更多临床数据上进行验证 | 开发一种自动检测房颤和房扑的深度学习模型，以预防中风和缓解血流动力学不稳定 | 单导联心电图中的房颤和房扑 | 机器学习 | 心血管疾病 | 自监督学习 | Transformer | 心电图 | 11个公开数据库中的心电图数据，以及24个外部验证样本 | NA | NA | NA | NA |
| 206 | 2024-11-10 |
Diffusion Models To Predict 3D Late Mechanical Activation From Sparse 2D Cardiac MRIs
2023-Dec, Proceedings of machine learning research
PMID:38525446
|
研究论文 | 本文提出了一种基于形状约束扩散模型从稀疏的2D心脏MRI图像预测3D晚期机械激活（LMA）图的方法 | 本文的创新点在于利用从训练数据中学习到的对象形状作为先验知识，指导3D重建过程，而不是仅仅依赖于图像强度的空间相关性 | NA | 确定心脏再同步治疗中最佳起搏点的关键在于识别左心室心肌的晚期机械激活区域 | 左心室心肌的3D晚期机械激活图 | 计算机视觉 | 心血管疾病 | 深度学习 | 扩散模型 | 图像 | 使用了公开的3D心肌网格数据集进行训练和测试 | NA | NA | NA | NA |
| 207 | 2024-10-26 |
Invariant point message passing for protein side chain packing
2023-Dec-21, bioRxiv : the preprint server for biology
DOI:10.1101/2023.08.03.551328
PMID:38187664
|
研究论文 | 本文介绍了一种基于几何图神经网络的蛋白质侧链包装方法PIPPack，通过几何感知的不变点消息传递（IPMP）处理局部结构和序列信息，生成理想的侧链坐标 | 本文提出了一种新的蛋白质侧链包装方法PIPPack，结合了几何图神经网络和不变点消息传递技术，显著提高了计算速度 | NA | 开发一种高效且准确的蛋白质侧链包装方法 | 蛋白质侧链的包装 | 机器学习 | NA | 几何图神经网络 | IPMP | 蛋白质结构数据 | 约1400个高质量蛋白质链 | NA | NA | NA | NA |
| 208 | 2024-10-21 |
Validation of a Deep Learning Chest X-ray Interpretation Model: Integrating Large-Scale AI and Large Language Models for Comparative Analysis with ChatGPT
2023-Dec-30, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics14010090
PMID:38201398
|
研究论文 | 本研究评估了两种人工智能技术在胸部X光读片中的诊断准确性和临床效用，并比较了KARA-CXR和ChatGPT的表现 | 本研究首次将大规模AI和大型语言模型（LLMs）应用于胸部X光读片的辅助技术KARA-CXR与ChatGPT进行比较分析 | 研究仅使用了单一机构的2000张胸部X光图像，样本量和机构代表性有限 | 验证KARA-CXR和ChatGPT在胸部X光读片中的性能，并探讨其在医学影像诊断领域的潜在应用 | KARA-CXR和ChatGPT在胸部X光读片中的诊断准确性和临床效用 | 计算机视觉 | NA | 大型语言模型（LLMs） | 人工神经网络 | 图像 | 2000张胸部X光图像 | NA | NA | NA | NA |
| 209 | 2024-10-21 |
Machine Learning Algorithm: Texture Analysis in CNO and Application in Distinguishing CNO and Bone Marrow Growth-Related Changes on Whole-Body MRI
2023-Dec-27, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics14010061
PMID:38201370
|
研究论文 | 本研究分析了慢性非细菌性骨髓炎（CNO）骨病变的纹理特征，并通过机器学习和深度学习方法区分CNO病变与骨髓生长相关变化 | 本研究首次将机器学习和深度学习方法应用于区分CNO病变与骨髓生长相关变化，并展示了神经网络在分类中的最佳表现 | 本研究仅限于儿童人群，且样本量较小 | 分析CNO骨病变的纹理特征，并通过机器学习和深度学习方法区分CNO病变与骨髓生长相关变化 | 慢性非细菌性骨髓炎（CNO）骨病变和骨髓生长相关变化 | 机器学习 | 慢性非细菌性骨髓炎 | 纹理分析（TA） | 神经网络（NN） | 图像 | 66名确诊CNO患者和28名疑似全身性疾病患者 | NA | NA | NA | NA |
| 210 | 2024-10-21 |
Dry Eye Subtype Classification Using Videokeratography and Deep Learning
2023-Dec-26, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics14010052
PMID:38201361
|
研究论文 | 本文介绍了一种利用视频角膜地形图和深度学习进行干眼亚型分类的新方法 | 提出了一种名为'AI-supported TFOD'的非侵入性方法，使用视频角膜地形图和'模糊值'作为新的指标，结合深度学习进行干眼亚型分类 | 研究样本量较小，且分类准确率在某些亚型中仍有提升空间 | 开发一种新的干眼亚型分类方法，以提高诊断的准确性和效率 | 243例干眼病例，包括严重水液缺乏型、轻中度水液缺乏型、湿润度下降型和蒸发增加型 | 计算机视觉 | 眼科疾病 | 深度学习 | 3D卷积神经网络 | 图像 | 243例干眼病例，包括23名男性和220名女性，平均年龄64.4岁 | NA | NA | NA | NA |
| 211 | 2024-10-21 |
CryoVirusDB: A Labeled Cryo-EM Image Dataset for AI-Driven Virus Particle Picking
2023-Dec-26, bioRxiv : the preprint server for biology
DOI:10.1101/2023.12.25.573312
PMID:38234823
|
研究论文 | 本文介绍了一个名为CryoVirusDB的标注冷冻电镜图像数据集，用于AI驱动的病毒颗粒挑选 | 本文的创新点在于填补了人工标注高质量数据集的空白，为AI和机器学习方法提供了训练和测试的基础 | NA | 本文的研究目的是为AI和机器学习方法提供一个标注的冷冻电镜图像数据集，以准确识别病毒颗粒 | 本文的研究对象是冷冻电镜图像中的病毒颗粒 | 计算机视觉 | NA | 冷冻电镜 | 深度学习 | 图像 | 9941张微观图像，包含339,398个标注的病毒颗粒 | NA | NA | NA | NA |
| 212 | 2024-10-21 |
Visual Prompting based Incremental Learning for Semantic Segmentation of Multiplex Immuno-Flourescence Microscopy Imagery
2023-Dec-25, Research square
DOI:10.21203/rs.3.rs-3783494/v1
PMID:38234728
|
研究论文 | 本文提出了一种基于视觉提示的增量学习框架，用于对多重免疫荧光显微图像进行语义分割 | 本文的创新点在于使用最小量的人工标注数据，通过增量学习逐步优化多类分割模型，显著提高了分割性能 | 本文的局限性在于依赖于人工专家的额外标注，且仅在特定类型的图像数据上进行了验证 | 本文的研究目的是在医学图像分割领域，通过增量学习方法解决标注数据稀缺的问题 | 本文的研究对象是高分辨率的多重免疫荧光显微图像 | 计算机视觉 | NA | 多重免疫荧光显微成像 | Swin-UNet | 图像 | 涉及大鼠脑部切片的多重免疫荧光图像 | NA | NA | NA | NA |
| 213 | 2024-10-21 |
Experimental Examination of Conventional, Semi-Automatic, and Automatic Volumetry Tools for Segmentation of Pulmonary Nodules in a Phantom Study
2023-Dec-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics14010028
PMID:38201337
|
研究论文 | 本研究旨在评估半自动、常规和自动体积测量工具在胸部CT中对肺结节分割的精度 | 本研究首次在仿真模型上比较了多种体积测量工具的性能，包括半自动和自动分割方法 | 所有评估的工具在高精度放射治疗中仍需视觉控制和必要时的手动修正 | 评估不同体积测量工具在肺结节分割中的精度 | 胸部CT中的肺结节 | 数字病理学 | 肺癌 | 深度学习算法 | NA | 图像 | 使用了一个仿真模型（N1 LUNGMAN） | NA | NA | NA | NA |
| 214 | 2024-10-21 |
COVID-19 infection segmentation using hybrid deep learning and image processing techniques
2023-12-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-49337-1
PMID:38123587
|
研究论文 | 本文提出了一种结合深度学习和图像处理技术的方法，用于从CT扫描图像中分割COVID-19感染区域 | 本文提出了一种新的方法，通过将CT扫描图像转换为彩色图像并分离RGB通道，增强了U-Net在分割中的性能，从而提高了COVID-19检测的准确性 | 本文未提及具体的局限性 | 研究目的是提高COVID-19感染在CT扫描图像中的检测准确性 | 研究对象是COVID-19感染的CT扫描图像 | 计算机视觉 | COVID-19 | 深度学习、图像处理 | U-Net | 图像 | 使用了CT扫描数据集进行评估 | NA | NA | NA | NA |
| 215 | 2024-10-21 |
Deep Learning Model Based on You Only Look Once Algorithm for Detection and Visualization of Fracture Areas in Three-Dimensional Skeletal Images
2023-Dec-20, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics14010011
PMID:38201320
|
研究论文 | 本文提出了一种基于YOLO v4算法的深度学习模型，用于检测和可视化三维骨骼图像中的骨折区域 | 利用YOLO v4算法实现骨折区域的快速检测和直观可视化，通过在3D重建骨骼图像上叠加红色掩膜来突出显示骨折区域 | NA | 帮助医生更准确和直观地检测和诊断骨折，减少误诊 | 三维骨骼图像中的骨折区域 | 计算机视觉 | NA | YOLO v4 | YOLO v4 | 三维骨骼图像 | 胫骨和肘部的骨折区域，分别报告了0.71和0.81的平均精度值，以及0.6327和0.6638的IoU值 | NA | NA | NA | NA |
| 216 | 2024-10-21 |
Clinical evaluation of a deep-learning model for automatic scoring of the Alberta stroke program early CT score on non-contrast CT
2023-Dec-19, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2022-019970
PMID:37015781
|
研究论文 | 本文介绍了一种基于深度学习算法的自动评分系统Heuron ASPECTS，用于评估急性缺血性卒中患者的早期CT评分 | 开发了一种基于深度学习算法的自动评分系统Heuron ASPECTS，用于替代人工评估急性缺血性卒中患者的早期CT评分 | 研究样本主要集中在急性缺血性卒中患者，其他类型脑疾病的验证样本较少 | 验证基于深度学习算法的自动评分系统Heuron ASPECTS在临床实践中的可靠性和准确性 | 急性缺血性卒中患者和其他急性脑疾病患者的非对比CT图像 | 计算机视觉 | 脑血管疾病 | 深度学习算法 | 深度学习模型 | 图像 | 训练模型使用了487名急性缺血性卒中患者的非对比CT图像，临床试验中包括326名患者（87名急性缺血性卒中患者，56名其他急性脑疾病患者，183名无脑疾病患者） | NA | NA | NA | NA |
| 217 | 2024-10-21 |
An improved human activity recognition technique based on convolutional neural network
2023-12-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-49739-1
PMID:38114574
|
研究论文 | 本文研究了卷积神经网络（CNN）在人类活动识别（HAR）任务中的应用，并提出了一种改进的CNN模型 | 提出的CNN模型在人类活动识别任务中的准确率达到了97.20%，优于现有的最先进技术 | NA | 研究卷积神经网络在人类活动识别中的应用，并提出一种改进的模型以提高识别准确率 | 人类活动识别任务 | 计算机视觉 | NA | 卷积神经网络（CNN） | 卷积神经网络（CNN） | 传感器序列数据 | 使用了公开的WISDM数据集进行研究 | NA | NA | NA | NA |
| 218 | 2024-10-21 |
The Algorithmic Lung Detective: Artificial Intelligence in the Diagnosis of Pulmonary Embolism
2023-Dec, Cureus
DOI:10.7759/cureus.51006
PMID:38259362
|
研究论文 | 本文探讨了人工智能在肺栓塞诊断中的应用 | 利用卷积神经网络和深度学习重建技术，人工智能在肺栓塞检测中表现出更高的敏感性和阴性预测值 | 人工智能作为放射科医生的辅助工具，而非替代品，仍需人类专家的判断 | 提高肺栓塞诊断的准确性和效率 | 肺栓塞的诊断 | 计算机视觉 | 心血管疾病 | 卷积神经网络 | CNN | 图像 | NA | NA | NA | NA | NA |
| 219 | 2024-10-20 |
Outdoor Navigation Assistive System Based on Robust and Real-Time Visual-Auditory Substitution Approach
2023-Dec-27, Sensors (Basel, Switzerland)
DOI:10.3390/s24010166
PMID:38203027
|
研究论文 | 本文提出了一种基于深度学习和视觉-听觉替代方法的户外导航辅助系统，旨在帮助盲人安全有效地到达目的地 | 该系统结合了3D空间化声音和障碍物信息，通过惯性传感器、GPS数据和地图知识定义轨迹，并使用深度学习方法进行实时处理 | NA | 开发一种能够帮助盲人独立导航的辅助系统 | 盲人及其在户外环境中的导航能力 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | 包含行人视角导航数据的多个数据集 | NA | NA | NA | NA |
| 220 | 2024-10-20 |
A Survey of Sound Source Localization and Detection Methods and Their Applications
2023-Dec-22, Sensors (Basel, Switzerland)
DOI:10.3390/s24010068
PMID:38202930
|
综述 | 本文综述了声源定位与检测方法及其应用 | 对基于传播模型和基于机器学习及深度学习技术的经典方法进行了分析 | NA | 为选择该领域最合适的方法提供有价值的资源 | 声源定位与检测方法 | 机器学习 | NA | 深度学习 | NA | 声音 | NA | NA | NA | NA | NA |