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 1869 篇文献，本页显示第 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 2025-01-05 |
Deep learning-based automation for segmentation and biometric measurement of the gestational sac in ultrasound images
2024, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2024.1453302
PMID:39744215
|
研究论文 | 本研究开发了一种基于深度学习的自动化管道，用于超声图像中妊娠囊的分割和生物测量，以辅助超声医师准确估计孕龄 | 提出了一个新颖的数据集，并修改了四种广泛使用的全卷积神经网络，通过替换编码器为预训练的ResNet50来优化妊娠囊分割，并引入了新的生物测量方法来自动评估孕龄 | 研究仅基于500个超声扫描样本，样本量相对较小，且仅涵盖了4至10周的妊娠期 | 开发自动化管道以辅助超声医师准确分割妊娠囊并估计孕龄 | 妊娠囊的超声图像 | 计算机视觉 | 妊娠相关疾病 | 深度学习 | UNet, UNet++, DeepLabV3, ResUNet | 超声图像 | 500个超声扫描样本 | NA | NA | NA | NA |
| 402 | 2025-01-05 |
AGMA-PESS: a deep learning-based infant pose estimator and sequence selector software for general movement assessment
2024, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2024.1465632
PMID:39744216
|
研究论文 | 本文介绍了一种基于深度学习的婴儿姿势估计和序列选择软件AGMA-PESS，用于自动选择早产儿一般运动评估（GMA）的视频序列并估计婴儿的2D姿势 | 开发了AGMA-PESS软件，利用最先进的深度学习婴儿姿势估计网络，自动选择GMA视频序列并估计婴儿姿势，提高了GMA在新生儿病房中的实施效率 | NA | 提高早产儿一般运动评估（GMA）的自动化水平，促进其在新生儿病房中的临床应用和研究 | 早产儿 | 计算机视觉 | NA | 深度学习 | CNN | 视频 | NA | NA | NA | NA | NA |
| 403 | 2025-01-05 |
The application of ChatGPT in nursing: a bibliometric and visualized analysis
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1521712
PMID:39744533
|
研究论文 | 本文通过文献计量和可视化分析，探讨了ChatGPT在护理领域的应用现状和发展趋势 | 首次使用文献计量方法全面分析ChatGPT在护理领域的应用，识别研究热点和趋势 | 作者群体之间的合作有限，研究仍处于基础研究阶段 | 描述和预测ChatGPT在护理领域的发展轨迹，识别研究热点和趋势 | ChatGPT在护理领域的应用 | 自然语言处理 | NA | 文献计量分析 | ChatGPT | 文本 | 81篇文章，67位作者 | NA | NA | NA | NA |
| 404 | 2025-01-05 |
From laboratory to field: cross-domain few-shot learning for crop disease identification in the field
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1434222
PMID:39744608
|
研究论文 | 本文提出了一种跨域少样本学习（CD-FSL）框架，用于作物病害识别，旨在通过探索域间相关性实现跨域泛化 | 提出了一个更广泛的跨域少样本学习框架，整合了布朗距离协方差（BCD）模块并改进了通用特征提取器，开发了三种代表性的CD-FSL模型 | 当前方法在跨域泛化时性能下降明显，尤其是在源域和目标域之间存在较大域差距时 | 研究跨域少样本学习在作物病害识别中的应用，提升模型在田间环境中的泛化能力 | 作物病害识别 | 计算机视觉 | 作物病害 | 少样本学习（FSL） | CDFSL-BDC, CDFSL-MAML, CDFSL-NML | 图像 | 六个公共数据集 | NA | NA | NA | NA |
| 405 | 2025-01-05 |
Multimodal sleep staging network based on obstructive sleep apnea
2024, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2024.1505746
PMID:39744723
|
研究论文 | 本文提出了一种基于阻塞性睡眠呼吸暂停（OSA）的多模态睡眠分期网络MSDC-SSNet，用于自动睡眠分期 | MSDC-SSNet通过改进的Transformer编码器架构和多尺度特征提取模块（MFEM），有效捕捉了EEG和EOG信号的长期依赖性和多尺度空间模式，增强了模型的鲁棒性，并解决了OSA对睡眠分期的影响 | 尽管在OSA患者数据集上表现良好，但样本量相对较小（17名OSA患者），可能需要更大规模的数据集进行进一步验证 | 开发一种适用于OSA患者的自动睡眠分期网络，以提高睡眠分期的准确性和鲁棒性 | 阻塞性睡眠呼吸暂停（OSA）患者的睡眠数据 | 机器学习 | 阻塞性睡眠呼吸暂停（OSA） | 深度学习 | Transformer, CNN | EEG, EOG信号 | 17名OSA患者的PSG记录 | NA | NA | NA | NA |
| 406 | 2025-01-04 |
Editorial: Deep learning and neuroimage processing in understanding neurological diseases
2024, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2024.1523973
PMID:39749286
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 407 | 2025-01-04 |
Improved Transfer Learning for Detecting Upper-Limb Movement Intention Using Mechanical Sensors in an Exoskeletal Rehabilitation System
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3486444
PMID:39453796
|
研究论文 | 本研究提出了一种利用深度和异构迁移学习技术从机械传感器信号中检测上肢运动意图的新策略 | 结合了三种传感器（sEMG、FSR和IMU）来捕捉生物信号，并使用CIFAR-ResNet18和CIFAR-MobileNetV2架构构建深度学习模型，通过优化技术确定每层的适当结构和学习率 | NA | 检测上肢运动意图，以改进康复辅助机器人的人机协作 | 上肢运动意图 | 机器学习 | NA | 深度学习和迁移学习 | CIFAR-ResNet18, CIFAR-MobileNetV2 | 机械传感器信号（sEMG、FSR、IMU） | NA | NA | NA | NA | NA |
| 408 | 2025-01-04 |
Automatic Gaze Analysis: A Survey of Deep Learning Based Approaches
2024-01, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2023.3321337
PMID:37966935
|
综述 | 本文综述了基于深度学习的自动视线分析方法及其在计算机视觉和人机交互领域的应用 | 本文特别关注了无监督和弱监督领域的视线估计和分割方法，并分析了这些方法的优势和评估指标 | 开发一个鲁棒且通用的视线分析方法仍需解决现实世界中的挑战，如无约束设置和较少监督的学习 | 探讨自动视线分析中的重要线索及其在无约束环境中的实时编码方法 | 视线分析任务和应用 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 409 | 2025-01-03 |
Automatic Detection and Assessment of Freezing of Gait Manifestations
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3431208
PMID:39028610
|
研究论文 | 本文研究了使用深度学习技术基于惯性测量单元数据自动检测和评估帕金森病患者的冻结步态（FOG）表现 | 本文创新性地将深度学习应用于冻结步态的分类，并引入细化模型以解决过分割错误，成功区分了冻结步态与其他形式的运动停止 | 研究样本量较小，仅包含18名帕金森病患者，需要在更大和更多样化的验证队列中进一步研究 | 分析深度学习在分类冻结步态表现中的有效性，并评估其严重程度 | 帕金森病患者的冻结步态表现 | 机器学习 | 帕金森病 | 深度学习 | 深度学习模型 | 惯性测量单元数据 | 18名帕金森病患者 | NA | NA | NA | NA |
| 410 | 2025-01-03 |
BrainNPT: Pre-Training Transformer Networks for Brain Network Classification
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3434343
PMID:39074019
|
研究论文 | 本文提出了一种基于Transformer网络的预训练方法BrainNPT，用于脑功能网络分类 | 首次将Transformer网络应用于脑网络分析，并提出了预训练框架以利用未标记数据 | 未明确提及具体局限性 | 提高脑功能网络分类的准确性 | 脑功能网络数据 | 机器学习 | NA | Transformer网络 | Transformer | 脑功能网络数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 411 | 2025-01-03 |
fNIRS-Driven Depression Recognition Based on Cross-Modal Data Augmentation
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3429337
PMID:39012734
|
研究论文 | 本文提出了一种基于跨模态数据增强的fNIRS驱动的抑郁症识别架构（fCMDA），通过将fNIRS数据转换为伪序列激活图像来提高抑郁症诊断的准确性 | 提出了跨模态数据增强方法（fCMDA），将fNIRS数据转换为伪序列激活图像，并结合时间域增强机制生成多样化数据，解决了数据不足的问题 | 数据收集仍然依赖于标准实验范式，且数据量有限，可能影响模型的泛化能力 | 提高抑郁症的早期诊断和干预效果，探索基于fNIRS和深度学习的抑郁症识别方法 | 抑郁症患者 | 机器学习 | 抑郁症 | 功能近红外光谱（fNIRS） | 深度分类网络 | fNIRS数据 | NA | NA | NA | NA | NA |
| 412 | 2025-01-03 |
Digital Biomarker for Muscle Function Assessment Using Surface Electromyography With Electrical Stimulation and a Non-Invasive Wearable Device
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3444890
PMID:39150814
|
研究论文 | 本文提出了一种使用表面肌电图（sEMG）结合电刺激和可穿戴设备的数字生物标志物测量技术，用于在家方便地监测肌肉功能 | 结合电刺激和可穿戴设备，利用卷积神经网络模型从连续小波变换图像中提取深度学习特征，训练回归模型来测量数字生物标志物 | 研究仅招募了健康参与者，未涉及患有肌肉功能退化的人群 | 开发一种便捷的肌肉功能监测技术，以检测由肌肉减少症引起的肌肉退化 | 20-60岁的健康参与者 | 数字病理学 | 老年疾病 | 表面肌电图（sEMG）结合电刺激 | 卷积神经网络（CNN） | 图像 | 98名健康参与者，包括48名男性 | NA | NA | NA | NA |
| 413 | 2025-01-03 |
ABR-Attention: An Attention-Based Model for Precisely Localizing Auditory Brainstem Response
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3445936
PMID:39159023
|
研究论文 | 本文介绍了一种名为ABR-Attention的深度学习网络，用于自动提取听觉脑干反应（ABR）中的特征波V潜伏期 | ABR-Attention模型引入了自注意力模块、一阶和二阶导数注意力模块以及回归模块，提高了特征波V潜伏期提取的准确性和效率 | 尽管ABR-Attention在提取特征波V潜伏期方面表现出色，但其在不同声压水平（SPLs）和不同误差尺度下的效果仍需进一步验证 | 开发一种自动提取ABR特征波V潜伏期的方法，以减少临床医生的工作量 | 听觉脑干反应（ABR）中的特征波V潜伏期 | 机器学习 | NA | 深度学习 | ABR-Attention | 信号数据 | NA | NA | NA | NA | NA |
| 414 | 2025-01-03 |
A Novel Method to Identify Mild Cognitive Impairment Using Dynamic Spatio-Temporal Graph Neural Network
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3450443
PMID:39190512
|
研究论文 | 本文提出了一种利用动态时空图神经网络识别轻度认知障碍的新方法 | 首次从时空结构的角度分析rs-fMRI数据，构建了动态时空图神经网络模型，包含时间块、空间块和图池化块三个模块 | 未提及模型在其他数据集或更大样本上的泛化能力 | 提高轻度认知障碍（MCI）的识别准确率，并探索其在阿尔茨海默病（AD）研究中的应用 | 轻度认知障碍（MCI）、阿尔茨海默病（AD）和正常对照组（NC）的受试者 | 数字病理学 | 老年疾病 | rs-fMRI | 动态时空图神经网络 | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 415 | 2025-01-03 |
A Strong and Simple Deep Learning Baseline for BCI Motor Imagery Decoding
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3451010
PMID:39196743
|
研究论文 | 本文提出了一种名为EEG-SimpleConv的简单1D卷积神经网络，用于脑机接口（BCI）中的运动想象解码 | EEG-SimpleConv使用标准组件构建，具有高性能和低推理时间，展示了跨受试者的强大知识转移能力 | 未明确提及具体局限性 | 提出一个简单且高性能的基线模型，用于脑机接口中的运动想象解码 | 脑机接口中的运动想象数据 | 机器学习 | NA | 1D卷积神经网络 | CNN | EEG数据 | 四个EEG运动想象数据集 | NA | NA | NA | NA |
| 416 | 2025-01-03 |
Effects of Individual Research Practices on fNIRS Signal Quality and Latent Characteristics
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3458396
PMID:39259640
|
研究论文 | 本研究评估了不同实验室在功能性近红外光谱（fNIRS）信号质量上的差异及其潜在特征 | 首次使用深度学习模型提取fNIRS数据的深层特征，并通过支持向量机（SVM）模型对不同实验室的数据进行分类 | 研究仅涉及两个实验室的数据，样本量相对较小，可能无法全面反映fNIRS信号质量的差异 | 评估不同实验室在fNIRS信号质量上的差异及其潜在特征 | 新加坡（N=74）和意大利（N=84）两个不同实验室收集的fNIRS数据 | 神经影像学 | NA | 功能性近红外光谱（fNIRS） | 支持向量机（SVM） | fNIRS信号数据 | 新加坡74人，意大利84人 | NA | NA | NA | NA |
| 417 | 2025-01-03 |
Federated Motor Imagery Classification for Privacy-Preserving Brain-Computer Interfaces
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3457504
PMID:39255189
|
研究论文 | 本文提出了一种名为FedBS的联邦学习方法，用于保护EEG数据隐私的脑机接口运动想象分类 | FedBS结合了本地批次特定批归一化和锐度感知最小化优化器，以减少不同客户端之间的数据差异并提高模型泛化能力 | NA | 研究如何在保护用户数据隐私的同时，训练出准确的EEG脑机接口分类器 | EEG数据 | 机器学习 | NA | 联邦学习 | 深度学习模型 | EEG数据 | 三个公共运动想象数据集 | NA | NA | NA | NA |
| 418 | 2025-01-03 |
Early Detection of Parkinson's Disease Using Deep NeuroEnhanceNet With Smartphone Walking Recordings
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3462392
PMID:39288062
|
研究论文 | 本文利用智能手机的行走记录数据，通过深度学习模型NeuroEnhanceNet进行帕金森病的早期检测 | 提出了专门针对惯性传感器数据的深度学习模型NeuroEnhanceNet，能够同时关注单通道内的长期数据特征和通道间的相关性 | 未提及样本的具体数量和多样性，可能影响模型的泛化能力 | 探索智能手机行走记录数据在帕金森病早期检测中的应用 | 帕金森病患者 | 数字病理学 | 帕金森病 | 深度学习 | NeuroEnhanceNet | 惯性传感器数据 | NA | NA | NA | NA | NA |
| 419 | 2025-01-03 |
Cortical ROI Importance Improves MI Decoding From EEG Using Fused Light Neural Network
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3461339
PMID:39283802
|
研究论文 | 本文提出了一种基于融合轻量神经网络的脑电信号运动想象解码方法，通过区域重要性提升解码性能 | 提出了一种新的运动想象解码方法，通过区域重要性（RI）和代表性偶极子（RD）来增强特征提取，并结合2D可分离卷积和门控循环单元（2DSCG）进行分类 | NA | 提高基于脑电信号的运动想象解码性能，用于智能康复的脑机接口 | 脑电信号（EEG） | 机器学习 | NA | 随机森林算法，2D可分离卷积，门控循环单元（GRU） | 2DSCG（2D可分离卷积和门控循环单元） | 脑电信号（EEG） | 基于两个公开数据集 | NA | NA | NA | NA |
| 420 | 2025-01-02 |
MEFFNet: Forecasting Myoelectric Indices of Muscle Fatigue in Healthy and Post-Stroke During Voluntary and FES-Induced Dynamic Contractions
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3431024
PMID:39028608
|
研究论文 | 本文提出了一种名为MEFFNet的深度学习模型，用于预测健康和中风后患者在自主和FES诱导动态收缩中的肌电疲劳指数 | 将迁移学习引入深度学习模型MEFFNet，用于预测动态收缩中的肌电疲劳指数，并在合成时间序列数据集上进行预训练以提高预测性能 | 研究样本量较小，且仅针对肘部屈伸运动进行测试，未涵盖其他肌肉群或运动类型 | 开发一种能够预测肌电疲劳指数的深度学习模型，以应用于可穿戴技术、辅助设备（如外骨骼和假肢）和功能性电刺激（FES）神经假体等领域 | 健康和中风后患者在自主和FES诱导动态收缩中的肌电疲劳指数 | 机器学习 | 中风 | 功能性电刺激（FES） | MEFFNet | 时间序列数据 | 16名健康受试者和17名中风后受试者 | NA | NA | NA | NA |