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 1907 篇文献，本页显示第 1041 - 1060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1041 | 2024-10-16 |
Investigation of protein family relationships with deep learning
2024, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae132
PMID:39399373
|
研究论文 | 本文提出了一种基于预训练神经网络ProtENN2的蛋白质家族相似性分析方法 | 利用ProtENN2模型生成高维度的家族嵌入，并基于这些嵌入计算家族间的相似性得分，用于改进Pfam家族的分类 | 方法存在一些失败模式，需要进一步改进 | 探索深度学习在蛋白质家族关系和功能理解中的应用 | 蛋白质家族及其相似性 | 机器学习 | NA | 深度学习 | 神经网络 | 蛋白质数据 | 涉及Pfam家族的分类 | NA | NA | NA | NA |
| 1042 | 2024-10-16 |
Plant disease recognition datasets in the age of deep learning: challenges and opportunities
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1452551
PMID:39399537
|
研究论文 | 本文探讨了在深度学习时代植物病害识别数据集的挑战和机遇 | 提出了一个分类法来描述潜在的植物病害数据集，并提供了未来数据集创建的方向 | 未具体讨论现有数据集的具体局限性 | 探讨如何创建适合深度学习的植物病害识别数据集 | 植物病害识别数据集 | 计算机视觉 | 植物病害 | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 1043 | 2024-10-14 |
InstructNet: A novel approach for multi-label instruction classification through advanced deep learning
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0311161
PMID:39388407
|
研究论文 | 本文提出了一种新的多标签指令分类方法InstructNet，通过使用先进的深度学习技术对“How To”文章进行分类 | 本文提出了InstructNet方法，并使用XLNet架构在多标签分类任务中取得了前所未有的高准确率 | 本文未详细讨论模型的训练时间和计算资源需求，以及在不同数据集上的泛化能力 | 研究如何通过深度学习技术对多标签指令文本进行分类 | 对“How To”文章进行多标签分类 | 自然语言处理 | NA | 深度学习 | XLNet | 文本 | 11,121条来自wikiHow的数据记录 | NA | NA | NA | NA |
| 1044 | 2024-10-14 |
Multi-feature fusion based face forgery detection with local and global characteristics
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0311720
PMID:39388418
|
研究论文 | 本文提出了一种基于多特征融合的面部伪造检测方法，结合空间域、噪声域和频率域的特征，并使用Inception Transformer动态学习局部和全局信息 | 本文的创新点在于综合分析伪造面部特征，融合空间域、噪声域和频率域的多特征，并使用Inception Transformer动态学习局部和全局信息 | 现有的检测方法主要基于单一特征域的判别信息进行分类，存在一定的局限性 | 研究准确高效的深度伪造视频检测技术 | 深度伪造视频的检测 | 计算机视觉 | NA | 深度学习 | Inception Transformer | 视频 | 在DFDC、Celeb-DF和FaceForensic++基准数据集上进行了评估 | NA | NA | NA | NA |
| 1045 | 2024-10-14 |
Signal processing for enhancing railway communication by integrating deep learning and adaptive equalization techniques
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0311897
PMID:39392828
|
研究论文 | 本文研究了一种基于可见光的高速通信信号处理方法，结合自适应均衡算法和深度学习技术，应用于铁路通信信号处理 | 本文创新地将自适应均衡算法与深度学习相结合，应用于铁路通信信号处理，并采用波分复用（WDM）和正交频分复用（OFDM）技术，以及模糊C均值均衡算法，有效减少了信号失真和干扰 | 实验结果表明，增加步长会降低均衡效果，增加调制参数会增加误码率 | 研究一种能够满足高速信号处理需求的高速通信信号处理方法，以提高铁路通信系统的质量和传输效率 | 铁路通信信号处理 | 通信技术 | NA | 波分复用（WDM）、正交频分复用（OFDM）、模糊C均值均衡算法 | 深度学习 | 信号 | NA | NA | NA | NA | NA |
| 1046 | 2024-10-13 |
Knowledge mapping and bibliometric analysis of medical knee magnetic resonance imaging for knee osteoarthritis (2004-2023)
2024, Frontiers in surgery
IF:1.6Q2
DOI:10.3389/fsurg.2024.1387351
PMID:39345660
|
研究论文 | 本研究系统分析了2004年至2023年间全球关于膝关节磁共振成像（MRI）在膝骨关节炎（KOA）治疗中应用的研究现状，并通过知识图谱展示研究热点和未来趋势 | 本研究首次通过知识图谱形式展示膝关节MRI在KOA治疗中的应用研究热点和未来趋势 | 研究仅基于Web of Science核心数据库的文献，可能存在数据偏差 | 系统分析全球膝关节MRI在KOA治疗中的应用研究现状，探索研究热点和未来趋势 | 2004年至2023年间关于膝关节MRI在KOA治疗中的应用研究 | 数字病理学 | 骨关节炎 | 磁共振成像（MRI） | NA | 文本 | 共纳入2904篇文章 | NA | NA | NA | NA |
| 1047 | 2024-10-13 |
DynProfiler: a Python package for comprehensive analysis and interpretation of signaling dynamics leveraged by deep learning techniques
2024, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae145
PMID:39391633
|
研究论文 | 本文介绍了一个名为DynProfiler的Python包，利用深度学习技术对信号传导动力学进行全面分析和解释 | DynProfiler利用整个信号传导动力学（包括中间变量）作为输入，并利用深度学习技术提取信息特征，无需任何标签，并结合现代可解释AI解决方案提供每个动力学的定量时间依赖性重要性评分 | NA | 开发一种能够有效提取信号传导动力学信息特征的工具，用于后续分析如患者分层和生存预测 | 信号传导动力学及其在乳腺癌患者中的应用 | 机器学习 | 乳腺癌 | 深度学习技术 | NA | 模拟信号传导动力学数据 | NA | NA | NA | NA | NA |
| 1048 | 2024-10-13 |
Estimation of sorghum seedling number from drone image based on support vector machine and YOLO algorithms
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1399872
PMID:39391781
|
研究论文 | 本文研究了基于支持向量机和YOLO算法从无人机图像中估算高粱幼苗数量的方法 | 本文提出了三种模型（支持向量机、YOLOv5和YOLOv8）用于从无人机RGB图像中快速自动地计数高粱幼苗，并验证了YOLOv8模型在不同飞行高度下的准确性 | 本文仅在特定飞行高度下验证了模型的准确性，未涵盖所有可能的环境条件 | 测试并比较三种模型在不同飞行高度下从无人机图像中估算高粱幼苗数量的准确性 | 高粱幼苗的数量 | 计算机视觉 | NA | 支持向量机、YOLO算法 | 支持向量机、YOLOv5、YOLOv8 | 图像 | 在15米、30米和45米飞行高度下采集的RGB图像 | NA | NA | NA | NA |
| 1049 | 2024-10-12 |
Evaluating Explainable Artificial Intelligence (XAI) techniques in chest radiology imaging through a human-centered Lens
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0308758
PMID:39383147
|
研究论文 | 本研究评估了可解释人工智能（XAI）技术在胸部放射影像中的应用，通过以人为中心的视角进行用户研究 | 本研究创新性地通过用户研究评估了两种主要的视觉XAI技术（Grad-CAM和LIME）在胸部放射影像中的应用，并强调了多模态解释和提高医疗从业者对XAI系统认识的重要性 | 研究中存在对XAI系统价值和实际应用方面的认识不足，以及对Grad-CAM临床可用性的担忧 | 评估XAI技术在胸部放射影像中的应用，提高深度学习算法在诊断和治疗决策中的透明度和信任度 | 胸部放射影像中的肺炎和COVID-19诊断 | 计算机视觉 | NA | 深度学习（DL） | NA | 影像 | NA | NA | NA | NA | NA |
| 1050 | 2024-10-12 |
Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1449181
PMID:39385848
|
研究论文 | 本文提出了一种生理启发的语音识别架构，展示了端到端梯度下降训练在中央尖峰神经网络中产生神经振荡的现象 | 本文的创新点在于展示了端到端梯度下降训练在尖峰神经网络中产生神经振荡的现象，并强调了反馈机制在调节和同步神经活动中的关键作用 | NA | 研究大脑中认知过程的模型，特别是语音感知过程中的神经动力学 | 尖峰神经网络在语音处理中的神经振荡现象 | 机器学习 | NA | 尖峰神经网络 | 尖峰神经网络 | 语音数据 | NA | NA | NA | NA | NA |
| 1051 | 2024-10-12 |
GSP-AI: An AI-Powered Platform for Identifying Key Growth Stages and the Vegetative-to-Reproductive Transition in Wheat Using Trilateral Drone Imagery and Meteorological Data
2024, Plant phenomics (Washington, D.C.)
DOI:10.34133/plantphenomics.0255
PMID:39386010
|
研究论文 | 本文介绍了一种名为GSP-AI的多模态深度学习模型，用于基于无人机采集的冠层图像和多季节气候数据识别小麦的关键生长阶段和生殖转换 | 提出了GSP-AI模型，结合Res2Net和LSTM架构，能够有效识别小麦的关键生长阶段并预测生殖转换时间 | NA | 开发一种可靠且可扩展的工具，用于在田间条件下准确评估小麦的生长阶段 | 小麦的生长阶段和生殖转换 | 计算机视觉 | NA | 深度学习 | Res2Net和LSTM | 图像和气候数据 | 70,410张标注图像，来自中国54个品种，英国109个品种，美国100个品种，以及关键气候因素 | NA | NA | NA | NA |
| 1052 | 2024-10-12 |
Exploring the use of deep learning models for accurate tracking of 3D zebrafish trajectories
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1461264
PMID:39386044
|
研究论文 | 本研究利用深度学习模型对斑马鱼的3D运动轨迹进行精确追踪 | 本研究首次使用深度学习模型对斑马鱼的3D运动轨迹进行追踪，并取得了高精度和高召回率的结果 | 本研究仅限于斑马鱼的3D运动追踪，未涉及其他生物或更复杂的环境 | 开发一种精确追踪斑马鱼3D运动轨迹的方法，以更好地理解其行为和生理状态 | 斑马鱼的3D运动轨迹 | 计算机视觉 | 心血管疾病 | 深度学习 | YOLOv7 | 图像 | 21,360张图像，3,632个3D坐标 | NA | NA | NA | NA |
| 1053 | 2024-10-12 |
Assessing the performance of large language models (LLMs) in answering medical questions regarding breast cancer in the Chinese context
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241284771
PMID:39386109
|
研究论文 | 评估大型语言模型（LLMs）在中国背景下回答乳腺癌相关医学问题的表现 | 本研究首次系统评估了ChatGPT、ERNIE Bot和ChatGLM在中国背景下回答乳腺癌相关问题的表现 | LLMs在回答乳腺癌治疗相关问题时的准确性较低，需要医疗专业人员的监督 | 评估和比较大型语言模型在回答中国背景下乳腺癌相关医学问题的表现 | ChatGPT、ERNIE Bot和ChatGLM在回答乳腺癌相关问题时的准确性、长度和可读性 | 自然语言处理 | 乳腺癌 | NA | 大型语言模型（LLMs） | 文本 | 60个乳腺癌相关问题 | NA | NA | NA | NA |
| 1054 | 2024-10-12 |
Deep Learning in Heart Sound Analysis: From Techniques to Clinical Applications
2024, Health data science
DOI:10.34133/hds.0182
PMID:39387057
|
综述 | 本文综述了深度学习在心音分析中的应用，包括常用的心音数据集、基本原理和最新技术，以及当前的应用和未来改进方向 | 本文整合了常用的心音数据集，并介绍了心音分析和深度学习的基本原理与最新技术 | 现有研究需要解决挑战并改进技术以实现更广泛的临床应用 | 总结深度学习在心音分析中的应用及其局限性和未来改进方向 | 心音数据集、深度学习技术及其在心音分析中的应用 | 机器学习 | 心血管疾病 | 深度学习 | 人工神经网络 | 音频 | NA | NA | NA | NA | NA |
| 1055 | 2024-10-12 |
MS-CFNet: a multi-scale clinical studying-based and feature extraction-guided network for breast fibroadenoma segmentation in ultrasonography
2024-Jan, Biomedical engineering letters
IF:3.2Q2
DOI:10.1007/s13534-023-00330-7
PMID:38186950
|
研究论文 | 本文提出了一种基于多尺度临床学习和特征提取引导的网络MS-CFNet，用于超声图像中乳腺纤维腺瘤的分割 | 本文创新性地将放射科医生的临床诊断技能与人工智能结合，通过空间局部特征对比模块和通道递归门控注意力模块增强特征提取和边缘感知，并引入新的cosh-smooth损失函数优化肿瘤边界 | NA | 开发一种能够有效分割超声图像中乳腺纤维腺瘤的深度学习网络 | 乳腺纤维腺瘤的超声图像分割 | 计算机视觉 | 乳腺疾病 | 深度学习 | MS-CFNet | 图像 | 1016张临床超声图像和246张公开数据集图像 | NA | NA | NA | NA |
| 1056 | 2024-10-11 |
Knowledge mapping analysis of ground glass nodules: a bibliometric analysis from 2013 to 2023
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1469354
PMID:39381043
|
研究论文 | 本文通过文献计量学方法分析了2013年至2023年间肺磨玻璃结节的研究趋势和热点 | 首次使用三种文献计量软件对肺磨玻璃结节的应用研究进行文献计量分析 | NA | 分析肺磨玻璃结节的知识结构和研究热点 | 肺磨玻璃结节 | 数字病理学 | 肺癌 | 文献计量学 | NA | 文献 | 2218篇文章，来自75个国家和2274个机构 | NA | NA | NA | NA |
| 1057 | 2024-10-11 |
An optimal deep learning model for the scoring of radiographic damage in patients with ankylosing spondylitis
2024, Therapeutic advances in musculoskeletal disease
IF:3.4Q2
DOI:10.1177/1759720X241285973
PMID:39381056
|
研究论文 | 研究开发了一种深度学习模型，用于自动评分放射学上强直性脊柱炎患者的脊柱损伤 | 首次使用深度学习模型自动评分强直性脊柱炎患者的脊柱损伤，提供了一种实时、客观的评分方法 | 研究仅限于亚洲人群，样本量相对较小 | 开发一种自动评分方法，用于评估强直性脊柱炎患者的脊柱放射学损伤 | 强直性脊柱炎患者的颈椎和腰椎X光片 | 计算机视觉 | 强直性脊柱炎 | 深度学习 | 深度学习模型 | 图像 | 554名强直性脊柱炎患者 | NA | NA | NA | NA |
| 1058 | 2024-10-11 |
DFUCare: deep learning platform for diabetic foot ulcer detection, analysis, and monitoring
2024, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2024.1386613
PMID:39381435
|
研究论文 | 本文介绍了一个名为DFUCare的深度学习平台，用于糖尿病足溃疡的检测、分析和监测 | DFUCare平台利用计算机视觉和深度学习算法，实现了对糖尿病足溃疡的非侵入性定位、分类和分析 | 初步性能测试仅在手机拍摄的伤口图像上进行，未来需要在大规模临床试验中验证其有效性 | 开发一种非侵入性、高效且经济的解决方案，用于糖尿病足溃疡的早期检测和分析 | 糖尿病足溃疡及其感染和缺血情况 | 计算机视觉 | 糖尿病 | 深度学习 | YOLOv5s | 图像 | 使用手机拍摄的伤口图像进行初步测试 | NA | NA | NA | NA |
| 1059 | 2024-10-11 |
Brain tumor classification using fine-tuned transfer learning models on magnetic resonance imaging (MRI) images
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241286140
PMID:39381813
|
研究论文 | 本文介绍了一种利用磁共振成像（MRI）图像进行脑肿瘤分类的高效深度学习模型 | 本文采用了六种迁移学习算法（VGG16、ResNet50、MobileNetV2、DenseNet201、EfficientNetB3和InceptionV3），并通过优化数据预处理和数据增强来提高模型性能，创新性地提高了脑肿瘤分类的准确性和效率 | 本文未详细讨论模型在不同类型脑肿瘤上的具体表现，且未提及模型在实际临床应用中的可行性和接受度 | 旨在通过深度学习和迁移学习技术，提高脑肿瘤检测的准确性和效率 | 脑肿瘤的分类和检测 | 计算机视觉 | 脑肿瘤 | 迁移学习 | 深度学习模型 | 图像 | 使用了二分类和多分类数据集进行实验 | NA | NA | NA | NA |
| 1060 | 2024-10-11 |
Utilizing deep learning models for ternary classification in COVID-19 infodemic detection
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241284773
PMID:39381806
|
研究论文 | 本文利用深度学习模型进行COVID-19信息流行病的三分类检测 | 本文采用了八种常用的深度学习模型进行三分类检测，并分析了不同模型的性能 | 由于信息流行病记录的有限性和数据集规模较小，预训练嵌入或简单架构的模型表现优于更复杂的模型 | 解决COVID-19信息流行病中区分真假信息的复杂性问题 | COVID-19信息流行病的三分类检测 | 自然语言处理 | NA | 深度学习 | fastText、基于RNN的模型、基于CNN的模型、基于Transformer的模型 | 文本 | 两个相对较小的数据集 | NA | NA | NA | NA |