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 661 - 680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 661 | 2024-12-09 |
GSB: GNGS and SAG-BiGRU network for malware dynamic detection
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0298809
PMID:38635682
|
研究论文 | 本文提出了一种基于GNGS和SAG-BiGRU网络的恶意软件动态检测方法 | 创新点在于使用GNGS算法构建新的平衡数据集，并通过SAG-BiGRU网络提取局部和全局特征，提高少数类别恶意软件的检测率 | NA | 解决恶意软件检测中数据分布不平衡问题，提高少数类别恶意软件的检测率 | 恶意软件及其变种的动态检测 | 机器学习 | NA | GNGS, SAG, BiGRU | SAG-BiGRU网络 | 数据集 | 使用阿里巴巴云数据集进行恶意软件多分类实验 | NA | NA | NA | NA |
| 662 | 2024-12-09 |
Computational Language Modeling and the Promise of In Silico Experimentation
2024, Neurobiology of language (Cambridge, Mass.)
DOI:10.1162/nol_a_00101
PMID:38645624
|
研究论文 | 本文讨论了基于深度学习的编码模型在语言神经科学中的应用，提出了一种新的计算实验范式 | 提出了基于深度学习的编码模型，结合了受控实验的可解释性和自然刺激实验的广泛适用性 | 讨论了该方法的优缺点，指出其局限性 | 探讨计算语言建模和计算机实验在语言神经科学中的潜力 | 语言神经科学中的实验范式 | 自然语言处理 | NA | 深度学习 | 编码模型 | 文本 | NA | NA | NA | NA | NA |
| 663 | 2024-12-08 |
Deep learning methods improve genomic prediction of wheat breeding
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1324090
PMID:38504889
|
研究论文 | 研究探讨了深度学习模型在小麦育种基因组预测中的应用，并与传统的GBLUP模型进行了比较 | 本研究首次在适度大规模数据集上应用深度学习模型，并展示了其在基因组预测中的优越性 | 研究仅限于五个特定性状的预测，且未探讨更大规模数据集上的表现 | 评估深度学习模型在小麦育种基因组预测中的准确性，并探讨其在适度大规模数据集上的应用潜力 | 小麦育种中的基因组预测 | 机器学习 | NA | 深度学习 | 深度学习模型 | 基因组数据 | 适度大规模数据集 | NA | NA | NA | NA |
| 664 | 2024-12-08 |
Multiscale effective connectivity analysis of brain activity using neural ordinary differential equations
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314268
PMID:39630698
|
研究论文 | 本文介绍了一种名为msDyNODE的神经生物学驱动的深度学习模型，用于分析大脑活动的多尺度有效连接 | 提出了msDyNODE模型，用于描述多尺度大脑通信，成功捕捉了多尺度活动，并展示了其在神经生理实验中的应用 | NA | 开发一种新的多尺度动态模型，用于研究神经过程 | 大脑活动的多尺度有效连接 | 机器学习 | NA | 神经普通微分方程 | 深度学习模型 | 神经信号 | NA | NA | NA | NA | NA |
| 665 | 2024-12-08 |
Deep learning analysis of fMRI data for predicting Alzheimer's Disease: A focus on convolutional neural networks and model interpretability
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0312848
PMID:39630834
|
研究论文 | 本文探讨了使用深度学习方法，特别是卷积神经网络（CNN），通过功能磁共振成像（fMRI）数据来预测阿尔茨海默病（AD） | 本文展示了深度学习在医学影像中预测AD的潜力，并强调了多模态医学数据集整合的复杂性 | 研究数据集存在样本量小和类别不平衡的问题 | 早期检测阿尔茨海默病以实现有效干预和管理 | 阿尔茨海默病及其相关遗传风险因素和fMRI数据 | 计算机视觉 | 阿尔茨海默病 | 功能磁共振成像（fMRI） | 卷积神经网络（CNN） | 图像 | 使用来自阿尔茨海默病神经影像学倡议（ADNI）的数据，样本量小且类别不平衡 | NA | NA | NA | NA |
| 666 | 2024-12-08 |
Recognition of parasitic helminth eggs via a deep learning-based platform
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1485001
PMID:39633811
|
研究论文 | 本研究利用YOLOv4深度学习算法开发了一个用于识别寄生虫卵的平台 | 首次将人工智能技术应用于寄生虫卵的检测和分类，显著提高了诊断效率和准确性 | 在复杂诊断场景中，识别准确率仍有提升空间 | 开发一种高效、准确的寄生虫卵检测方法，以改善传统诊断方法的不足 | 不同种类的寄生虫卵，包括蛔虫、鞭虫、蛲虫、钩虫、日本血吸虫、肺吸虫、姜片虫、华支睾吸虫和绦虫 | 计算机视觉 | 寄生虫病 | YOLOv4深度学习算法 | YOLOv4 | 图像 | 涉及9种寄生虫卵的单物种和混合样本 | NA | NA | NA | NA |
| 667 | 2024-12-08 |
Enhancing early Alzheimer's disease classification accuracy through the fusion of sMRI and rsMEG data: a deep learning approach
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1480871
PMID:39633895
|
研究论文 | 本文提出了一种基于深度学习的多模态分类框架，通过融合sMRI和rsMEG数据来提高阿尔茨海默病早期分类的准确性 | 本文创新性地提出了InterFusion方法，通过融合sMRI和rsMEG数据，显著提高了阿尔茨海默病早期分类的准确性 | NA | 提高阿尔茨海默病早期分类的准确性 | sMRI和rsMEG数据 | 计算机视觉 | 阿尔茨海默病 | 深度学习 | NA | 图像 | 307个样本，包括163个轻度认知障碍病例和144个认知健康的对照组 | NA | NA | NA | NA |
| 668 | 2024-12-08 |
YOLO-SDL: a lightweight wheat grain detection technology based on an improved YOLOv8n model
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1495222
PMID:39634063
|
研究论文 | 本文提出了一种基于改进的YOLOv8n模型的轻量级小麦谷物检测技术YOLO-SDL | YOLO-SDL模型在YOLOv8n的基础上，结合了ShuffleNetV2架构和深度可分离卷积（DWConv）与大分离核注意力（LSKA）机制，显著提高了检测速度和准确性 | NA | 实现高效的小麦谷物检测 | 小麦谷物的质量检测 | 计算机视觉 | NA | 深度学习 | YOLOv8n | 图像 | 包含完美、发芽、患病和受损谷物图像的高质量小麦谷物数据集 | NA | NA | NA | NA |
| 669 | 2024-12-08 |
Moving Beyond Medical Statistics: A Systematic Review on Missing Data Handling in Electronic Health Records
2024, Health data science
DOI:10.34133/hds.0176
PMID:39635227
|
综述 | 本文系统回顾了电子健康记录中缺失数据处理方法的研究现状 | 比较了传统统计方法和机器学习方法在不同缺失场景下的表现，发现机器学习方法在处理电子健康记录中的缺失数据方面具有显著潜力 | 没有一种方法能提供普遍适用的解决方案，标准化基准分析对于评估这些方法在不同缺失场景下的表现至关重要 | 探讨电子健康记录中缺失数据处理方法的现状及其在不同场景下的表现 | 电子健康记录中的缺失数据处理方法 | 机器学习 | NA | 机器学习方法，如生成对抗网络（GAN）和k近邻（KNN）分类 | 生成对抗网络（GAN），k近邻（KNN） | 电子健康记录数据 | 46项研究，涵盖2010年至2024年发表的文献 | NA | NA | NA | NA |
| 670 | 2024-12-08 |
Enhancing human activity recognition for the elderly and individuals with disabilities through optimized Internet-of-Things and artificial intelligence integration with advanced neural networks
2024, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2024.1454583
PMID:39635647
|
研究论文 | 本文介绍了一种通过优化物联网和人工智能集成以及先进神经网络来增强老年人及残疾人士活动识别系统的方法 | 提出了一种结合门控循环网络和深度极限前馈神经网络的新型集成模型，并通过人工水滴优化算法优化超参数，以减少计算开销并提高检测效率 | NA | 旨在通过优化物联网和人工智能集成，提升老年人及残疾人士活动识别系统的准确性和效率 | 老年人及残疾人士的活动识别系统 | 机器学习 | NA | 人工水滴优化算法 | 门控循环网络和深度极限前馈神经网络 | 实时数据 | 使用从物联网测试平台收集的实时数据进行实验 | NA | NA | NA | NA |
| 671 | 2024-12-08 |
Topology aware multitask cascaded U-Net for cerebrovascular segmentation
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0311439
PMID:39636790
|
研究论文 | 提出了一种基于拓扑感知的多任务级联U-Net模型，用于脑部血管分割 | 引入了clDice损失函数，通过直接从分割和磁共振血管造影图像中计算血管骨架，实现了更准确的拓扑结构预测 | NA | 提高脑部血管分割的准确性和拓扑结构的捕捉能力 | 脑部血管 | 计算机视觉 | NA | 磁共振血管造影（MRA） | U-Net | 图像 | 两个公开的时间飞跃磁共振血管造影（TOF-MRA）图像数据集 | NA | NA | NA | NA |
| 672 | 2024-12-08 |
Deep learning based predictive modeling to screen natural compounds against TNF-alpha for the potential management of rheumatoid arthritis: Virtual screening to comprehensive in silico investigation
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0303954
PMID:39636801
|
研究论文 | 本研究利用深度学习方法筛选天然化合物对抗TNF-α，以期管理类风湿性关节炎 | 采用深度学习模型进行虚拟筛选，结合分子对接和ADMET分析，最终通过MD模拟评估化合物稳定性 | 样本量较小，仅筛选了2563种天然化合物，且最终验证的化合物数量有限 | 寻找新型天然化合物治疗类风湿性关节炎 | TNF-α蛋白及其抑制剂 | 机器学习 | 类风湿性关节炎 | 深度学习 | NA | 化合物数据 | 2563种天然化合物，最终筛选出4种潜在抑制剂 | NA | NA | NA | NA |
| 673 | 2024-12-08 |
Machine learning and game theory for cyber governance: Enhancing public opinion and regional sustainable development
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0308317
PMID:39636835
|
研究论文 | 本文提出了一种基于机器学习和博弈论的框架，用于感知民意、管理公众舆论和影响人们行为，以促进网络空间治理和区域可持续发展 | 本文的创新点在于结合了机器学习和博弈论的方法，利用深度学习技术分析公众舆论，采用主动学习方法降低成本，并通过博弈论做出最佳管理决策 | 本文的局限性在于仅使用了来自中国Y省和G省的实证数据进行验证，可能限制了框架的普适性 | 本文的研究目的是通过机器学习和博弈论的方法，提升网络空间治理中的公众舆论管理和区域可持续发展 | 本文的研究对象是网络空间中的公众舆论和人们的行为 | 机器学习 | NA | 深度学习 | NA | 文本 | 来自中国Y省和G省的实证数据 | NA | NA | NA | NA |
| 674 | 2024-12-08 |
Correction: BCR-Net: A deep learning framework to predict breast cancer recurrence from histopathology images
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315419
PMID:39636893
|
correction | 对文章DOI: 10.1371/journal.pone.0283562的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 675 | 2024-12-08 |
SE-MAConvLSTM: A deep learning framework for short-term traffic flow prediction combining Squeeze-and-Excitation Network and Multi-Attention Convolutional LSTM Network
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0312601
PMID:39636907
|
研究论文 | 本文提出了一种结合挤压激励网络和多注意力卷积LSTM网络的深度学习框架，用于短期交通流量预测 | 设计了时空特征提取模块和多注意力模块，分别解决了时空相关性捕捉和不同时间间隔通道权重对预测结果的影响问题 | NA | 提高短期交通流量预测的准确性 | 交通流量数据 | 机器学习 | NA | 卷积神经网络 (CNN), 挤压激励网络 (SENet), 残差网络 (ResNet), 卷积LSTM网络 (ConvLSTM) | SE-MAConvLSTM | 交通流量数据 | 两个真实数据集 | NA | NA | NA | NA |
| 676 | 2024-12-08 |
Exploiting the features of deep residual network with SVM classifier for human posture recognition
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314959
PMID:39636954
|
研究论文 | 本文研究了基于深度残差网络和SVM分类器的人体姿态识别性能 | 提出了一种结合深度残差网络（ResNet-50）特征和支持向量机（SVM）分类器的混合架构，显著提高了人体姿态识别的准确性 | NA | 提高人体姿态识别的准确性和效率 | 人体姿态识别 | 计算机视觉 | NA | 深度学习 | ResNet-50, SVM | 图像 | 三个数据集：Multi-Camera Fall (MCF) 使用四种姿态，UR Fall detection (URFD) 使用四种姿态，UP-Fall detection (UPFD) 使用四种姿态 | NA | NA | NA | NA |
| 677 | 2024-12-08 |
Value of radiomics and deep learning feature fusion models based on dce-mri in distinguishing sinonasal squamous cell carcinoma from lymphoma
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1489973
PMID:39640273
|
研究论文 | 本研究旨在构建和验证基于动态对比增强（DCE）成像的机器学习和深度学习特征模型，并评估放射组学和深度学习特征融合模型在区分鼻窦鳞状细胞癌和淋巴瘤中的临床价值 | 本研究创新性地结合了放射组学和深度学习特征，构建了一个融合模型，显著提高了区分鼻窦鳞状细胞癌和淋巴瘤的准确性 | 本研究为回顾性分析，样本量有限，未来需要更大规模的前瞻性研究来验证结果 | 开发一种能够在术前精确区分鼻窦鳞状细胞癌和淋巴瘤的方法，以制定合适的治疗方案 | 鼻窦鳞状细胞癌和鼻窦淋巴瘤 | 机器学习 | 鼻窦癌 | 动态对比增强磁共振成像（DCE-MRI） | 深度学习模型（DL）和机器学习模型（ML） | 图像 | 90例鼻窦肿瘤患者，包括50例鼻窦鳞状细胞癌和40例鼻窦淋巴瘤 | NA | NA | NA | NA |
| 678 | 2024-12-08 |
A transformer-based deep learning approach for fairly predicting post-liver transplant risk factors
2024-01, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2023.104545
PMID:37992791
|
研究论文 | 本文提出了一种基于Transformer的深度学习模型，用于公平预测肝移植后的风险因素 | 本文创新性地将肝移植后的风险预测问题转化为多任务学习问题，并提出了一种新的公平性算法，确保不同子群体之间的预测公平性 | NA | 解决肝移植中的两个主要挑战：找到最佳匹配的患者和确保不同子群体之间的移植公平性 | 肝移植后的风险因素，如心血管疾病和慢性排斥等 | 机器学习 | NA | 深度学习 | Transformer | 电子健康记录 | 160,360名肝移植患者的数据，包括人口统计信息、临床变量和实验室值 | NA | NA | NA | NA |
| 679 | 2024-12-06 |
The impact of artificial intelligence in the diagnosis and management of acoustic neuroma: A systematic review
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-232043
PMID:39093085
|
综述 | 本文系统回顾了人工智能在听神经瘤诊断和管理中的应用 | 探讨了机器学习和人工智能如何革新听神经瘤的管理和诊断程序 | 需要进一步研究以标准化人工智能方法，并验证其在医疗环境中的应用 | 研究人工智能和机器学习在听神经瘤诊断和管理中的潜力 | 听神经瘤的诊断和管理方法 | 机器学习 | 听神经瘤 | NA | NA | NA | NA | NA | NA | NA | NA |
| 680 | 2024-12-06 |
Multi-dimensional dense attention network for pixel-wise segmentation of optic disc in colour fundus images
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-230310
PMID:39058458
|
研究论文 | 提出了一种多维密集注意力网络（MDDA-Net）用于彩色眼底图像中视盘的像素级分割 | 引入了密集注意力块和三重注意力块，以增强上下文表示能力和特征处理能力，并通过多尺度上下文融合获取多尺度上下文信息 | 未提及具体的局限性 | 提高视盘分割的准确性，以早期检测视网膜疾病 | 视盘的像素级分割 | 计算机视觉 | NA | 深度学习 | MDDA-Net | 图像 | 三个数据集（MESSIDOR和ORIGA） | NA | NA | NA | NA |