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 2035 篇文献，本页显示第 1981 - 2000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1981 | 2024-08-07 |
MIFAM-DTI: a drug-target interactions predicting model based on multi-source information fusion and attention mechanism
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1381997
PMID:38770418
|
研究论文 | 本文提出了一种基于多源信息融合和注意力机制的药物-靶点相互作用预测模型MIFAM-DTI | MIFAM-DTI模型通过整合多源信息并利用图注意力网络和多头自注意力机制，自主学习注意力权重，更全面地捕捉序列数据中的信息 | NA | 提高药物-靶点相互作用预测的准确性和效率 | 药物-靶点相互作用的预测 | 机器学习 | NA | 图注意力网络，多头自注意力 | MIFAM-DTI | 特征向量，邻接矩阵 | NA | NA | NA | NA | NA |
| 1982 | 2024-08-07 |
Deep learning-assisted lesion segmentation in PET/CT imaging: A feasibility study for salvage radiation therapy in prostate cancer
2024, Oncoscience
DOI:10.18632/oncoscience.603
PMID:38770445
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1983 | 2024-08-07 |
Ischemic stroke outcome prediction with diversity features from whole brain tissue using deep learning network
2024, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2024.1394879
PMID:38765270
|
研究论文 | 本研究提出了一种基于全脑多样性特征的缺血性中风结果预测方法，通过深度学习网络提高预测的准确性和效率 | 本研究不使用患者基本信息和病变图像特征，直接从动态磁敏感对比灌注加权成像中提取特征，结合机器和深度学习模型进行预测 | NA | 提高缺血性中风结果预测的准确性和效率 | 缺血性中风的结果预测 | 机器学习 | 中风 | 动态磁敏感对比灌注加权成像（DSC-PWI） | Resnet 18 | 图像 | NA | NA | NA | NA | NA |
| 1984 | 2024-08-07 |
Data leakage in deep learning studies of translational EEG
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1373515
PMID:38765672
|
研究论文 | 本文探讨了在应用深度神经网络（DNNs）于人类脑电图（EEG）记录以识别多种疾病时，由于数据分割方式导致的数据泄露问题 | 通过比较基于片段和基于受试者的保留方法，揭示了现有研究中普遍存在的数据泄露问题 | 仅限于分析两种数据集（阿尔茨海默病和癫痫发作），可能需要更多数据集来验证结论的普遍性 | 评估和揭示在EEG数据分析中使用深度学习模型时可能存在的数据泄露问题 | 脑电图记录和深度神经网络分类器的性能 | 机器学习 | NA | 深度神经网络（DNNs） | DNN分类器 | 脑电图（EEG）记录 | 涉及两个数据集（一个用于阿尔茨海默病分类，另一个用于癫痫发作分类） | NA | NA | NA | NA |
| 1985 | 2024-08-07 |
Fusion inception and transformer network for continuous estimation of finger kinematics from surface electromyography
2024, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2024.1305605
PMID:38765870
|
研究论文 | 本文提出了一种名为融合初始和变换器网络（FIT）的新型深度学习模型，用于从表面肌电图（sEMG）连续估计手指运动学 | FIT模型结合了Inception和Transformer网络的优势，有效处理序列数据的局部和全局信息 | NA | 实现稳定、自然和一致的人机交互（HCI）控制 | 从表面肌电图信号中预测手部关节角度的值 | 机器学习 | NA | 深度学习 | 融合初始和变换器网络（FIT） | 表面肌电图信号 | 10名受试者的六种典型手部抓握动作 | NA | NA | NA | NA |
| 1986 | 2024-08-07 |
FetSAM: Advanced Segmentation Techniques for Fetal Head Biometrics in Ultrasound Imagery
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3382487
PMID:38766538
|
研究论文 | FetSAM是一种先进的深度学习模型，旨在通过改进胎儿头部超声图像分割来提高产前诊断的精确度 | FetSAM采用了基于提示的学习方法和双损失机制（结合加权DiceLoss和加权Lovasz Loss），并通过AdamW优化和类别权重调整来实现更好的分割平衡 | NA | 提高胎儿头部超声图像分割的准确性，从而提升产前诊断的精确度 | 胎儿头部超声图像 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 最大的胎儿头部指标数据集 | NA | NA | NA | NA |
| 1987 | 2024-08-07 |
An integrated technology for quantitative wide mutational scanning of human antibody Fab libraries
2024-Jan-16, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.16.575852
PMID:38293170
|
research paper | 本文介绍了一种名为MAGMA-seq的综合技术，用于定量分析人类抗体Fab库的广泛突变扫描 | MAGMA-seq技术结合了多种抗原和抗体，并使用深度测序确定定量生物物理参数，能够在一个实验中测量多个给定亲本抗体突变体的结合情况 | NA | 旨在通过学习抗体分子识别，设计高亲和力结合物，以对抗几乎任何蛋白质表面 | 研究对象包括人类抗体的Fab库，以及多种抗原和抗体的序列-功能关系 | NA | NA | 深度测序 | NA | 序列数据 | 两个汇集库，包含十个不同人类抗体的突变体 | NA | NA | NA | NA |
| 1988 | 2024-08-07 |
CylinGCN: Cylindrical structures segmentation in 3D biomedical optical imaging by a contour-based graph convolutional network
2024-01, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种基于轮廓的图卷积网络CylinGCN，用于生物医学光学成像中的三维圆柱结构分割 | 将圆柱结构视为三维图，引入了一种新的基于轮廓的图神经网络，能够提取语义特征和复杂拓扑关系，实现连续有效的三维分割 | NA | 开发一种新的方法用于生物医学光学成像中的三维圆柱结构分割 | 生物医学光学成像中的圆柱结构，如血管、气道和肠道 | 计算机视觉 | NA | 图卷积网络(GCN) | 图神经网络 | 三维体积数据 | 两种光学断层成像数据，小动物全身光声断层成像(PAT)和内窥镜气道光学相干断层成像(OCT) | NA | NA | NA | NA |
| 1989 | 2024-08-07 |
Deep learning for report generation on chest X-ray images
2024-01, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
综述 | 本文综述了深度学习技术在胸部X光图像分析中的应用，特别是使用卷积神经网络（CNN）进行放射报告生成的进展和挑战 | 深度学习技术在胸部X光图像分析中的应用显示出超越人类放射科医生的潜力 | NA | 探讨深度学习技术在胸部X光图像分析中的应用，特别是放射报告生成的进展和挑战 | 胸部X光图像分析 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | NA | NA | NA | NA | NA |
| 1990 | 2024-08-07 |
SMILE: Siamese Multi-scale Interactive-representation LEarning for Hierarchical Diffeomorphic Deformable image registration
2024-01, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种新的卷积神经网络（CNN），包含孪生多尺度交互表示学习（SMILE）编码器和层次化微分形变（HDD）解码器，用于可变形医学图像配准 | 本文创新性地引入了SMILE编码器和HDD解码器，以及一种新的局部可逆损失（LIL），以促进拓扑保持和局部可逆性，同时保持高配准精度 | 现有深度学习方法存在以下局限：(a) 由于感受野有限，常忽略特征对应关系的显式建模；(b) 对于具有大空间位移的图像对，性能仍然有限；(c) 常忽略拓扑保持和变换的可逆性 | 旨在改进可变形医学图像配准方法，特别是在特征对应关系建模、处理大空间位移图像对以及拓扑保持和变换可逆性方面 | 可变形医学图像配准 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | 在两个公开的大脑图像数据集上进行了大量实验 | NA | NA | NA | NA |
| 1991 | 2024-08-07 |
Model-Based Explainable Deep Learning for Light-Field Microscopy Imaging
2024, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2024.3387297
PMID:38656840
|
研究论文 | 本文提出了一种基于模型的可解释深度学习方法，用于光场显微镜成像，以观察神经元网络的信息处理 | 该方法结合了波动光学理论、稀疏表示和非线性优化与人工神经网络，设计了遵循精确信号和优化模型的神经网络架构，并采用了一种结合逐层训练和定制知识蒸馏的新颖训练策略 | NA | 开发一种新的计算方法，充分利用嵌入在物理和光学模型中的领域知识，同时实现高解释性和透明度 | 神经元网络的信息处理 | 计算机视觉 | NA | 光场显微镜成像 | 人工神经网络 | 图像 | 从散射的哺乳动物脑组织中获得的结构和功能光场显微镜数据 | NA | NA | NA | NA |
| 1992 | 2024-08-07 |
High-precision tracking and positioning for monitoring Holstein cattle
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0302277
PMID:38743665
|
研究论文 | 本文提出了一种基于深度学习的跟踪算法，用于在复杂实际场景中进行多目标跟踪，以提高对荷斯坦牛的监测和定位精度 | 提出的多目标跟踪算法在多个性能指标上优于现有顶级跟踪算法，特别是在多目标跟踪准确性、精确性和IDF1方面 | 算法在实际多变的牧场条件下仍面临挑战，如规模变化、不可预测的运动和遮挡问题 | 提高在复杂牧场环境中对荷斯坦牛的监测和定位精度 | 荷斯坦牛的监测和定位 | 计算机视觉 | NA | 深度学习 | CenterTrack算法 | 图像 | NA | NA | NA | NA | NA |
| 1993 | 2024-08-07 |
Specific emitter identification based on multiple sequence feature learning
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0299664
PMID:38748654
|
研究论文 | 本文提出了一种基于多序列特征学习的特定发射机识别算法 | 该算法通过提取通信辐射源发射信号的多序列特征，并构建多序列融合卷积网络进行深度特征提取和分类，有效提高了特定发射机识别的性能 | NA | 解决传统特定发射机识别算法依赖先验知识、泛化能力差以及现有基于深度学习的算法特征选择不佳的问题 | 特定发射机识别算法 | 机器学习 | NA | 卷积神经网络 | CNN | 信号序列 | NA | NA | NA | NA | NA |
| 1994 | 2024-08-07 |
Toward explainable AI in radiology: Ensemble-CAM for effective thoracic disease localization in chest X-ray images using weak supervised learning
2024, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2024.1366415
PMID:38756502
|
研究论文 | 本文开发了一种基于类激活映射（CAM）的集成模型Ensemble-CAM，用于通过弱监督学习解决胸部X光图像中胸腔疾病定位的问题 | 提出了Ensemble-CAM模型，结合集成学习和迁移学习，通过类激活函数实现疾病定位，减少对大量标注数据的依赖，并通过可视化解释性特征增强预测结果的信心 | NA | 开发一种可解释的人工智能模型，用于胸部X光图像中的胸腔疾病定位，并减少对大量标注数据的依赖 | 胸部X光图像中的胸腔疾病定位 | 计算机视觉 | 胸腔疾病 | 弱监督学习 | 集成模型 | 图像 | 三个胸部X光图像数据集 | NA | NA | NA | NA |
| 1995 | 2024-08-07 |
Apriori prediction of chemotherapy response in locally advanced breast cancer patients using CT imaging and deep learning: transformer versus transfer learning
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1359148
PMID:38756659
|
研究论文 | 本研究使用深度学习网络和CT影像预测局部晚期乳腺癌患者对新辅助化疗的反应，比较了ViT变换器和迁移学习网络的性能 | 首次使用ViT变换器和迁移学习网络结合CT影像预测局部晚期乳腺癌患者对新辅助化疗的反应，并展示了注意力机制的重要性 | 研究结果依赖于训练数据和测试数据的分割比例，且不同网络的性能差异较大 | 开发预测模型以预测局部晚期乳腺癌患者对新辅助化疗的肿瘤反应 | 局部晚期乳腺癌患者对新辅助化疗的反应 | 机器学习 | 乳腺癌 | CT影像 | ViT变换器, VGG16, VGG19, ResNet-50, ResNet-101, ResNet-152, InceptionV3, Xception | 影像 | 117名局部晚期乳腺癌患者，其中82名有临床病理反应，35名无反应 | NA | NA | NA | NA |
| 1996 | 2024-08-07 |
Open and remotely accessible Neuroplatform for research in wetware computing
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1376042
PMID:38756757
|
研究论文 | 本文介绍了一个开放且远程访问的神经平台，用于湿件计算和类器官智能的研究 | 开发了一个硬件和软件系统，支持大规模的电生理实验，并设计了微流控系统以自动化培养基流动和更换 | NA | 探索使用生物神经网络进行计算的新方法 | 神经类器官 | 人工智能 | NA | 电生理技术 | NA | 数据 | 超过1,000个脑类器官 | NA | NA | NA | NA |
| 1997 | 2024-08-07 |
Contrastive learning with token projection for Omicron pneumonia identification from few-shot chest CT images
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1360143
PMID:38756944
|
研究论文 | 本文提出了一种名为CoTP的对比学习模型，通过令牌投影技术提高从少量胸部CT图像中识别Omicron肺炎的诊断质量 | 利用无标签数据进行CoTP的拟合，并通过少量标记样本进行微调，同时引入新的Omicron数据集和改进的数据增强策略 | NA | 提高基于少量胸部CT图像的Omicron肺炎诊断效率 | Omicron肺炎的胸部CT图像识别 | 计算机视觉 | 肺炎 | 对比学习 | ResNet50 | 图像 | 少量标记样本和无标签数据 | NA | NA | NA | NA |
| 1998 | 2024-08-07 |
A Survey on 3D Skeleton-Based Action Recognition Using Learning Method
2024, Cyborg and bionic systems (Washington, D.C.)
DOI:10.34133/cbsystems.0100
PMID:38757045
|
综述 | 本文综述了基于三维骨骼的动作识别（3D SAR）在计算机视觉领域的研究进展，特别关注了深度学习架构的应用 | 首次全面讨论了基于深度学习的3D骨骼数据动作识别方法 | 之前的综述主要集中在视频或RGB数据为主的方法，对骨骼数据的覆盖有限 | 强调动作识别的重要性，并突出三维骨骼数据作为宝贵模态的意义 | 基于四种基本深度架构的动作识别技术 | 计算机视觉 | NA | 深度学习 | 循环神经网络、卷积神经网络、图卷积网络、Transformer | 骨骼数据 | 涉及当前最大的3D骨骼数据集NTU-RGB+D及其新版本NTU-RGB+D 120 | NA | NA | NA | NA |
| 1999 | 2024-08-07 |
Human Pose Estimation for Clinical Analysis of Gait Pathologies
2024, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322241231108
PMID:38757143
|
研究论文 | 本研究提出了一种用于定量评估步态障碍的二分类方法，特别是针对杜兴肌营养不良症（DMD）的步态特征进行分析 | 研究利用从YouTube和公开数据集中收集的新颖基准数据集，提取时间距离变量和下肢矢状关节角度，并采用机器学习和深度学习技术进行模式识别 | 当前模型能够区分健康对象和DMD患者，但不能区分DMD患者和其他步态障碍患者 | 开发一种成本效益高的方法，通过分析2D和3D人体姿态估计轨迹来检测步态异常 | 杜兴肌营养不良症（DMD）患者的步态特征 | 计算机视觉 | 神经肌肉疾病 | 人体姿态估计 | 支持向量机（SVM）和深度网络 | 视频（RGB） | 数据来自YouTube和公开数据集的健康儿童 | NA | NA | NA | NA |
| 2000 | 2024-08-07 |
[[Fundamentals] 8. Works on Mac or Windows! Practical Deep Learning with PyTorch]
2024, Nihon Hoshasen Gijutsu Gakkai zasshi
DOI:10.6009/jjrt.2024-2336
PMID:38644222
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |