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 1933 篇文献，本页显示第 621 - 640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 621 | 2024-12-18 |
Toward improving reproducibility in neuroimaging deep learning studies
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1509358
PMID:39687491
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 622 | 2024-12-18 |
Action recognition in rehabilitation: combining 3D convolution and LSTM with spatiotemporal attention
2024, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2024.1472380
PMID:39687520
|
研究论文 | 本研究提出了一种结合3D卷积、LSTM和时空注意力机制的深度学习框架STA-C3DL，用于复杂康复场景中的实时动作检测和识别 | 创新点在于将3D卷积神经网络、长短期记忆网络和时空注意力机制结合，以更精确地捕捉动作动态 | 未来的研究将集中在扩展模型对非常规和极端动作的适应性，以及将其整合到更广泛的康复环境中 | 提高复杂康复场景中实时动作检测和识别的准确性和响应速度 | 康复场景中的动作识别 | 计算机视觉 | NA | 3D卷积神经网络、长短期记忆网络、时空注意力机制 | 3D卷积神经网络、LSTM | 视频 | 多个数据集，包括NTU RGB + D、Smarthome Rehabilitation、UCF101和HMDB51 | NA | NA | NA | NA |
| 623 | 2024-12-17 |
Large-scale genomic survey with deep learning-based method reveals strain-level phage specificity determinants
2024-01-02, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giae017
PMID:38649301
|
研究论文 | 本研究提出了一种基于深度学习的SpikeHunter方法，用于大规模分析噬菌体编码的尾丝蛋白，揭示了噬菌体特异性的决定因素 | 首次使用深度学习方法（基于ESM-2蛋白语言模型）对大规模噬菌体尾丝蛋白进行分析，揭示了尾丝蛋白在决定噬菌体宿主范围中的关键作用 | NA | 研究噬菌体特异性的决定因素，为噬菌体疗法提供指导 | 噬菌体编码的尾丝蛋白及其与细菌多糖受体的相互作用 | 机器学习 | NA | 深度学习 | ESM-2蛋白语言模型 | 基因组数据 | 787,566个细菌基因组，来自5种高致病性抗生素抗性病原体 | NA | NA | NA | NA |
| 624 | 2024-12-17 |
Stratum corneum nanotexture feature detection using deep learning and spatial analysis: a noninvasive tool for skin barrier assessment
2024-Jan-02, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giae095
PMID:39657103
|
研究论文 | 本文提出了一种基于深度学习和空间分析的皮肤屏障评估方法，用于检测角质层纳米纹理特征 | 本文创新性地结合了深度学习目标检测器和空间分析算法，开发了一种精确计算CNO密度的方法，称为有效角质层地形指数（ECTI） | 本文的局限性在于样本量相对较小，且仅针对特应性皮炎患者和健康对照组 | 开发一种非侵入性工具，用于评估皮肤屏障功能，并区分不同严重程度的特应性皮炎 | 特应性皮炎患者和健康对照组的角质层纳米纹理特征 | 计算机视觉 | 皮肤疾病 | 深度学习 | 目标检测器 | 图像 | 45名特应性皮炎患者和15名健康对照组，共1000多张角质层纳米纹理图像 | NA | NA | NA | NA |
| 625 | 2024-12-17 |
Learning a generalized graph transformer for protein function prediction in dissimilar sequences
2024-Jan-02, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giae093
PMID:39657158
|
研究论文 | 本文提出了一种名为GALA的新方法，结合图变换器架构和注意力池化模块，用于蛋白质功能预测，并通过对抗学习和标签嵌入对齐来提高模型的泛化能力 | GALA方法通过对抗学习和标签嵌入对齐，确保了在不同环境下的表示不变性，显著提高了对非同源蛋白质功能预测的泛化能力 | NA | 开发一种能够对非同源蛋白质进行功能预测的深度学习方法 | 蛋白质序列和结构 | 机器学习 | NA | 图变换器架构、对抗学习、注意力池化模块 | 图变换器 | 序列、结构 | 来自PDB数据库和Swiss-Prot数据库的数据集 | NA | NA | NA | NA |
| 626 | 2024-12-17 |
Forecasting air pollution with deep learning with a focus on impact of urban traffic on PM10 and noise pollution
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313356
PMID:39656668
|
研究论文 | 本研究使用带有长短期记忆单元（LSTM）的循环神经网络（RNN）模型，预测斯科普里多个地点的PM10颗粒物水平，并分析城市交通对空气和噪音污染的影响 | 本研究首次利用深度学习模型预测多个地点的PM10水平，并分析了城市交通对空气和噪音污染的影响 | 研究仅限于斯科普里的数据，且未探讨其他可能影响空气污染的因素 | 预测空气污染水平并分析城市交通对其的影响 | PM10颗粒物水平及城市交通对空气和噪音污染的影响 | 机器学习 | NA | NA | RNN, LSTM | 数据 | 多个地点的历史空气质量测量数据及气象条件数据 | NA | NA | NA | NA |
| 627 | 2024-12-17 |
CISepsis: a causal inference framework for early sepsis detection
2024, Frontiers in cellular and infection microbiology
IF:4.6Q1
DOI:10.3389/fcimb.2024.1488130
PMID:39679198
|
研究论文 | 本文提出了一种基于因果推理的早期脓毒症检测方法，通过消除混杂因素的影响来提高模型的预测准确性 | 本文的创新点在于引入了因果推理框架，通过后门调整和工具变量方法消除混杂因素的影响，从而更准确地捕捉脓毒症的因果关系 | 本文的局限性在于未来研究需要进一步探索特定指标或治疗干预对脓毒症的影响，并验证该方法在临床应用中的潜力 | 本文的研究目的是提高早期脓毒症检测的准确性，增强模型的泛化能力、鲁棒性和可解释性 | 本文的研究对象是脓毒症的早期预测 | 机器学习 | 脓毒症 | 因果推理 | NA | 结构化数据和非结构化数据 | 使用了MIMIC-IV数据集 | NA | NA | NA | NA |
| 628 | 2024-12-16 |
AutoTransOP: translating omics signatures without orthologue requirements using deep learning
2024-Jan-29, NPJ systems biology and applications
IF:3.5Q1
DOI:10.1038/s41540-024-00341-9
PMID:38287079
|
研究论文 | 本文开发了一种名为AutoTransOP的神经网络自编码器框架，用于将指定物种或细胞环境的组学数据映射到全局潜在空间，从而在不要求匹配直系同源物的情况下识别相关信息 | 创新点在于提出了AutoTransOP框架，能够在不要求直系同源物匹配的情况下，将不同物种或细胞环境的组学数据映射到全局潜在空间，并识别相关信息 | NA | 开发一种能够在不要求直系同源物匹配的情况下，将不同物种或细胞环境的组学数据映射到全局潜在空间的方法 | 不同物种或细胞环境的组学数据 | 机器学习 | NA | 深度学习 | 神经网络自编码器 | 组学数据 | NA | NA | NA | NA | NA |
| 629 | 2024-12-15 |
Deploying artificial intelligence software in an NHS trust: a how-to guide for clinicians
2024-Jan-23, The British journal of radiology
DOI:10.1093/bjr/tqad043
PMID:38263842
|
研究论文 | 本文为临床医生提供了在NHS信托中部署人工智能软件的实用指南 | 本文提供了关于在医疗环境中选择和部署新软件的实际指导，填补了现有指南的空白 | 本文主要关注胸部X光（CXR）解释的深度学习算法，可能不适用于其他类型的AI软件 | 提供在NHS信托中部署人工智能软件的实用指南，以促进AI技术在医疗领域的应用 | NHS信托中的临床医生和医疗人员 | 机器学习 | NA | 深度学习算法 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 630 | 2024-12-15 |
Deep learning for tooth identification and numbering on dental radiography: a systematic review and meta-analysis
2024-Jan-11, Dento maxillo facial radiology
DOI:10.1093/dmfr/twad001
PMID:38183164
|
综述 | 本文系统回顾和荟萃分析了深度学习在牙科放射图像中牙齿识别和编号的应用 | 深度学习模型在牙齿识别和编号方面表现出高精度和高准确性，能够增强复杂的自动化流程 | 研究仅包括了29篇符合条件的文献，可能存在选择偏倚 | 评估深度学习在牙科放射图像中牙齿识别和编号的应用效果 | 人类牙科放射图像中的牙齿识别和编号 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 29项研究 | NA | NA | NA | NA |
| 631 | 2024-12-15 |
Comparison of deep learning methods for the radiographic detection of patients with different periodontitis stages
2024-Jan-11, Dento maxillo facial radiology
DOI:10.1093/dmfr/twad003
PMID:38214940
|
研究论文 | 本研究评估了使用深度学习方法在全景X光片上进行计算机辅助牙周分类骨丢失分期的准确性，并比较了不同模型和层的表现 | 本研究开发了一种新的基于DenseNet121 + GAP + mRMR的支持向量机模型，该模型在牙周骨丢失分类中表现优于其他模型，能够从原始图像中检测有效特征，无需手动选择 | NA | 评估深度学习方法在全景X光片上进行牙周分类骨丢失分期的准确性 | 全景X光片上的牙周骨丢失分期 | 计算机视觉 | 牙周病 | 深度学习 | CNN | 图像 | 2533张全景X光片，包括721张健康组，842张Stage1/2组，970张Stage3/4组 | NA | NA | NA | NA |
| 632 | 2024-12-15 |
Automatic detection of posterior superior alveolar artery in dental cone-beam CT images using a deeply supervised multi-scale 3D network
2024-Jan-11, Dento maxillo facial radiology
DOI:10.1093/dmfr/twad002
PMID:38214942
|
研究论文 | 本研究开发了一种用于在牙科锥形束CT图像中自动检测后上牙槽动脉的深度监督多尺度3D网络 | 提出了多尺度深度监督的3D U-Net网络（3D U-Net MSDS），显著提高了后上牙槽动脉中心像素的定位精度 | 研究仅在150名受试者的数据上进行验证，样本量相对较小，可能影响模型的泛化能力 | 开发一种鲁棒且准确的深度学习网络，用于在牙科锥形束CT图像中检测后上牙槽动脉 | 后上牙槽动脉在牙科锥形束CT图像中的中心像素定位 | 计算机视觉 | NA | 深度学习 | 3D U-Net MSDS | 图像 | 150名受试者的牙科锥形束CT数据 | NA | NA | NA | NA |
| 633 | 2024-12-15 |
Coupled intelligent prediction model for medium- to long-term runoff based on teleconnection factors selection and spatial-temporal analysis
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313871
PMID:39666703
|
研究论文 | 本文提出了一种基于遥相关因子选择和时空分析的耦合智能预测模型，用于中长期径流预测 | 本文创新性地结合了随机森林（RF）、支持向量回归（SVR）和多层感知器回归（MLPR），开发了两种耦合智能预测模型（RF-SVR和RF-MLPR），以提高预测精度和泛化能力 | 预测精度随着预测周期的延长而下降，表明长期预测由于不确定性增加和影响因素的累积而更具挑战性 | 提高中长期径流预测的准确性，为洪水控制、干旱缓解、水资源综合管理和生态恢复提供支持 | 雅砻江流域（YLRB）的中长期径流 | 水文学 | NA | 随机森林（RF）、支持向量回归（SVR）、多层感知器回归（MLPR） | 耦合模型（RF-SVR和RF-MLPR） | 径流数据 | 四个水文站点的数据 | NA | NA | NA | NA |
| 634 | 2024-12-15 |
AMCFCN: attentive multi-view contrastive fusion clustering net
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.1906
PMID:39669450
|
研究论文 | 本文提出了一种名为AMCFCN的新型多视图聚类网络，通过对比注意策略有效提取多视图数据中的鲁棒特征 | 引入了对比注意策略，能够在减少噪声的同时保留视图完整性，并提取一致的多视图表示 | 未提及具体限制 | 改进多视图聚类技术，提高聚类结果的准确性 | 多视图数据中的视图特定表示和一致表示 | 机器学习 | NA | 多视图聚类 | AMCFCN | 多视图数据 | 四个多视图数据集 | NA | NA | NA | NA |
| 635 | 2024-12-15 |
Detection of renal cell hydronephrosis in ultrasound kidney images: a study on the efficacy of deep convolutional neural networks
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.1797
PMID:39669452
|
研究论文 | 本研究探讨了深度卷积神经网络在超声肾脏图像中自动检测肾细胞肾积水的有效性 | 提出了创新的Novel DCNN模型，在肾细胞肾积水检测中表现出色，准确率达到99.8% | 需要进一步探索更大和更多样化的数据集以及不同的优化策略来提升模型的收敛率和准确性 | 利用深度学习模型自动检测超声图像中的肾细胞肾积水 | 超声肾脏图像中的肾细胞肾积水 | 计算机视觉 | 肾脏疾病 | 深度学习 | DCNN | 图像 | NA | NA | NA | NA | NA |
| 636 | 2024-12-15 |
Double-target self-supervised clustering with multi-feature fusion for medical question texts
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2075
PMID:39669457
|
研究论文 | 本文提出了一种双目标自监督聚类与多特征融合的方法，用于医疗问题文本的聚类 | 本文创新性地融合了词频和词汇语义信息，并引入了自注意力机制来计算文本中每个词的权重，同时构建了两个目标函数来实现跨文档主题特征的融合 | NA | 构建一个端到端的文本聚类模型，以更好地表示医疗问题文本的信息 | 医疗领域中的问题文本 | 自然语言处理 | NA | 自监督学习 | 自注意力机制 | 文本 | NA | NA | NA | NA | NA |
| 637 | 2024-12-15 |
Deep ocular tumor classification model using cuckoo search algorithm and Caputo fractional gradient descent
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.1923
PMID:39669458
|
研究论文 | 本研究提出了一种结合Caputo分数梯度下降和布谷鸟搜索算法的优化器，用于提高眼肿瘤分类的准确性和收敛速度 | 创新点在于将Caputo分数梯度下降方法与布谷鸟搜索算法结合，提出了一种新的优化器，显著提高了分类准确性和收敛速度 | 研究仅使用了400张眼底图像进行训练和评估，样本量相对较小，可能影响模型的泛化能力 | 旨在开发一种用于眼肿瘤分类的鲁棒深度学习系统，并提出一种新的优化器以提高分类性能 | 研究对象为眼底图像中的良性和恶性眼肿瘤 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 400张眼底图像，分为良性和恶性两类 | NA | NA | NA | NA |
| 638 | 2024-12-15 |
Automated generation of process simulation scenarios from declarative control-flow changes
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2094
PMID:39669460
|
研究论文 | 本文提出了一种自动化生成业务流程模拟场景的方法，允许用户以声明方式指定控制流变化，并自动生成假设场景 | 本文的创新点在于使用生成式深度学习模型来自动生成符合用户指定控制流变化的模拟场景，从而简化了手动调整模拟模型的复杂性 | 本文的局限性在于数据驱动模拟方法在追求准确性时可能生成过于复杂的模型，增加了手动调整的难度 | 本文的研究目的是简化业务流程模拟中手动调整模拟模型的复杂性，特别是涉及控制流变化的场景 | 本文的研究对象是业务流程模拟模型及其在控制流变化下的调整 | 机器学习 | NA | 生成式深度学习模型 | 生成式深度学习模型 | 事件日志 | NA | NA | NA | NA | NA |
| 639 | 2024-12-15 |
Deep learning-based information retrieval with normalized dominant feature subset and weighted vector model
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.1805
PMID:39669463
|
研究论文 | 本文提出了一种基于深度学习的信息检索方法，使用归一化主导特征子集和加权向量模型进行特征提取和选择 | 提出了归一化主导特征子集和加权向量模型（NDFS-WVM），用于从大数据中进行信息检索，并展示了其在文本检索中的优越性能 | 需要大规模数据集进行训练，且手动创建有效特征集的过程较为耗时 | 改进信息检索中的特征提取和选择方法，提高文本检索的准确性 | 多媒体数据中的文本信息 | 自然语言处理 | NA | 深度学习 | NDFS-WVM | 文本 | 大规模数据集，包含数百万变量 | NA | NA | NA | NA |
| 640 | 2024-12-15 |
Performance enhancement in hydroponic and soil compound prediction by deep learning techniques
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2101
PMID:39669468
|
研究论文 | 本文提出了一种利用深度学习技术预测水培和土壤化合物动态的创新方法，以提高作物生产的可持续性和效率 | 本文创新性地利用深度学习技术预测水培和土壤化合物动态，采用迭代辅助增强母优化算法（IEMOA）获取权重特征，并通过多尺度特征融合卷积自编码器与门控循环单元（MS-CAGRU）网络进行预测 | 本文未提及具体的实验验证或实际应用效果，仅通过与传统模型的对比展示系统效能 | 开发数值模型以全面描述植物和土壤中化学物质的传输和反应，制定有效的缓解策略 | 水培和土壤化合物动态 | 机器学习 | NA | 深度学习 | MS-CAGRU | 数据 | 数据来自在线资源，具体样本量未提及 | NA | NA | NA | NA |