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 1882 篇文献，本页显示第 1161 - 1180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1161 | 2024-09-19 |
Unlocking the potential: analyzing 3D microstructure of small-scale cement samples from space using deep learning
2024-Jan-25, NPJ microgravity
IF:4.4Q1
DOI:10.1038/s41526-024-00349-9
PMID:38272924
|
研究论文 | 本文提出了一种利用深度学习分析国际空间站微重力环境下硬化三钙硅酸盐样品三维微观结构的方法 | 本文创新性地利用深度学习框架从稀疏的实验数据中生成具有统计特性的微观结构集合，并展示了其在微重力环境下硬化水泥样品的独特微观形态 | NA | 研究微重力环境下硬化水泥样品的三维微观结构，并利用深度学习进行重建 | 微重力环境下硬化的三钙硅酸盐样品 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 微重力环境下硬化的三钙硅酸盐样品 | NA | NA | NA | NA |
| 1162 | 2024-09-19 |
Contextual emotion detection in images using deep learning
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1386753
PMID:38952408
|
研究论文 | 本文研究了基于深度学习的图像中情境情感检测技术 | 本文提出了两种基于深度学习技术的复杂算法（DCNN和VGG19），并通过优化超参数来分析情境和肢体语言，以提高对图像中人类情感的理解 | NA | 开发更富有同理心的系统，应用于从医学到社交媒体情感互动的多个领域 | 图像中的情境情感检测 | 计算机视觉 | NA | 深度学习 | DCNN, VGG19 | 图像 | 使用了来自多个数据库的真实图像，包括EMOTIC（ADE20K, MSCOCO）、EMODB_SMALL和FRAMESDB | NA | NA | NA | NA |
| 1163 | 2024-09-19 |
AlphaCRV: a pipeline for identifying accurate binder topologies in mass-modeling with AlphaFold
2024, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae131
PMID:39286602
|
研究论文 | 介绍了一种名为AlphaCRV的Python工具包，用于在AlphaFold筛选中识别正确的相互作用蛋白 | 提出了AlphaCRV工具包，通过聚类、排序和可视化保守的结合拓扑结构，帮助在AlphaFold筛选中识别正确的相互作用蛋白 | NA | 开发一种工具，用于在蛋白质组规模上识别生物学相关的蛋白质-蛋白质相互作用 | 蛋白质-蛋白质相互作用 | 机器学习 | NA | AlphaFold | NA | 蛋白质序列和折叠结构 | NA | NA | NA | NA | NA |
| 1164 | 2024-09-19 |
A single sequence MRI-based deep learning radiomics model in the diagnosis of early osteonecrosis of femoral head
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1471692
PMID:39280340
|
研究论文 | 本研究开发并评估了一种基于单序列MRI的深度学习放射组学模型，用于早期股骨头坏死的诊断 | 首次使用此类模型进行早期股骨头坏死的诊断，相比之前的多序列MRI放射组学方法更为简单，并利用深度学习技术进行改进 | NA | 开发和评估一种基于单序列MRI的深度学习放射组学模型，用于早期股骨头坏死的准确预测 | 早期股骨头坏死 | 机器学习 | 骨科疾病 | MRI | 深度学习模型 | 图像 | 150名患者（80名健康，70名坏死）的MRI扫描数据 | NA | NA | NA | NA |
| 1165 | 2024-09-19 |
A Systematic Review of Real-Time Deep Learning Methods for Image-Based Cancer Diagnostics
2024, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S446745
PMID:39281299
|
综述 | 本文深入探讨了深度学习算法在实时癌症诊断中的应用 | 本文评估了不同成像模式在基于深度学习的癌症诊断中的准确性和周转时间，并探讨了可解释深度学习在癌症诊断中的应用潜力 | 本文指出泛化问题、数据变异性和可解释性是深度学习在临床试验中应用的主要障碍 | 本文旨在通过系统综述了解深度学习如何影响癌症诊断的等待时间 | 本文研究了深度学习在实时癌症诊断中的应用，评估了不同成像模式的准确性和周转时间，并探讨了基础设施的成本和效果 | 计算机视觉 | 癌症 | 深度学习 | 卷积神经网络 | 图像 | NA | NA | NA | NA | NA |
| 1166 | 2024-09-19 |
Artificial intelligence in neuroimaging: Opportunities and ethical challenges
2024, Brain & spine
DOI:10.1016/j.bas.2024.102919
PMID:39281849
|
评论 | 本文讨论了人工智能在神经影像学中的应用及其带来的机遇和伦理挑战 | AI算法，特别是深度学习模型，在分析复杂神经影像数据方面展示了显著能力，提高了诊断准确性和个性化治疗策略 | 快速采用AI技术引发了算法偏差、数据隐私和AI驱动见解的可解释性等伦理挑战 | 探讨AI在神经影像学中的应用及其伦理挑战 | 神经退行性疾病 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 影像 | NA | NA | NA | NA | NA |
| 1167 | 2024-09-19 |
Corrigendum: Contextual emotion detection in images using deep learning
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1476791
PMID:39290717
|
correction | 纠正了文章DOI: 10.3389/frai.2024.1386753中的错误 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1168 | 2024-09-16 |
Peak amplitude of the normalized power spectrum of the electromyogram of the uterus in the low frequency band is an effective predictor of premature birth
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0308797
PMID:39264880
|
研究论文 | 本文研究了基于子宫肌电图（EHG）低频带归一化功率谱峰值振幅（PA）预测早产的有效性 | 提出了一种简单且可解释的单特征方法，通过PA特征在多个数据库上实现了较高的分类准确率，优于现有的多特征方法和非侵入性化学分子生物标志物 | NA | 开发一种非侵入性、简单且可解释的方法来预测早产 | 子宫肌电图（EHG）信号 | 生物医学工程 | 妊娠相关疾病 | 肌电图（EHG） | 分类器 | 信号 | 使用了TPEHG DB、TPEHGT DS和ICEHG DS数据库中的EHG记录 | NA | NA | NA | NA |
| 1169 | 2024-09-16 |
CL-Informer: Long time series prediction model based on continuous wavelet transform
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0303990
PMID:39269969
|
研究论文 | 提出了一种基于连续小波变换的长时序预测模型CL-Informer | 在Informer模型中加入基于连续小波变换的嵌入层，使模型能够捕捉多尺度数据特征，并使用LSTM层进一步捕捉数据依赖性并处理连续小波变换中的冗余信息 | NA | 提高时间序列预测的准确性 | 时间序列数据 | 机器学习 | NA | 连续小波变换 | LSTM | 时间序列 | 五个数据集 | NA | NA | NA | NA |
| 1170 | 2024-09-15 |
AFM-YOLOv8s: An Accurate, Fast, and Highly Robust Model for Detection of Sporangia of Plasmopara viticola with Various Morphological Variants
2024, Plant phenomics (Washington, D.C.)
DOI:10.34133/plantphenomics.0246
PMID:39263595
|
研究论文 | 本文开发了一种名为AFM-YOLOv8s的增强型YOLOv8s模型，用于检测葡萄霜霉病孢子囊 | 引入了自适应交叉融合模块、轻量级特征提取模块FasterCSP和新的损失函数MPDIoU，显著提高了检测精度和速度 | 尽管FasterCSP在模型复杂度和大小上有所减少，但可能会导致轻微的精度损失 | 开发一种高效、准确的深度学习模型，用于快速检测葡萄霜霉病孢子囊 | 葡萄霜霉病孢子囊及其多种形态变异 | 计算机视觉 | 葡萄霜霉病 | 深度学习 | YOLOv8s | 图像 | 自定义的葡萄霜霉病孢子囊数据集 | NA | NA | NA | NA |
| 1171 | 2024-09-15 |
Enhancing reginal wall abnormality detection accuracy: Integrating machine learning, optical flow algorithms, and temporal convolutional networks in multi-view echocardiography
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0310107
PMID:39264929
|
研究论文 | 本文提出了一种结合机器学习、光流算法和时间卷积网络的多视角超声心动图区域壁异常检测方法 | 本文创新性地利用多周期和多视角的超声心动图数据，结合U-Net分割、光流算法和时间卷积网络，提取丰富的运动场特征，以提高区域壁异常检测的准确性 | NA | 提高区域壁运动异常检测的准确性，为早期心肌梗死诊断提供更全面和精确的工具 | 区域壁运动异常（RWMA）和心肌梗死（MI） | 机器学习 | 心血管疾病 | 光流算法、时间卷积网络 | U-Net、SVM分类器 | 超声心动图 | HMC-QU数据集 | NA | NA | NA | NA |
| 1172 | 2024-09-15 |
Causal Inference Meets Deep Learning: A Comprehensive Survey
2024, Research (Washington, D.C.)
DOI:10.34133/research.0467
PMID:39257419
|
综述 | 本文全面回顾了因果推断在深度学习中的应用 | 通过将因果模型替代相关性模型，提高模型的解释性和稳定性 | 讨论了因果推断的当前局限性和未来研究方向 | 探讨因果推断与深度学习的结合及其应用 | 深度学习模型及其在大型任务和特定模态中的应用 | 机器学习 | NA | 因果推断 | 深度学习模型 | NA | NA | NA | NA | NA | NA |
| 1173 | 2024-09-15 |
Individuals carrying the HLA-B*15 allele exhibit favorable responses to COVID-19 vaccines but are more susceptible to Omicron BA.5.2 and XBB.1.16 infection
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1440819
PMID:39257586
|
研究论文 | 研究携带HLA-B*15等位基因个体对COVID-19疫苗的反应及对Omicron变种感染的易感性 | 首次揭示携带HLA-B*15等位基因个体对COVID-19疫苗有良好反应，但对Omicron变种感染更易感 | 研究样本量有限，未涵盖所有可能的HLA等位基因类型 | 探讨HLA-B*15等位基因对COVID-19疫苗反应及Omicron变种感染的影响 | 携带HLA-B*15等位基因的个体 | NA | COVID-19 | ELISA、流式细胞术、人工智能深度学习技术 | 深度学习 | 血液样本 | 252名志愿者 | NA | NA | NA | NA |
| 1174 | 2024-09-15 |
AR-AI assisted ophthalmic nursing: Preliminary usability study in clinical settings
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241269470
PMID:39257872
|
研究论文 | 研究利用增强现实（AR）和人工智能（AI）技术开发眼科病房护士智能辅助系统，并评估其在临床工作中的可用性和可接受性 | 首次将AR和AI技术结合应用于眼科病房护理工作，开发了具有患者面部识别、自动信息匹配和护理工作管理功能的智能辅助系统 | 研究样本量较小，仅涉及眼科日间病房护士，未来需扩大样本量和研究范围 | 开发和评估基于AR和AI技术的眼科病房护士智能辅助系统的可用性和可接受性 | 眼科病房护士及其护理工作 | 机器学习 | NA | 增强现实（AR）、深度学习、声学识别、语音交互、图像识别 | NA | 文本、图像 | 眼科日间病房护士 | NA | NA | NA | NA |
| 1175 | 2024-09-15 |
Deep learning image analysis for filamentous fungi taxonomic classification: Dealing with small datasets with class imbalance and hierarchical grouping
2024, Biology methods & protocols
IF:2.5Q3
DOI:10.1093/biomethods/bpae063
PMID:39258158
|
研究论文 | 研究探讨了使用深度学习对数百种丝状真菌进行分类的潜力，并解决了小数据集、类别不平衡和层次分组等常见问题 | 首次尝试使用深度学习对丝状真菌进行分类，并提出了处理小数据集和类别不平衡的方法 | 模型性能较低，主要由于数据集较小、类别不平衡和真菌菌落形态可塑性高 | 探索深度学习在丝状真菌分类中的应用潜力 | 数百种丝状真菌的菌落图像 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 606个真菌菌落图像 | NA | NA | NA | NA |
| 1176 | 2024-09-15 |
Unveiling the hidden: a deep learning approach to unraveling subzone-specific changes in peripapillary atrophy in type 2 diabetes
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1459040
PMID:39258228
|
研究论文 | 本研究利用深度学习模型评估了2型糖尿病患者中视盘周围萎缩（PPA）亚区的光学相干断层扫描血管造影（OCTA）变化 | 采用多任务联合深度学习模型自动化确定和量化PPA的微结构及其相应的微循环 | 需要纵向研究进一步阐明gamma区在DR发展和进展中的作用 | 评估2型糖尿病患者中视盘周围萎缩亚区的OCTA变化 | 2型糖尿病患者中视盘周围萎缩的beta区和gamma区 | 计算机视觉 | 糖尿病 | 光学相干断层扫描血管造影（OCTA） | 多任务联合深度学习模型 | 图像 | 2820张图像用于模型训练和验证，44只非增殖性糖尿病视网膜病变（NPDR）眼和46只无DR眼用于横断面研究 | NA | NA | NA | NA |
| 1177 | 2024-09-15 |
DeepMonitoring: a deep learning-based monitoring system for assessing the quality of cornea images captured by smartphones
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1447067
PMID:39258227
|
研究论文 | 本文构建了一个基于深度学习的图像质量监控系统，用于评估智能手机拍摄的角膜图像质量 | 提出了DeepMonitoring系统，能够识别低质量角膜图像并分析其成因，指导操作者及时获取高质量图像 | 未提及具体限制 | 开发一个能够评估智能手机拍摄角膜图像质量的系统，以促进AI诊断系统在临床中的应用 | 智能手机拍摄的角膜图像及其质量评估 | 计算机视觉 | 角膜疾病 | 深度学习 | NA | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 1178 | 2024-09-15 |
Weakly supervised large-scale pancreatic cancer detection using multi-instance learning
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1362850
PMID:39267824
|
研究论文 | 本文提出了一种两阶段弱监督深度学习模型，用于通过CT图像检测胰腺癌 | 本文创新性地采用了两阶段弱监督学习方法，结合了nnU-Net和多实例学习模型，显著提高了胰腺癌检测的准确性 | 本文的局限性在于依赖于特定的数据集（HFH和MSKCC），可能限制了模型的普适性 | 研究目的是提高胰腺癌早期检测的准确性 | 研究对象是胰腺癌的CT图像 | 计算机视觉 | 胰腺癌 | 深度学习 | 两阶段模型（nnU-Net和多实例学习） | 图像 | 463例病例和2,882例对照 | NA | NA | NA | NA |
| 1179 | 2024-09-15 |
Neighborhood attention transformer multiple instance learning for whole slide image classification
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1389396
PMID:39267847
|
研究论文 | 本文介绍了一种名为NATMIL的新方法，通过使用Neighborhood Attention Transformer来整合WSI切片之间的上下文依赖关系，从而提高肿瘤分类的准确性 | 本文创新性地引入了Neighborhood Attention Transformer，通过整合更广泛的组织上下文来增强多实例学习，从而提高肿瘤分类的准确性 | NA | 提高使用全切片图像进行肿瘤分类的准确性 | 非小细胞肺癌和淋巴结肿瘤的全切片图像 | 数字病理学 | 肺癌 | Neighborhood Attention Transformer | Transformer | 图像 | 在Camelyon数据集上为89.6%，在TCGA-LUSC数据集上为88.1% | NA | NA | NA | NA |
| 1180 | 2024-09-14 |
EvoAug-TF: Extending evolution-inspired data augmentations for genomic deep learning to TensorFlow
2024-Jan-18, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.17.575961
PMID:38293144
|
研究论文 | 本文将基于进化启发的数据增强方法EvoAug扩展到TensorFlow框架，以提高基因组深度学习模型的泛化能力和可解释性 | 将EvoAug的功能扩展到TensorFlow框架，使其适用于更广泛的基于TensorFlow的基因组深度学习模型 | NA | 扩展EvoAug的功能以支持TensorFlow框架，提高基因组深度学习模型的性能 | 基因组深度学习模型及其在预测非编码基因组调控区域分子功能中的应用 | 机器学习 | NA | 深度神经网络（DNNs） | 深度神经网络（DNNs） | 基因组数据 | NA | NA | NA | NA | NA |