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 2035 篇文献，本页显示第 1481 - 1500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1481 | 2024-09-04 |
Dominating Alzheimer's disease diagnosis with deep learning on sMRI and DTI-MD
2024, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2024.1444795
PMID:39211812
|
研究论文 | 本文提出了一种名为MADNet的多模态深度学习方法，用于辅助阿尔茨海默病（AD）的诊断，通过融合sMRI和DTI-MD数据进行特征提取和分类 | MADNet采用双分支并行提取特征，结合注意力机制在决策层进行长距离依赖建模，并通过特征融合基于重要性跨模态整合信息 | NA | 开发一种有效的计算机辅助诊断方法，用于快速准确地评估AD患者的病情和受影响区域 | 阿尔茨海默病（AD）、轻度认知障碍（MCI）和认知正常（CN）患者 | 机器学习 | 老年疾病 | 深度学习 | CNN | 图像 | 包括AD、MCI和CN的公开ADNI数据集和自收集的XWNI数据集 | NA | NA | NA | NA |
| 1482 | 2024-09-04 |
Multimodal Machine Learning in Image-Based and Clinical Biomedicine: Survey and Prospects
2024, International journal of computer vision
IF:11.6Q1
DOI:10.1007/s11263-024-02032-8
PMID:39211895
|
review | 本文综述了多模态机器学习在医学图像分析和临床决策支持系统中的应用现状与前景 | 强调了多模态表示、融合、翻译、对齐和协同学习中的挑战与创新 | 存在数据偏差和生物医学领域“大数据”稀缺等挑战 | 探讨多模态模型在临床预测中的变革潜力，并强调其原则性评估和实际应用的必要性 | 多模态机器学习在医学图像分析和临床决策支持系统中的应用 | machine learning | NA | NA | deep learning | multimodal | NA | NA | NA | NA | NA |
| 1483 | 2024-09-01 |
Artificial Intelligence for the Management of Breast Cancer: An Overview
2024, Current drug discovery technologies
|
综述 | 本文综述了人工智能和机器学习在乳腺癌管理中的应用，包括早期检测、诊断、预后、药物发现、高级图像分析、精准医学、预测建模和个性化治疗计划 | 介绍了多种算法如卷积神经网络、支持向量机、决策树和深度学习方法在乳腺癌数据分析中的应用 | NA | 探讨人工智能和机器学习在乳腺癌管理中的应用，以提高诊断和治疗的准确性和个性化 | 乳腺癌的早期检测、诊断、预后、药物发现、图像分析、精准医学、预测建模和个性化治疗 | 机器学习 | 乳腺癌 | NA | 卷积神经网络 | 临床数据、基因组数据和影像数据 | NA | NA | NA | NA | NA |
| 1484 | 2024-08-31 |
Network depth affects inference of gene sets from bacterial transcriptomes using denoising autoencoders
2024, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae066
PMID:39027639
|
研究论文 | 研究使用深度去噪自编码器（DAEs）从细菌转录组数据中推断基因集，并探讨网络架构对基因集推断的影响 | 将去噪自编码器的应用扩展到深度网络，并研究网络深度和宽度对基因集推断的影响 | 需要进一步验证和优化深度去噪自编码器在不同细菌数据集上的应用 | 开发一种基于深度去噪自编码器的管道，用于从转录组数据中提取基因集，并评估网络架构对基因集推断的影响 | 大肠杆菌的转录组数据和独立尿路致病性大肠杆菌数据集 | 机器学习 | NA | 去噪自编码器（DAEs） | DAE | 转录组数据 | 多个公开可用的细菌基因表达数据集 | NA | NA | NA | NA |
| 1485 | 2024-08-31 |
Rapid prediction of wall shear stress in stenosed coronary arteries based on deep learning
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1360330
PMID:39188371
|
研究论文 | 本文利用深度学习技术，通过结合合成数据和真实患者数据，训练了一个U-net架构的模型，用于快速预测狭窄冠状动脉的壁剪应力 | 本文采用了两种合成数据生成方法，并将其与真实患者数据结合，提高了模型的训练效果 | 文章中使用的患者数据有限，主要依赖于合成数据 | 开发一种快速且高效的深度学习模型，用于临床实践中预测冠状动脉的壁剪应力 | 狭窄冠状动脉的壁剪应力 | 机器学习 | 心血管疾病 | 深度学习 | U-net | 图像 | 患者数据有限，主要使用合成数据 | NA | NA | NA | NA |
| 1486 | 2024-08-31 |
CSAM: A 2.5D Cross-Slice Attention Module for Anisotropic Volumetric Medical Image Segmentation
2024-Jan, IEEE Winter Conference on Applications of Computer Vision. IEEE Winter Conference on Applications of Computer Vision
DOI:10.1109/wacv57701.2024.00582
PMID:39193208
|
研究论文 | 本文提出了一种2.5D交叉切片注意力模块（CSAM），用于各向异性体积医学图像分割 | CSAM通过在不同尺度的深度特征图上应用语义、位置和切片注意力，以最少的可训练参数捕获整个体积中的切片间信息 | NA | 解决各向异性体积医学数据分割中的问题，特别是磁共振成像（MRI）数据 | 各向异性体积医学图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 1487 | 2024-08-30 |
Assessment of deep learning image reconstruction (DLIR) on image quality in pediatric cardiac CT datasets type of manuscript: Original research
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0300090
PMID:39186484
|
研究论文 | 评估深度学习图像重建（DLIR）在儿科心脏CT数据集中的图像质量 | 高级别DLIR在儿科心脏CT扫描中显示出比传统重建方法更高的信噪比（SNR）和对比噪声比（CNR），以及更好的图像锐度 | NA | 评估深度学习图像重建（DLIR）与传统图像重建方法在儿科心脏CT图像质量上的差异 | 儿科心脏CT扫描图像 | 计算机视觉 | NA | 深度学习图像重建（DLIR） | NA | 图像 | 109例儿科心脏CT扫描 | NA | NA | NA | NA |
| 1488 | 2024-08-30 |
Behavioral marker-based predictive modeling of functional status for older adults with subjective cognitive decline and mild cognitive impairment: Study protocol
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241269555
PMID:39193313
|
研究论文 | 本研究描述了一种基于行为标志的预测模型，用于评估主观认知下降和轻度认知障碍老年人的功能状态的研究方案 | 本研究采用混合效应机器学习模型和标准机器学习模型来预测功能状态随时间的变化 | NA | 开发利用行为数据和机器学习技术的自我护理干预措施，以自动化分析老年人的功能下降 | 65岁及以上具有主观认知下降或轻度认知障碍的老年人 | 机器学习 | 老年疾病 | 机器学习 | MErf, MEgbm, MEmod, MEctree, 随机森林, 梯度提升机 | 行为和心理社会标志数据 | 130名老年人 | NA | NA | NA | NA |
| 1489 | 2024-08-29 |
Deeply-Learned Generalized Linear Models with Missing Data
2024, Journal of computational and graphical statistics : a joint publication of American Statistical Association, Institute of Mathematical Statistics, Interface Foundation of North America
IF:1.4Q2
DOI:10.1080/10618600.2023.2276122
PMID:39184956
|
研究论文 | 本文提出了一种新的深度学习架构，用于处理带有缺失数据的一般化线性模型，并展示了其在监督学习任务中的优越性能 | 本文提出的新架构能够灵活处理可忽略和不可忽略的缺失数据模式，这是首次在训练时能够同时考虑这两种模式的深度学习方法 | NA | 研究如何有效处理深度学习中的缺失数据问题 | 深度学习中的一般化线性模型及其在回归和分类问题中的应用 | 机器学习 | NA | 深度学习 | 一般化线性模型 | 数据集 | 案例研究使用了UCI机器学习库中的银行营销数据集 | NA | NA | NA | NA |
| 1490 | 2024-08-29 |
Application of artificial intelligence in the diagnosis and treatment of urinary tumors
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1440626
PMID:39188685
|
研究论文 | 本文探讨了人工智能在泌尿肿瘤诊断和治疗中的应用，特别是机器学习和深度学习技术在医学图像识别中的作用 | 利用机器学习和深度学习技术，特别是卷积神经网络，提高了肿瘤诊断和治疗的精确性和效率 | NA | 研究人工智能在泌尿肿瘤诊断和治疗中的应用，以提高诊断准确性和治疗效果 | 泌尿肿瘤，包括肾细胞癌、膀胱癌和前列腺癌 | 机器学习 | 泌尿肿瘤 | 机器学习（ML）和深度学习（DL） | 卷积神经网络（CNN） | 医学图像 | NA | NA | NA | NA | NA |
| 1491 | 2024-08-29 |
A non-enhanced CT-based deep learning diagnostic system for COVID-19 infection at high risk among lung cancer patients
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1444708
PMID:39188873
|
研究论文 | 本研究提出了一种基于非增强CT扫描的COVID-19诊断神经网络系统，用于区分COVID-19肺炎患者和其他肺炎患者，并进一步区分普通COVID-19患者和重症患者 | 本研究创新性地使用两个串联的3D卷积神经网络（CNN）来构建诊断模块，能够有效区分COVID-19肺炎和其他肺炎，以及普通COVID-19患者和重症患者 | NA | 开发一种早期诊断系统，以帮助改善感染COVID-19的肺癌患者的预后 | 肺癌患者中的COVID-19感染 | 机器学习 | 肺癌 | 3D卷积神经网络（CNN） | CNN | CT图像 | NA | NA | NA | NA | NA |
| 1492 | 2024-08-29 |
Revolutionizing Shoulder MRI: Accelerated Imaging with Deep Learning Reconstruction
2024-01, Radiology
IF:12.1Q1
DOI:10.1148/radiol.233301
PMID:38193840
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1493 | 2024-08-28 |
Music-evoked emotions classification using vision transformer in EEG signals
2024, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2024.1275142
PMID:38638516
|
研究论文 | 本研究提出了一种结合注意力机制的深度学习模型，用于从情绪相关的脑电图（EEG）记录中有效提取空间和时间信息，以进行音乐引发情绪的分类。 | 本研究引入了一种新的深度学习模型，该模型结合了注意力机制，能够更有效地从EEG信号中提取空间和时间信息，以改善情绪分类的准确性。 | NA | 旨在通过深度学习模型提高基于EEG的情绪识别的准确性。 | 研究对象为音乐引发的EEG情绪信号。 | 机器学习 | NA | EEG | Vision Transformer | EEG信号 | 本研究使用了两个数据集，一个是自有的音乐引发情绪的EEG记录数据集，另一个是公开可用的数据集。 | NA | NA | NA | NA |
| 1494 | 2024-08-28 |
Skin Type Diversity in Skin Lesion Datasets: A Review
2024, Current dermatology reports
IF:2.4Q2
DOI:10.1007/s13671-024-00440-0
PMID:39184010
|
综述 | 本文综述了皮肤病变数据集中皮肤类型多样性的问题，评估了公开的皮肤病变数据集及其元数据，以评估皮肤类型的报告频率和完整性，并调查了每个皮肤类型在这些数据集中的多样性和代表性。 | 本文通过评估公开的皮肤病变数据集及其元数据，探讨了皮肤类型多样性的问题，并调查了每个皮肤类型在这些数据集中的多样性和代表性。 | 本文未具体测量所审查数据集中皮肤类型的多样性。 | 探讨和评估皮肤病变数据集中皮肤类型多样性的问题。 | 皮肤病变数据集及其元数据。 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 1495 | 2024-08-28 |
Deep learning-assisted diagnosis of benign and malignant parotid gland tumors based on automatic segmentation of ultrasound images: a multicenter retrospective study
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1417330
PMID:39184051
|
研究论文 | 本研究构建了基于超声图像自动分割的深度学习辅助诊断模型，以帮助放射科医生区分良性和恶性腮腺肿瘤 | 本研究采用多种深度学习模型进行超声图像的自动分割，并评估了这些模型在辅助诊断中的性能 | NA | 构建和评估基于超声图像自动分割的深度学习模型，以提高放射科医生对腮腺肿瘤的诊断性能 | 良性和恶性腮腺肿瘤的诊断 | 计算机视觉 | 腮腺肿瘤 | 深度学习 | ResNet18, Inception_v3, Deeplabv3, UNet++, UNet | 图像 | 582名经组织病理学诊断的腮腺肿瘤患者 | NA | NA | NA | NA |
| 1496 | 2024-08-28 |
TF-EPI: an interpretable enhancer-promoter interaction detection method based on Transformer
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1444459
PMID:39184348
|
研究论文 | 本研究开发了一种基于Transformer的深度学习模型TF-EPI，用于从DNA序列中检测增强子-启动子相互作用 | TF-EPI模型利用Transformer的注意力机制，识别了特定细胞类型的增强子和启动子中的独特基序和序列，并通过数据库验证，揭示了新的生物学见解 | NA | 旨在理解基因表达调控、疾病机制等关键的增强子-启动子相互作用 | 增强子-启动子相互作用 | 机器学习 | NA | Transformer | Transformer | DNA序列 | 多个基准数据集 | NA | NA | NA | NA |
| 1497 | 2024-08-28 |
Enhanced accuracy with Segmentation of Colorectal Polyp using NanoNetB, and Conditional Random Field Test-Time Augmentation
2024, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2024.1387491
PMID:39184863
|
研究论文 | 本文提出了一种新型的轻量级增强型Nanonet模型，通过使用NanonetB、条件随机场（CRF）和测试时增强（TTA）技术，实现了实时且精确的结肠镜图像分割，以帮助内镜医师及时诊断和干预结直肠息肉 | 本文的创新点在于提出了一种增强型Nanonet模型，结合CRF和TTA技术，提高了模型在不同数据集上的泛化能力和对小尺寸及扁平息肉的检测能力 | NA | 研究目的是开发一种准确、轻量级的模型，以实现无缝集成到内镜硬件设备中，提高结直肠息肉的检测效率 | 研究对象是结直肠息肉的图像分割 | 计算机视觉 | 结直肠癌 | 条件随机场（CRF），测试时增强（TTA） | NanonetB | 图像 | 使用了六个公开数据集进行评估，包括Kvasir-SEG、Endotect Challenge 2020、Kvasir-instrument、CVC-ClinicDB、CVC-ColonDB和CVC-300 | NA | NA | NA | NA |
| 1498 | 2024-08-28 |
An Innovative Deep Learning Approach to Spinal Fracture Detection in CT Images
2024, Annali italiani di chirurgia
IF:0.9Q3
DOI:10.62713/aic.3498
PMID:39186337
|
研究论文 | 本研究提出了一种创新的深度学习方法，用于在CT图像中检测脊柱骨折，特别是椎体压缩骨折 | 本研究通过整合YOLO V7模型与ELAN和MPConv架构，显著减少了计算处理过程中小尺度信息的损失，从而提高了检测准确性 | 未来的研究应包括交叉验证和独立验证及测试集，以评估模型的鲁棒性和泛化能力 | 开发一种创新的深度学习方法，用于在CT图像中检测脊柱骨折，特别是椎体压缩骨折 | 脊柱骨折，特别是椎体压缩骨折 | 计算机视觉 | 脊柱骨折 | YOLO V7模型，ELAN，MPConv架构 | YOLO V7 | CT图像 | 240张CT图像 | NA | NA | NA | NA |
| 1499 | 2024-08-27 |
Present and Future Innovations in AI and Cardiac MRI
2024-01, Radiology
IF:12.1Q1
DOI:10.1148/radiol.231269
PMID:38193835
|
研究论文 | 本文综述了人工智能在心脏磁共振成像（MRI）中的应用及其未来创新 | 介绍了一种自动控制心脏图像处方的AI技术，以及通过提取新型影像标志物实现更个性化心血管护理的机会 | NA | 探讨人工智能在心脏MRI中的应用及其对未来医疗实践的影响 | 心脏MRI技术及其在心血管疾病诊断和治疗中的应用 | 计算机视觉 | 心血管疾病 | 深度学习（DL） | 人工神经网络 | 图像 | NA | NA | NA | NA | NA |
| 1500 | 2024-08-27 |
Enhancing Alzheimer's Disease Classification with Transfer Learning: Finetuning a Pre-trained Algorithm
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究通过迁移学习和微调预训练的ResNet50V2模型，提高了阿尔茨海默病分类的准确性 | 采用多类分类方法，通过迁移学习和微调层来适应预训练的ResNet50V2模型，并研究了不同输入层大小对模型性能的影响 | NA | 提高阿尔茨海默病不同阶段分类的准确性 | 阿尔茨海默病分类 | 机器学习 | 阿尔茨海默病 | 迁移学习 | ResNet50V2 | 图像 | 6400张MRI图像 | NA | NA | NA | NA |