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 1959 篇文献，本页显示第 821 - 840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 821 | 2024-12-01 |
stMMR: accurate and robust spatial domain identification from spatially resolved transcriptomics with multimodal feature representation
2024-Jan-02, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giae089
PMID:39607984
|
研究论文 | 本文介绍了一种名为stMMR的多模态几何深度学习方法，用于从空间转录组学数据中准确识别空间域 | stMMR通过图卷积网络和自注意力模块进行深度特征嵌入，并结合相似性对比学习来整合多模态特征 | NA | 开发一种能够有效整合基因表达、空间位置和组织学信息的多模态方法，以准确识别空间域 | 空间转录组学数据中的空间域识别 | 机器学习 | NA | 图卷积网络、自注意力模块、相似性对比学习 | 图卷积网络、自注意力模块 | 空间转录组学数据 | NA | NA | NA | NA | NA |
| 822 | 2024-12-01 |
Contrastive learning for neural fingerprinting from limited neuroimaging data
2024, Frontiers in nuclear medicine (Lausanne, Switzerland)
DOI:10.3389/fnume.2024.1332747
PMID:39605927
|
研究论文 | 本文研究了在有限神经影像数据下使用对比学习进行神经指纹识别的方法 | 本文提出了一种基于对比学习的神经指纹识别方法，无需重新训练即可适应新受试者，并通过数据增强提高了模型在样本量有限情况下的鲁棒性 | 本文未详细讨论对比学习方法在不同数据集上的泛化能力 | 研究在有限样本量下提高神经指纹识别性能的方法 | 神经指纹识别的准确性和鲁棒性 | 机器学习 | NA | 对比学习 | 深度学习模型 | 功能连接数据 | 138名受试者的3特斯拉MRI和静息态fMRI扫描数据 | NA | NA | NA | NA |
| 823 | 2024-12-01 |
A review on deep learning methods for heart sound signal analysis
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1434022
PMID:39605951
|
综述 | 本文综述了深度学习方法在心音信号分析中的应用 | 本文通过回顾和比较不同深度学习方法在心音分析中的应用，提供了对这些方法性能的全面理解 | 由于评估方法的不一致性，某些方法的优越性并不具有结论性 | 探讨深度学习方法在心音信号分析中的最新进展 | 心音信号的异常检测和定位 | 机器学习 | 心血管疾病 | 深度学习 | CNN, LSTM | 信号 | NA | NA | NA | NA | NA |
| 824 | 2024-12-01 |
Foundations of automatic feature extraction at LHC-point clouds and graphs
2024, The European physical journal. Special topics
DOI:10.1140/epjs/s11734-024-01306-z
PMID:39605978
|
综述 | 本文综述了深度学习算法在大型强子对撞机（LHC）中的自动特征提取应用 | 探讨了物理启发式特征提取器的优势，超越了提高特征质量的理解 | NA | 系统探讨从现象学角度出发的自动特征提取及其物理启发架构的动机 | LHC中的点云和图表示 | 机器学习 | NA | 深度学习算法 | NA | 点云和图 | NA | NA | NA | NA | NA |
| 825 | 2024-12-01 |
Simple Imaging System for Label-Free Identification of Bacterial Pathogens in Resource-Limited Settings
2024, International journal of biomedical imaging
IF:3.3Q2
DOI:10.1155/2024/6465280
PMID:39606275
|
研究论文 | 本文介绍了一种基于简单宽场无透镜成像系统的高通量方法，用于在资源有限的环境中无标签识别细菌病原体 | 提出了一种新的无透镜成像系统，结合监督深度学习算法，适用于资源有限的环境，无需移动机械部件或光学元件 | 尽管识别性能高，但仍存在一定的识别错误率，且未提及长期维护和实际应用中的稳定性 | 开发一种快速、准确且经济实惠的细菌识别方法，以改善资源有限环境中的感染治疗 | 五种常见细菌病原体的临床分离株 | 计算机视觉 | NA | 无透镜成像系统 | 深度学习算法 | 图像 | 252个临床分离株 | NA | NA | NA | NA |
| 826 | 2024-12-01 |
Sensitive Quantification of Cerebellar Speech Abnormalities Using Deep Learning Models
2024, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/access.2024.3393243
PMID:39606584
|
研究论文 | 本文开发了一种基于深度学习模型的方法，用于敏感地量化小脑性言语异常 | 使用卷积神经网络捕捉小脑共济失调的言语表型，并基于对数梅尔频谱图的时间和频率偏导数进行分类和回归建模 | NA | 开发能够准确识别和量化共济失调言语临床体征的模型 | 小脑共济失调患者的言语异常 | 机器学习 | 神经退行性疾病 | 卷积神经网络 | CNN | 音频 | 包括共济失调患者和健康对照组 | NA | NA | NA | NA |
| 827 | 2024-12-01 |
Effective automatic classification methods via deep learning for myopic maculopathy
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1492808
PMID:39606624
|
研究论文 | 本研究开发了一种基于深度学习的系统，用于对病理性近视相关的黄斑病变进行自动分类 | 采用五种深度学习架构（ResNet50、EfficientNet-B0、Vision Transformer、Contrastive Language-Image Pre-Training和RETFound），并通过集成学习方法提升模型性能 | 未来工作可能需要扩展数据集、整合图像质量评估以及优化集成算法以提高效率和适用性 | 提高病理性近视相关黄斑病变分类的准确性和可靠性 | 病理性近视相关的黄斑病变 | 计算机视觉 | 眼科疾病 | 深度学习 | 集成学习 | 图像 | 2159张标注的眼底图像 | NA | NA | NA | NA |
| 828 | 2024-12-01 |
Automated lung segmentation on chest MRI in children with cystic fibrosis
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1401473
PMID:39606627
|
研究论文 | 研究使用深度学习方法对患有囊性纤维化的儿童胸部MRI图像进行自动肺部分割 | 采用nnU-Net框架对胸部MRI图像进行自动肺部分割，展示了在不同疾病严重程度、患者年龄和尺寸下的高分割性能 | 在膈肌和背部区域存在不完全分割的挑战，需要进一步改进以增强模型的泛化能力 | 探索使用深度学习方法对囊性纤维化儿童的胸部MRI图像进行自动肺部分割的可行性和有效性 | 患有囊性纤维化的儿童的胸部MRI图像 | 计算机视觉 | 囊性纤维化 | 深度学习 | nnU-Net | MRI图像 | 165个标准化年度监测MRI扫描，来自84名囊性纤维化患者 | NA | NA | NA | NA |
| 829 | 2024-12-01 |
Employing Xception convolutional neural network through high-precision MRI analysis for brain tumor diagnosis
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1487713
PMID:39606635
|
研究论文 | 本文提出了一种基于Xception卷积神经网络的高精度MRI分析方法，用于脑肿瘤的诊断 | 引入了Xception架构，并结合批量归一化和dropout层来减少过拟合，通过迁移学习和定制的密集层设置提高了模型的泛化能力 | NA | 提高脑肿瘤诊断的准确性和可靠性 | 脑肿瘤的分类 | 计算机视觉 | 脑肿瘤 | MRI分析 | Xception卷积神经网络 | 图像 | NA | NA | NA | NA | NA |
| 830 | 2024-12-01 |
Enhanced skin cancer diagnosis: a deep feature extraction-based framework for the multi-classification of skin cancer utilizing dermoscopy images
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1495576
PMID:39606634
|
研究论文 | 本文提出了一种基于深度特征提取的框架，用于利用皮肤镜图像对皮肤癌进行多分类诊断 | 本文提出了四种卷积神经网络（CNN）模型的变体，并结合支持向量机（SVM）、随机森林（RF）和逻辑回归（LR）进行皮肤癌分类，提高了诊断准确率 | 本文未提及如何处理数据不平衡问题以及模型的泛化能力 | 提高皮肤癌诊断的准确性，帮助医生进行诊断 | 皮肤癌的分类和预测 | 计算机视觉 | 皮肤癌 | 卷积神经网络（CNN） | 卷积神经网络（CNN） | 图像 | 10,015张皮肤镜图像 | NA | NA | NA | NA |
| 831 | 2024-12-01 |
Bibliometric and visual analysis of radiomics for evaluating lymph node status in oncology
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1501652
PMID:39610679
|
研究论文 | 本文通过文献计量学和可视化方法分析了2012年至2023年间关于放射组学在评估肿瘤学中淋巴结状态的研究出版物，揭示了该领域的研究热点和未来趋势 | 本文首次通过文献计量学和可视化方法全面分析了放射组学在评估淋巴结状态中的应用，揭示了研究热点和未来趋势 | 本文主要基于文献计量学和可视化分析，未涉及具体实验或临床数据，因此缺乏对实际应用效果的深入探讨 | 分析放射组学在评估肿瘤学中淋巴结状态的研究出版物，揭示研究热点和未来趋势 | 2012年至2023年间发表的关于放射组学在评估淋巴结状态中的研究出版物 | 数字病理学 | 肿瘤学 | 文献计量学和可视化分析 | NA | 文本 | 898篇英文原创文章和综述 | NA | NA | NA | NA |
| 832 | 2024-12-01 |
Drone-Based Digital Phenotyping to Evaluating Relative Maturity, Stand Count, and Plant Height in Dry Beans (Phaseolus vulgaris L.)
2024, Plant phenomics (Washington, D.C.)
DOI:10.34133/plantphenomics.0278
PMID:39610705
|
研究论文 | 研究利用无人机RGB图像和深度学习方法评估干豆的相对成熟度、植株密度和植株高度 | 采用混合卷积神经网络和长短期记忆模型以及Faster R-CNN算法，提高了相对成熟度和植株密度测量的准确性和效率 | 在植株高度估计中，PC和DSM数据源的选择依赖于特定的环境和飞行条件 | 探索无人机图像和深度学习方法在干豆田间试验中测量相对成熟度、植株密度和植株高度的应用 | 干豆的相对成熟度、植株密度和植株高度 | 计算机视觉 | NA | 深度学习 | 混合卷积神经网络和长短期记忆模型、Faster R-CNN | 图像 | NA | NA | NA | NA | NA |
| 833 | 2024-12-01 |
RDA-MTE: an innovative model for emotion recognition in sports behavior decision-making
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1466013
PMID:39610868
|
研究论文 | 本文提出了一种基于深度学习的模型RDA-MTE，用于在体育行为决策中进行情感识别 | 该模型结合了预训练的ResNet-50、双向注意力机制和多层Transformer编码器，提高了情感识别的准确性和鲁棒性 | NA | 研究情感刺激在体育行为决策中的作用 | 情感识别和体育行为决策 | 机器学习 | NA | 深度学习 | RDA-MTE | 图像 | FER-2013数据集和CK+数据集 | NA | NA | NA | NA |
| 834 | 2024-11-29 |
Development of ultrasound-based clinical, radiomics and deep learning fusion models for the diagnosis of benign and malignant soft tissue tumors
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1443029
PMID:39600644
|
研究论文 | 本研究开发了一种基于超声的临床、影像组学和深度学习融合模型，用于良性和恶性软组织肿瘤的诊断 | 本研究创新性地将临床数据、影像组学特征和深度学习特征融合，构建了一个支持向量机模型，显著提高了诊断性能 | 本研究为回顾性研究，样本来自两家医院，可能存在选择偏倚 | 开发一种基于超声的融合模型，用于准确诊断良性和恶性软组织肿瘤 | 良性和恶性软组织肿瘤 | 机器学习 | NA | 支持向量机 | 支持向量机 | 图像 | 训练集包含516例患者，外部验证集包含78例患者 | NA | NA | NA | NA |
| 835 | 2024-11-29 |
Spatial heterogeneity response of soil salinization inversion cotton field expansion based on deep learning
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1437390
PMID:39600903
|
研究论文 | 本研究利用深度学习模型对土壤盐渍化进行反演，并探讨了棉花田扩张对土壤盐渍化的影响 | 本研究首次结合CNN、LSTM和RF模型，通过Landsat-8影像提取特征变量，实现了对土壤盐渍化的高精度反演，并揭示了棉花田扩张与土壤盐渍化的空间异质性关系 | 本研究主要基于Landsat-8影像数据，未来可结合更多类型的遥感数据以提高模型的泛化能力 | 探讨深度学习在土壤盐渍化反演中的应用，并分析棉花田扩张对土壤盐渍化的影响 | 土壤盐渍化及其对棉花田扩张的空间异质性影响 | 计算机视觉 | NA | 深度学习 | CNN, LSTM, RF | 影像 | 97个田间样本 | NA | NA | NA | NA |
| 836 | 2024-11-29 |
Deep learning-enhanced automated mitochondrial segmentation in FIB-SEM images using an entropy-weighted ensemble approach
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313000
PMID:39591424
|
研究论文 | 本文提出了一种基于深度学习的自动化线粒体分割方法，使用熵加权集成技术在FIB-SEM图像中进行线粒体分割 | 本文的创新点在于采用了一种熵加权集成学习技术，结合两个自动分割管道的预测输出，提高了线粒体分割的准确性 | 本文的局限性在于仅使用了四个公开数据集进行评估，未来需要更多数据集验证方法的泛化能力 | 本文的研究目的是开发一种高效的自动化工具，用于在FIB-SEM图像中进行线粒体分割，以辅助早期检测和缓解线粒体疾病 | 本文的研究对象是线粒体及其在FIB-SEM图像中的分割 | 计算机视觉 | 神经退行性疾病 | FIB-SEM | CNN | 图像 | 四个公开数据集 | NA | NA | NA | NA |
| 837 | 2024-11-28 |
Corrigendum: Deep learning-driven ultrasound-assisted diagnosis: optimizing GallScopeNet for precise identification of biliary atresia
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1518391
PMID:39600936
|
correction | 纠正了文章DOI: 10.3389/fmed.2024.1445069中的错误 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 838 | 2024-11-27 |
Tractography-based automated identification of the retinogeniculate visual pathway with novel microstructure-informed supervised contrastive learning
2024-Jan-04, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.03.574115
PMID:38260369
|
研究论文 | 本文提出了一种基于扩散MRI纤维束成像的自动识别视网膜-外侧膝状体视觉通路的新型深度学习框架 | 设计了一种新的微结构信息引导的监督对比学习方法，结合纤维束标签和组织微结构信息来确定正负样本对，并提出了一种简单有效的纤维束级别数据增强方法来处理高度不平衡的训练数据 | NA | 开发一种快速准确的自动识别视网膜-外侧膝状体视觉通路的方法 | 视网膜-外侧膝状体视觉通路 | 计算机视觉 | NA | 扩散MRI纤维束成像 | 深度学习 | 图像 | 涉及神经外科患者的数据，具体数量未提及 | NA | NA | NA | NA |
| 839 | 2024-11-27 |
DeepRegFinder: deep learning-based regulatory elements finder
2024, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae007
PMID:38343388
|
研究论文 | 开发了一种基于深度学习的程序DeepRegFinder，用于自动化处理数据、模型训练和预测DNA调控元件 | DeepRegFinder能够将增强子和启动子进一步分类为活跃和准备状态，这是其独特且有价值的特点 | NA | 开发一种自动化工具，用于在基因组尺度上识别增强子和启动子等DNA调控元件 | 增强子和启动子等DNA调控元件 | 机器学习 | NA | ChIP-seq | 卷积神经网络和循环神经网络 | DNA序列数据 | 多个细胞类型的数据 | NA | NA | NA | NA |
| 840 | 2024-11-27 |
Multimodal deep learning as a next challenge in nutrition research: tailoring fermented dairy products based on cytidine diphosphate-diacylglycerol synthase-mediated lipid metabolism
2024, Critical reviews in food science and nutrition
IF:7.3Q1
DOI:10.1080/10408398.2023.2248633
PMID:37615630
|
研究论文 | 本文探讨了多模态深度学习在营养学研究中的应用，特别是通过基于胞苷二磷酸-二酰基甘油合酶介导的脂质代谢来定制发酵乳制品 | 本文提出了一个多模态深度学习方法，包括数据矩阵形成、高维组学数据分解、视图相关性发现网络构建和脂质代谢为中心的定量多组学数据分析 | NA | 探索深度学习在营养流行病学中的应用，特别是如何通过多模态数据分析来定制发酵乳制品 | 发酵乳制品及其对心血管疾病、肥胖和全因死亡率的影响 | 机器学习 | 心血管疾病 | 多模态深度学习 | 自注意力机制 | 多组学数据 | NA | NA | NA | NA | NA |