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 1681 - 1700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1681 | 2024-08-05 |
DeepRetroMoCo: deep neural network-based retrospective motion correction algorithm for spinal cord functional MRI
2024, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2024.1323109
PMID:39006826
|
研究论文 | 本研究提出了一种基于深度学习的卷积神经网络算法DeepRetroMoCo，用于纠正脊髓功能性MRI中的运动伪影。 | 该研究创新地利用深度学习方法显著提高了脊髓MRI运动纠正的效果，证明了其在脊髓数据处理中的有效性。 | 该研究的样本数量较小，仅包含27名参与者，可能限制了结果的普遍性。 | 本研究旨在开发并验证一种新的运动纠正算法，以提高脊髓fMRI图像的质量。 | 本研究的对象为27名参与者的脊髓fMRI数据。 | 计算机视觉 | NA | 卷积神经网络(CNN) | CNN | 图像 | 27名参与者的脊髓fMRI数据，共135次训练和81次测试 | NA | NA | NA | NA |
| 1682 | 2024-08-05 |
Explainable deep-learning framework: decoding brain states and prediction of individual performance in false-belief task at early childhood stage
2024, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2024.1392661
PMID:39006894
|
研究论文 | 本研究提出了一种可解释的深度学习框架，用于解码大脑状态并预测早期儿童阶段的表现。 | 提出了一种可解释的基于时空连接的图卷积神经网络模型，能够更准确地解码大脑状态并进行个体表现预测。 | 未详细讨论在不同儿童发展阶段的普遍性或模型在复杂情境中的适用性。 | 研究儿童在错误信念任务中的表现，并解码其大脑状态。 | 以早期儿童（3-12岁）和成年人（18-39岁）为对象进行实验。 | 深度学习 | NA | 功能连接性（FC）和个体间功能相关性（ISFC）矩阵 | 图卷积神经网络（Ex-stGCNN）和卷积变分自编码器（Ex-Convolutional VAE） | 视频 | 155（122名儿童；3-12岁和33名成人；18-39岁） | NA | NA | NA | NA |
| 1683 | 2024-08-05 |
Micro-CT determination of the porosity of two tricalcium silicate sealers applied using three obturation techniques
2024, Journal of oral science
IF:1.9Q4
DOI:10.2334/josnusd.24-0031
PMID:39010164
|
研究论文 | 本研究使用微型CT测量两种三钙硅酸盐封闭剂的孔隙率 | 首次比较了三种填充技术下两种不同三钙硅酸盐封闭剂的孔隙率 | 样本数量较少，仅包含六颗单根人类牙齿 | 评估不同填充技术对封闭剂孔隙率的影响 | 使用微型CT分析两种三钙硅酸盐封闭剂在不同填充技术下的孔隙率 | 数字病理学 | NA | 微型CT | 深度学习 | 图像 | 六颗单根人类牙齿 | NA | NA | NA | NA |
| 1684 | 2024-08-05 |
Innovative infrastructure to access Brazilian fungal diversity using deep learning
2024, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.17686
PMID:39006015
|
研究论文 | 本文构建了一个用于自主识别巴西宏蘑菇物种的深度学习数据库和移动应用程序 | 创新性地整合了宏蘑菇形态数据和CNN技术，实现了高效的物种识别 | 未提及数据库的局限性或模型的具体局限素材 | 旨在通过深度学习技术促进巴西宏蘑菇的识别和保护 | 研究对象为巴西收集的505种宏蘑菇及其照片 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | 13,894张照片，代表505种不同的宏蘑菇 | NA | NA | NA | NA |
| 1685 | 2024-08-05 |
Deep learning modeling using mammography images for predicting estrogen receptor status in breast cancer
2024, American journal of translational research
IF:1.7Q4
DOI:10.62347/PUHR6185
PMID:39006260
|
研究论文 | 本研究开发了一种深度学习模型，通过乳腺X光图像准确评估乳腺癌患者的雌激素受体状态 | 提出了一种新的IP-SE-DResNet模型，结合了深度残差网络与Squeeze-and-Excitation注意机制，用于预测乳腺癌患者的ER状态 | 本研究的数据仅限于358名侵袭性导管癌患者，可能限制了模型的普遍适用性 | 预测乳腺癌患者的雌激素受体状态 | 358名被诊断为侵袭性导管癌的患者，收集了其术前乳腺X光图像和临床数据 | 数字病理学 | 乳腺癌 | NA | 深度残差网络 | 图像 | 358个乳腺癌患者的术前乳腺X光图像数据 | NA | NA | NA | NA |
| 1686 | 2024-08-05 |
HAWKFOG-an enhanced deep learning framework for the Fog-IoT environment
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1354742
PMID:39006803
|
研究论文 | 本研究提出了一个名为HAWKFOG的深度学习框架，用于心脏病的智能预测 | 该框架创新性地将深度学习与边缘和雾计算设备整合，以实现心脏病的实用诊断 | 未提及研究的具体局限性 | 开发一个有效的心脏病预测系统 | 使用物联网设备收集的不同受试者的数据 | 机器学习 | 心脏疾病 | Logistic Chaos 基于哈里斯鹰优化的增强型门控递归神经网络 | 增强型门控递归神经网络 | 生理数据（心电图和血压传感器数据） | 不同受试者的数据集 | NA | NA | NA | NA |
| 1687 | 2024-08-05 |
Analysis of pig posture detection in group-housed pigs using deep learning-based mask scoring instance segmentation
2024 Jan-Dec, Animal science journal = Nihon chikusan Gakkaiho
DOI:10.1111/asj.13975
PMID:39005155
|
research paper | 本研究探讨了一种基于深度学习的实例分割评分算法，用于检测和分割群体中猪的不同姿势 | 提出了一种新的对象检测和分割算法，能够在群体图像中识别个体猪的姿势，同时结合了残差网络和特征金字塔网络以提取特征图 | 在处理目标丢失和重叠猪只的错误检测方面仍存在一些挑战 | 研究猪姿势检测与家畜健康和福利之间的关系 | 群体饲养的猪 | 计算机视觉 | NA | 深度学习 | 残差网络和特征金字塔网络 | 图像 | 图像批次大小为512，每批次4张图像 | NA | NA | NA | NA |
| 1688 | 2024-08-05 |
Joint Brain Tumor Segmentation from Multi-magnetic Resonance Sequences through a Deep Convolutional Neural Network
2024, Journal of medical signals and sensors
DOI:10.4103/jmss.jmss_13_23
PMID:38993203
|
研究论文 | 本研究自动化了从多种磁共振序列中进行脑肿瘤分割的方法。 | 提出了一种基于深度卷积神经网络的方法，评估了单个和组合磁共振序列对分割准确性的影响。 | 研究未提及其他潜在的临床应用以及不同类型肿瘤的表现。 | 自动化脑肿瘤的分割，以提高诊断和治疗规划的准确性。 | 使用BraTS-2020挑战数据集中的370名接受四种磁共振序列的受试者进行研究。 | 数字病理学 | 脑肿瘤 | 深度学习 | 残差神经网络 | 医学图像 | 370名受试者，含四种磁共振序列 | NA | NA | NA | NA |
| 1689 | 2024-08-05 |
Virtual tissue microstructure reconstruction across species using generative deep learning
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0306073
PMID:38995963
|
研究论文 | 本文介绍了一种名为TiMiGNet的深度学习方法，用于虚拟三维组织微结构重建 | TiMiGNet克服了抗体渗透差和时间密集型程序的挑战，能够无配对图像输入生成准确的高分辨率组织成分预测 | TiMiGNet可能受到深厚组织中的实验限制影响，无法直接成像的结构可能会有一定误差 | 探索多物种组织微结构的虚拟分析方法 | 小鼠和人类肝组织的三维微结构 | 计算机视觉 | NA | 生成对抗网络，荧光显微镜 | GAN | 图像 | 小鼠和人类肝组织的多样本 | NA | NA | NA | NA |
| 1690 | 2024-08-05 |
Natural language processing in the classification of radiology reports in benign gallbladder diseases
2024 Jan-Dec, Radiologia brasileira
DOI:10.1590/0100-3984.2023.0096-en
PMID:38993952
|
研究论文 | 本文开发了一种自然语言处理应用程序，能够自动识别需要手术的良性胆囊疾病。 | 通过使用卷积神经网络和双向长短时记忆网络进行深度学习，本文提出了一种新的文本分类方法。 | 研究结果只针对特定类型的胆囊报告，可能不适用于其他医疗报告。 | 旨在开发一种自动分类胆囊病报告的自然语言处理应用。 | 研究对象为1,200份描述胆囊的放射学报告。 | 自然语言处理 | NA | Word2Vec | CNN 和 BiLSTM | 文本 | 1,200份报告 | NA | NA | NA | NA |
| 1691 | 2024-08-05 |
Counting nematodes made easy: leveraging AI-powered automation for enhanced efficiency and precision
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1349209
PMID:38993936
|
研究论文 | 本文通过开发用户友好的图形用户界面和多种深度学习算法，提高了线虫计数的效率和精度 | 研究开发了一种能够同时识别和分类多类对象的算法，并展示了深度学习模型在实际应用中的潜力 | 目前的研究仅集中于一种属，未来需扩展到其他经济重要的植物寄生线虫属 | 研究旨在提高线虫计数的效率和精确性，推动全球的合作 | 本研究的对象包括线虫卵和第二阶段幼虫 | 数字病理学 | NA | 卷积神经网络（CNN） | YOLOv8x | 图像 | 共生成650幅卵的图像和1339幅幼虫的图像 | NA | NA | NA | NA |
| 1692 | 2024-08-07 |
Deep learning empowered breast cancer diagnosis: Advancements in detection and classification
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0304757
PMID:38990817
|
研究论文 | 介绍了一种创新的计算机辅助诊断系统，通过深度学习和计算机视觉技术提升乳腺癌的诊断能力 | 提出了一种利用深度学习和计算机视觉技术的CAD系统，能够独立识别和分类乳腺病变，表现出卓越的检测和分类性能 | 虽然检测准确性高，但在将乳腺肿块分成单独组进行检查时，方法的表现约为95.39% | 研究目的在于提升乳腺癌的早期检测和分类的准确性 | 研究对象为乳腺癌病变的检测与分类 | 计算机视觉 | 乳腺癌 | 深度学习 | NA | 影像 | 使用Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM)进行验证 | NA | NA | NA | NA |
| 1693 | 2024-08-05 |
Eichner classification based on panoramic X-ray images using deep learning: A pilot study
2024, Bio-medical materials and engineering
IF:1.0Q4
DOI:10.3233/BME-230217
PMID:38848165
|
研究论文 | 该研究基于全景X光图像进行Eichner分类，使用深度学习技术 | 提出了基于剩余牙齿进行部分义齿制作的Eichner分类方法 | 无明显限制信息 | 探讨如何利用影像信息进行分类和预测 | 使用全景X光图像进行Eichner分类 | 机器学习 | NA | 深度学习 | 卷积神经网络（CNN） | 图像 | 样本数量不明确 | NA | NA | NA | NA |
| 1694 | 2024-08-05 |
Research on the construction of information-based nursing quality control system based on deep learning model under the lean perspective
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-230730
PMID:38393932
|
研究论文 | 本研究探讨了一个基于深度学习模型的信息化护理质量控制系统的构建 | 将精益管理理念引入护理质量控制的信息化建设，促进信息技术与护理管理的深度融合 | 未提供样本规模和模型具体细节 | 提升护理质量管理，保护患者医疗安全 | 护理工作及其质量控制 | 数字病理学 | NA | 深度学习 | NA | 数据分析报告 | NA | NA | NA | NA | NA |
| 1695 | 2024-08-05 |
Artificial intelligence in medicine and healthcare: Opportunity and/or threat
2024, Casopis lekaru ceskych
PMID:38981711
|
研究论文 | 本文旨在介绍人工智能（AI）方法的发展及其在医学和医疗保健中的应用 | 强调了人工智能对患者护理过程的支持以及在复杂数据处理中的成功应用 | 深度学习存在一些缺陷，可能导致错误分类 | 探讨人工智能在医学和医疗保健中的机会与威胁 | 人工智能方法及其在患者护理和数据分析中的应用 | 计算机视觉 | NA | 数据分析方法 | 深度学习 | 大数据 | NA | NA | NA | NA | NA |
| 1696 | 2024-08-05 |
Software that combines deep learning, 3D reconstruction and CFD to analyze the state of carotid arteries from ultrasound imaging
2024, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.3233/THC-231306
PMID:38393860
|
研究论文 | 本文介绍了一种结合深度学习、三维重建和计算流体力学的软件方法，分析颈动脉的超声成像状态 | 提出了一个包含三个模块的新软件方法，能够提供患者特定颈动脉的详细信息 | NA | 研究颈动脉疾病的诊断方法 | 使用临床数据集分析颈动脉的状态 | 数字病理学 | NA | 超声成像 | 深度学习模块 | 临床数据 | NA | NA | NA | NA | NA |
| 1697 | 2024-08-05 |
CT-based volumetric measures obtained through deep learning: Association with biomarkers of neurodegeneration
2024-01, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.13445
PMID:37767905
|
研究论文 | 本文探讨了基于CT的体积测量与神经退行性疾病生物标志物之间的关联 | 该研究开发了基于深度学习的CT体积测量，能够高准确度地区分认知健康个体和痴呆患者 | 研究结果需要进一步验证以确认CT体积测量在神经退行性疾病诊断中的潜在应用 | 研究CT数据中神经退行性疾病生物标志物的潜在关联 | 分析Gothenburg H70出生队列和新加坡记忆门诊队列中的CT和MRI扫描数据 | 数字病理学 | 神经退行性疾病 | 深度学习 | NA | CT和MRI图像 | 917个CT和744个MRI扫描来自Gothenburg H70出生队列，204个CT和241个MRI扫描来自新加坡记忆门诊队列 | NA | NA | NA | NA |
| 1698 | 2024-08-05 |
Deep convolutional neural network for differentiating between sarcoidosis and lymphoma based on [18F]FDG maximum-intensity projection images
2024-Jan, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09937-x
PMID:37535157
|
研究论文 | 本文比较了未治疗的肉芽肿病和恶性淋巴瘤的 [18F]FDG PET/CT 查找。 | 本研究使用最大强度投影（MIP）图像开发的卷积神经网络（CNN）模型能够高效区分肉芽肿病与恶性淋巴瘤。 | 本研究基于回顾性数据，可能存在偏倚，且样本量相对较小。 | 研究旨在通过FDG累积差异区分肉芽肿病和恶性淋巴瘤。 | 研究对象为新诊断的肉芽肿病和恶性淋巴瘤患者。 | 机器学习 | 淋巴瘤 | [18F]FDG PET/CT | CNN | 图像 | 共纳入118名患者，包含56名肉芽肿患者和62名恶性淋巴瘤患者 | NA | NA | NA | NA |
| 1699 | 2024-08-05 |
Corn leaf disease: insightful diagnosis using VGG16 empowered by explainable AI
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1402835
PMID:38988642
|
研究论文 | 这项研究利用VGG16深度学习模型对玉米叶片进行分类，以识别疾病 | 该研究通过引入层次相关传播（LRP）增强模型的可解释性，生成输入图像的直观热图 | 研究中未提及对不同环境和气候条件下结果的适用性分析 | 旨在提高玉米叶片疾病的早期检测和分类精度 | 研究对象为健康、枯萎、灰斑和普通锈病四种类型的玉米叶片 | 计算机视觉 | NA | 深度学习，VGG16，层次相关传播（LRP） | VGG16 | 图像 | NA | NA | NA | NA | NA |
| 1700 | 2024-08-05 |
Deep learning-based assessment of CT markers of sarcopenia and myosteatosis for outcome assessment in patients with advanced pancreatic cancer after high-intensity focused ultrasound treatment
2024-Jan, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-09974-6
PMID:37572195
|
研究论文 | 本文评估了CT基础的肌肉萎缩和肌肉脂肪含量标志物在高强度聚焦超声治疗的晚期胰腺癌患者中的预后价值 | 研究揭示了肌肉脂肪含量标志物在临床评分之外对患者生存期的附加风险评估的更大作用 | 本研究为回顾性研究，可能存在时间和样本选择的偏差 | 评估CT基础的肌肉萎缩和肌肉脂肪含量标志物对晚期胰腺癌患者生存的预后价值 | 142名接受高强度聚焦超声治疗的晚期胰腺癌患者 | 数字病理学 | 胰腺癌 | CT扫描 | Cox比例风险模型 | 影像 | 142名患者的回顾性数据 | NA | NA | NA | NA |