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 1933 篇文献，本页显示第 1641 - 1660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1641 | 2024-08-05 |
Advancing precision rheumatology: applications of machine learning for rheumatoid arthritis management
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1409555
PMID:38915408
|
评论 | 本文总结了机器学习在类风湿关节炎管理中的应用。 | 探讨了用于类风湿关节炎管理的诊断和预测模型，展示了多种数据模态的使用。 | 小样本量和缺乏多样化人群测试可能导致模型性能的高估，模型的过拟合和可解释性也存在挑战。 | 提升类风湿关节炎的管理，通过早期诊断和优化治疗。 | 研究当前机器学习在类风湿关节炎管理中的应用。 | 机器学习 | 类风湿关节炎 | 机器学习 | 监督学习和无监督学习 | 电子健康记录、影像和多组学数据 | 小样本量 | NA | NA | NA | NA |
| 1642 | 2024-08-05 |
A novel method of swin transformer with time-frequency characteristics for ECG-based arrhythmia detection
2024, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2024.1401143
PMID:38911517
|
研究论文 | 本研究提出了一种结合小波时频图与Swin Transformer模型的新方法，用于ECG基础的心律失常检测 | 该方法创新地结合了小波时频图与Swin Transformer模型，提高了心律失常检测的准确性 | 研究中没有提及样本的多样性和适用性限制 | 研究旨在提高心律失常的自动检测准确性 | 研究对象为MIT-BIH心律失常数据集中的心电图(ECG)信号 | 机器学习 | 心血管疾病 | 小波变换 | Swin Transformer | 心电图信号 | MIT-BIH心律失常数据集中的样本 | NA | NA | NA | NA |
| 1643 | 2024-08-05 |
Automated Scoring of Alzheimer's Disease Atrophy Scale with Subtype Classification Using Deep Learning-Based T1-Weighted Magnetic Resonance Image Segmentation
2024, Journal of Alzheimer's disease reports
DOI:10.3233/ADR-230105
PMID:38910943
|
研究论文 | 该文章提供了一种基于深度学习的自动化阿尔茨海默病萎缩评分方法 | 通过深度学习分割方法实现客观的体积驱动萎缩评分，为阿尔茨海默病亚型分类提供了新的自动化工具 | 在认知正常参与者中的评分一致性较差，可能影响临床应用 | 研究阿尔茨海默病的萎缩评分及其亚型分类 | 研究对象包括3959名参与者，其中有认知正常、轻度认知障碍和阿尔茨海默病患者 | 数字病理学 | 阿尔茨海默病 | 深度学习图像分割 | NA | MRI图像 | 3959名参与者（1732名认知正常，1594名轻度认知障碍，633名阿尔茨海默病患者） | NA | NA | NA | NA |
| 1644 | 2024-08-05 |
Comparative Evaluation of Machine Learning Models for Subtyping Triple-Negative Breast Cancer: A Deep Learning-Based Multi-Omics Data Integration Approach
2024, Journal of Cancer
IF:3.3Q2
DOI:10.7150/jca.93215
PMID:38911381
|
研究论文 | 本研究开发了一种基于深度学习的多组学数据整合模型，以提高三阴性乳腺癌亚型和预后预测的准确性 | 本研究在数据整合、统计性能和算法优化方面展示了显著进展，特别是在深度学习模型的优化方面 | 尽管MRI放射组学模型有效，但在跨数据集应用时的性能下降强调了需要进一步优化以提高准确性和一致性 | 研究目的在于提高三阴性乳腺癌的分类和预后预测准确性 | 研究对象为三阴性乳腺癌相关的多组学分子特征数据，包括mRNA、miRNA、基因突变、DNA甲基化和MRI图像 | 数字病理学 | 乳腺癌 | 深度学习 | DL模型 | 图像和基因组数据 | NA | NA | NA | NA | NA |
| 1645 | 2024-08-05 |
GranoScan: an AI-powered mobile app for in-field identification of biotic threats of wheat
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1298791
PMID:38911980
|
研究论文 | 本文介绍了一款名为GranoScan的免费移动应用程序，可实时检测和识别地中海地区影响小麦的80多种威胁 | GranoScan通过与意大利农民的直接合作开发，具有优化的图形界面和在低或无网络情况下的操作能力 | 没有提到关于特定环境条件下应用程序的限制或潜在挑战 | 旨在提供一种可用的工具以帮助农民识别小麦的生物威胁 | 研究对象为影响小麦的生物威胁，包括害虫和病害 | 计算机视觉 | 肺癌 | 深度学习 | EfficientNet-b0 | 图像 | 未具体说明样本的数量和种类 | NA | NA | NA | NA |
| 1646 | 2024-08-05 |
Automated measurement and grading of knee cartilage thickness: a deep learning-based approach
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1337993
PMID:38487024
|
研究论文 | 本研究提出了一种基于深度学习的方法来自动测量和分级膝盖软骨厚度 | 通过不同的深度学习方法实现膝盖软骨的分割和测量，建立了一套标准化的软骨厚度数据库 | 研究主要是回顾性分析，可能存在选择偏差，且样本范围在年龄和分级上有限 | 旨在提高膝盖软骨厚度测量的效率和准确性 | 混合膝盖MRI数据集和不同参数下的软骨厚度 | 数字病理学 | 骨关节炎 | 深度学习 | 卷积神经网络（CNN） | 影像 | 700个膝盖MRI案例 | NA | NA | NA | NA |
| 1647 | 2024-08-05 |
Deep Learning Based Prediction of Pulmonary Hypertension in Newborns Using Echocardiograms
2024, International journal of computer vision
IF:11.6Q1
DOI:10.1007/s11263-024-01996-x
PMID:38911323
|
研究论文 | 本研究提出了一种基于多视角视频的深度学习方法，用于预测和分类新生儿的肺动脉高压。 | 这是首个利用超声心动图进行新生儿肺动脉高压自动评估的研究，采用了解释性深度学习方法。 | 本研究的结果基于相对小的样本量，未来需要在更大人群中验证。 | 本研究旨在开发一种自动化工具，以改善新生儿肺动脉高压的检测和严重性分类。 | 研究对象为270名新生儿，使用超声心动图进行肺动脉高压的预测和评估。 | 数字病理学 | 心脏病 | 超声心动图（Echocardiogram） | 时空卷积网络（Spatio-temporal convolutional architectures） | 视频 | 270名新生儿 | NA | NA | NA | NA |
| 1648 | 2024-08-05 |
Clinical predictions of COVID-19 patients using deep stacking neural networks
2024-01, Journal of investigative medicine : the official publication of the American Federation for Clinical Research
IF:2.5Q3
DOI:10.1177/10815589231201103
PMID:37712431
|
研究论文 | 该文章提出了一种深度堆叠神经网络模型来预测COVID-19患者的临床结果 | 使用矩阵分解特征选择的方法来挑选最相关的COVID-19患者实验室生物标志物和人口统计数据特征 | 未提及该模型的实际应用限制 | 提高COVID-19患者临床结果预测的准确性 | COVID-19患者的实验室生物标志物和人口统计数据 | 机器学习 | COVID-19 | 机器学习模型 | 深度堆叠神经网络 | 实验室生物标志物和人口统计数据 | NA | NA | NA | NA | NA |
| 1649 | 2024-08-05 |
Can the generalizability issue of artificial intelligence be overcome? Pneumothorax detection algorithm
2024-01, Journal of investigative medicine : the official publication of the American Federation for Clinical Research
IF:2.5Q3
DOI:10.1177/10815589231208479
PMID:37840192
|
研究论文 | 本文旨在解决人工智能在气胸检测中的可推广性问题 | 开发了基于深度学习的气胸检测算法，并通过外部验证提高了模型的准确性 | 需要更多的研究来确定最佳的外部验证数据量，以完全解决可推广性问题 | 研究气胸检测中人工智能模型的可推广性 | 气胸患者的胸部X光影像 | 计算机视觉 | 气胸 | 深度学习 | 深度学习模型 | 胸部X光影像 | 648例气胸患者和650例非气胸患者的影像 | NA | NA | NA | NA |
| 1650 | 2024-08-05 |
Deep Learning-Based HLA Allele Imputation Applicable to GWAS
2024, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3874-3_5
PMID:38907891
|
研究论文 | 本文介绍了一种基于深度学习的HLA等位基因填充方法Deep*HLA | 该方法采用深度学习算法，显著提高了HLA等位基因的填充精度和计算效率 | 对于稀有等位基因的填充精度有所下降 | 旨在提高HLA基因的等位基因填充准确性，以更好地理解人类特征的遗传基础 | 关注HLA等位基因的填充，基于区域性单核苷酸变异进行分析 | 机器学习 | NA | 深度学习 | NA | NA | 在两个不同谱系的参考面板上进行训练和基准测试 | NA | NA | NA | NA |
| 1651 | 2024-08-05 |
Intelligent deep learning supports biomedical image detection and classification of oral cancer
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-248041
PMID:38759069
|
研究论文 | 本文提出了一种有效并准确的口腔癌识别与分类方法 | 提出了一种新的CANet分类模型，结合了注意机制和位置忽略信息，探索了注意机制与深度网络的复杂组合 | NA | 研究口腔癌的识别和分类技术 | 口腔癌图像数据集的分类 | 计算机视觉 | 口腔癌 | 深度学习，CNN和Swin变换 | CANet和Swin transformer | 图像 | Kaggle口腔癌图像数据集 | NA | NA | NA | NA |
| 1652 | 2024-08-05 |
Designing and development of agricultural rovers for vegetable harvesting and soil analysis
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0304657
PMID:38905232
|
研究论文 | 本研究提出了一种能够自主进行蔬菜采摘和土壤分析的农业机器人 | 使用先进的深度学习算法（YOLOv5）来提高农业效率和土壤健康 | 研究中未提及样本的多样性和环境条件的影响 | 旨在开发可持续农业技术以提升作物生产力和土壤健康 | 农业机器人及其在蔬菜采摘和土壤分析中的应用 | 计算机视觉 | NA | YOLOv5 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 1653 | 2024-08-05 |
A deep learning approach for acute liver failure prediction with combined fully connected and convolutional neural networks
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-248048
PMID:38759076
|
研究论文 | 本文提出了一种结合全连接和卷积神经网络的深度学习方法用于急性肝衰竭预测 | 创新点在于结合了全连接神经网络和卷积神经网络，以提高传统机器学习方法在预测急性肝衰竭中的性能和泛化能力 | 模型的鲁棒性和针对不平衡数据的能力仍需进一步改进 | 研究旨在通过深度学习提高急性肝衰竭预测的准确性和有效性 | 研究对象是急性肝衰竭患者及其相关临床数据 | 机器学习 | 肝病 | 深度学习 | 全连接神经网络和卷积神经网络 | 临床数据 | NA | NA | NA | NA | NA |
| 1654 | 2024-08-05 |
Deep learning-based anatomical position recognition for gastroscopic examination
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-248004
PMID:38669495
|
研究论文 | 该研究使用深度学习开发了用于胃镜检查的自动位置识别技术 | 提出了一种新的方法MogaNet，比现有模型在解剖位置识别上表现更优秀 | 未提及特定限制因素 | 利用深度学习技术提高胃镜检查中的解剖位置识别 | 17182张不同解剖位置的胃镜图像 | 计算机视觉 | NA | 卷积神经网络 | MogaNet | 图像 | 17182张 | NA | NA | NA | NA |
| 1655 | 2024-08-05 |
Biclustering for Epi-Transcriptomic Co-functional Analysis
2024, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3918-4_19
PMID:38907925
|
研究论文 | 本文描述了多种二聚类挖掘算法，以发现表观转录组数据中的潜在共同功能模式 | 介绍了将新的深度学习技术引入表观转录组数据共同功能分析领域 | NA | 深入研究N-甲基腺苷（mA）修饰在表观转录组数据中的共同功能模式 | 表观转录组数据中的mA修饰及其共同功能模式 | 数字病理学 | NA | 深度学习 | NA | 表观转录组数据 | NA | NA | NA | NA | NA |
| 1656 | 2024-08-05 |
Deep learning approaches for breast cancer detection in histopathology images: A review
2024, Cancer biomarkers : section A of Disease markers
IF:2.2Q3
DOI:10.3233/CBM-230251
PMID:38517775
|
综述 | 本文综述了使用深度学习技术对乳腺癌进行检测的最新技术现状 | 本文强调了深度学习算法在乳腺癌检测中的潜力，并讨论了不同架构在多种数据集上的表现 | 本文提到需要大量多样化的数据集及深度学习模型的可解释性作为挑战 | 本文旨在提供乳腺癌检测领域的最新技术和研究概况 | 本文研究对象为乳腺癌与组织病理图像的深度学习检测和分类 | 数字病理学 | 乳腺癌 | 深度学习 | NA | 组织病理图像 | NA | NA | NA | NA | NA |
| 1657 | 2024-08-05 |
Offensive language detection in low resource languages: A use case of Persian language
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0304166
PMID:38905214
|
研究论文 | 本文探讨了波斯语中攻击性语言检测的问题并提出了一种新的语料库 | 开发了包含6,000条动态博客帖子的新波斯语攻击性语言语料库，并提出了一种集成多个分类器的模型来改善检测效果 | 所使用的语料库主要集中在波斯语，可能不适用于其他低资源语言 | 研究波斯语的攻击性语言自动检测问题 | 波斯语中的攻击性语言 | 自然语言处理 | NA | 机器学习，深度学习，变换器基础的神经网络 | SVM，单语变换器预训练语言模型 ParsBERT，集成模型 | 文本 | 6,000条从520,000个随机抽样的微博帖子中提取的样本 | NA | NA | NA | NA |
| 1658 | 2024-08-05 |
DeepHLApan: A Deep Learning Approach for the Prediction of Peptide-HLA Binding and Immunogenicity
2024, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3874-3_15
PMID:38907901
|
研究论文 | 本文介绍了一种名为DeepHLApan的深度学习工具，用于预测肽-HLA结合亲和力及免疫原性 | 创新点在于结合肽-HLA结合亲和力和免疫原性进行新抗原的预测 | NA | 研究旨在推动肿瘤新抗原的预测及其在癌症免疫治疗中的应用 | 研究对象为肽-HLA结合及其免疫原性 | 生物信息学 | 癌症 | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 1659 | 2024-08-05 |
Super-resolution of diffusion-weighted images using space-customized learning model
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-248037
PMID:38759065
|
研究论文 | 本研究开发了一种端到端的深度学习网络，以提高扩散加权成像（DWI）的空间分辨率 | 提出了一种空间定制的深度学习方法，结合了卷积神经网络和图卷积网络，以改善DWI的图像质量 | 对高维和非欧几何的DWI应用仍然具有挑战性 | 研究旨在通过后处理提高DWI的空间分辨率 | 本研究对象为扩散加权成像（DWI） | 计算机视觉 | NA | 深度学习 | CNN和GCNN | 图像 | 在人体连接组项目中评估 | NA | NA | NA | NA |
| 1660 | 2024-08-05 |
Intelligent quality control of traditional chinese medical tongue diagnosis images based on deep learning
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-248018
PMID:38759050
|
研究论文 | 本文提出了一种基于深度学习的图像质量控制算法，用于验证中医舌诊图像的合格性。 | 该研究利用ResNet34模型并通过迁移学习方法，达到97.06%的图像质量控制准确率，确保舌图像处理的后续分析。 | 研究并未涉及舌诊图像以外的其他中医诊断图像的质量控制。 | 研究旨在提高传统中医舌诊技术的标准化、客观化和量化水平。 | 研究对象为中医舌诊图片，分为五种状态。 | 数字病理学 | NA | 深度学习 | ResNet34 | 图像 | 大量图像样本 | NA | NA | NA | NA |