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 1879 篇文献，本页显示第 1821 - 1840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1821 | 2024-08-07 |
SMILE: Siamese Multi-scale Interactive-representation LEarning for Hierarchical Diffeomorphic Deformable image registration
2024-01, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种新的卷积神经网络（CNN），包含孪生多尺度交互表示学习（SMILE）编码器和层次化微分形变（HDD）解码器，用于可变形医学图像配准 | 本文创新性地引入了SMILE编码器和HDD解码器，以及一种新的局部可逆损失（LIL），以促进拓扑保持和局部可逆性，同时保持高配准精度 | 现有深度学习方法存在以下局限：(a) 由于感受野有限，常忽略特征对应关系的显式建模；(b) 对于具有大空间位移的图像对，性能仍然有限；(c) 常忽略拓扑保持和变换的可逆性 | 旨在改进可变形医学图像配准方法，特别是在特征对应关系建模、处理大空间位移图像对以及拓扑保持和变换可逆性方面 | 可变形医学图像配准 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | 在两个公开的大脑图像数据集上进行了大量实验 | NA | NA | NA | NA |
| 1822 | 2024-08-07 |
Model-Based Explainable Deep Learning for Light-Field Microscopy Imaging
2024, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2024.3387297
PMID:38656840
|
研究论文 | 本文提出了一种基于模型的可解释深度学习方法，用于光场显微镜成像，以观察神经元网络的信息处理 | 该方法结合了波动光学理论、稀疏表示和非线性优化与人工神经网络，设计了遵循精确信号和优化模型的神经网络架构，并采用了一种结合逐层训练和定制知识蒸馏的新颖训练策略 | NA | 开发一种新的计算方法，充分利用嵌入在物理和光学模型中的领域知识，同时实现高解释性和透明度 | 神经元网络的信息处理 | 计算机视觉 | NA | 光场显微镜成像 | 人工神经网络 | 图像 | 从散射的哺乳动物脑组织中获得的结构和功能光场显微镜数据 | NA | NA | NA | NA |
| 1823 | 2024-08-07 |
ET-Network: A novel efficient transformer deep learning model for automated Urdu handwritten text recognition
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0302590
PMID:38758731
|
研究论文 | 本文提出了一种名为ET-Network的新型高效Transformer深度学习模型，用于自动识别乌尔都语手写文本 | ET-Network模型结合了EfficientNet的特征提取能力和Transformer的语言建模能力，通过自注意力层提取全局和局部特征，以捕捉长距离依赖关系 | NA | 提高乌尔都语手写文本的自动识别准确率 | 乌尔都语手写文本 | 自然语言处理 | NA | Transformer | ET-Network | 文本 | 使用了NUST-UHWR、UPTI2.0和MMU-OCR-21三个数据集进行训练和测试 | NA | NA | NA | NA |
| 1824 | 2024-08-07 |
High-precision tracking and positioning for monitoring Holstein cattle
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0302277
PMID:38743665
|
研究论文 | 本文提出了一种基于深度学习的跟踪算法，用于在复杂实际场景中进行多目标跟踪，以提高对荷斯坦牛的监测和定位精度 | 提出的多目标跟踪算法在多个性能指标上优于现有顶级跟踪算法，特别是在多目标跟踪准确性、精确性和IDF1方面 | 算法在实际多变的牧场条件下仍面临挑战，如规模变化、不可预测的运动和遮挡问题 | 提高在复杂牧场环境中对荷斯坦牛的监测和定位精度 | 荷斯坦牛的监测和定位 | 计算机视觉 | NA | 深度学习 | CenterTrack算法 | 图像 | NA | NA | NA | NA | NA |
| 1825 | 2024-08-07 |
Predicting hotspots for disease-causing single nucleotide variants using sequences-based coevolution, network analysis, and machine learning
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0302504
PMID:38743747
|
研究论文 | 本文开发了一种基于蛋白质残基接触网络的序列分析方法，结合共进化分析工具和机器学习算法，用于预测疾病相关单核苷酸变异的热点 | 本文创新地整合了多种共进化分析工具和机器学习算法，通过蛋白质残基网络来预测疾病突变的热点，克服了以往方法依赖已知蛋白质结构或未充分考虑残基间相互作用的局限 | NA | 旨在通过高吞吐量准确预测目标蛋白质中的疾病相关突变，以支持个性化医疗 | 疾病相关的单核苷酸变异热点 | 机器学习 | NA | NA | 随机森林、梯度提升和极端梯度提升 | 蛋白质序列 | 107种富含疾病突变的蛋白质 | NA | NA | NA | NA |
| 1826 | 2024-08-07 |
A machine learning approach to detect potentially harmful and protective suicide-related content in broadcast media
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0300917
PMID:38743759
|
研究论文 | 本研究利用机器学习方法对广播媒体中的自杀相关内容进行分类，以识别其潜在的有害或保护性特征 | 首次应用机器学习模型对大量广播媒体数据进行分类，以符合自杀报道的媒体推荐标准 | 模型性能依赖于训练样本的数量，而非分类任务的难度 | 探索机器学习在识别广播媒体中自杀相关内容的有害或保护性特征方面的应用 | 广播媒体中的自杀相关内容 | 机器学习 | NA | TF-IDF, 线性SVM, BERT | 多数分类器, 基于词频的方法, 深度学习模型 | 文本 | 2519份英语广播媒体转录本 | NA | NA | NA | NA |
| 1827 | 2024-08-07 |
Specific emitter identification based on multiple sequence feature learning
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0299664
PMID:38748654
|
研究论文 | 本文提出了一种基于多序列特征学习的特定发射机识别算法 | 该算法通过提取通信辐射源发射信号的多序列特征，并构建多序列融合卷积网络进行深度特征提取和分类，有效提高了特定发射机识别的性能 | NA | 解决传统特定发射机识别算法依赖先验知识、泛化能力差以及现有基于深度学习的算法特征选择不佳的问题 | 特定发射机识别算法 | 机器学习 | NA | 卷积神经网络 | CNN | 信号序列 | NA | NA | NA | NA | NA |
| 1828 | 2024-08-07 |
Multi-strategy modified sparrow search algorithm for hyperparameter optimization in arbitrage prediction models
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0303688
PMID:38748753
|
研究论文 | 本文提出了一种多策略改进的麻雀搜索算法（MSMSSA）用于优化LSTM网络的超参数，构建了一个套利价差预测模型（MSMSSA-LSTM） | 引入了好点集理论、比例自适应策略和改进的位置更新方法，以增强麻雀算法的空间探索能力 | NA | 提高深度学习模型在套利数据特征捕捉和预测准确性方面的性能 | 套利数据特征和预测模型性能 | 机器学习 | NA | 麻雀搜索算法（SSA） | LSTM | 数据 | 中国期货市场中的螺纹钢和热卷期货的实际价差数据 | NA | NA | NA | NA |
| 1829 | 2024-08-07 |
Attention pyramid pooling network for artificial diagnosis on pulmonary nodules
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0302641
PMID:38753596
|
研究论文 | 本文提出了一种注意力金字塔池化网络（APPN）用于肺结节的自动诊断 | 结合注意力机制和金字塔池化模块，实现了多尺度特征融合并聚焦于关键特征，使用门控空间记忆技术提取更精确的分类特征 | 未提及具体限制 | 提高肺结节在CT影像中的分类准确性，从而降低肺癌死亡率 | 肺结节的自动检测与分类 | 计算机视觉 | 肺部疾病 | 深度学习 | CNN | 图像 | 使用LIDC-IDRI数据集进行实验 | NA | NA | NA | NA |
| 1830 | 2024-08-07 |
Toward explainable AI in radiology: Ensemble-CAM for effective thoracic disease localization in chest X-ray images using weak supervised learning
2024, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2024.1366415
PMID:38756502
|
研究论文 | 本文开发了一种基于类激活映射（CAM）的集成模型Ensemble-CAM，用于通过弱监督学习解决胸部X光图像中胸腔疾病定位的问题 | 提出了Ensemble-CAM模型，结合集成学习和迁移学习，通过类激活函数实现疾病定位，减少对大量标注数据的依赖，并通过可视化解释性特征增强预测结果的信心 | NA | 开发一种可解释的人工智能模型，用于胸部X光图像中的胸腔疾病定位，并减少对大量标注数据的依赖 | 胸部X光图像中的胸腔疾病定位 | 计算机视觉 | 胸腔疾病 | 弱监督学习 | 集成模型 | 图像 | 三个胸部X光图像数据集 | NA | NA | NA | NA |
| 1831 | 2024-08-07 |
Apriori prediction of chemotherapy response in locally advanced breast cancer patients using CT imaging and deep learning: transformer versus transfer learning
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1359148
PMID:38756659
|
研究论文 | 本研究使用深度学习网络和CT影像预测局部晚期乳腺癌患者对新辅助化疗的反应，比较了ViT变换器和迁移学习网络的性能 | 首次使用ViT变换器和迁移学习网络结合CT影像预测局部晚期乳腺癌患者对新辅助化疗的反应，并展示了注意力机制的重要性 | 研究结果依赖于训练数据和测试数据的分割比例，且不同网络的性能差异较大 | 开发预测模型以预测局部晚期乳腺癌患者对新辅助化疗的肿瘤反应 | 局部晚期乳腺癌患者对新辅助化疗的反应 | 机器学习 | 乳腺癌 | CT影像 | ViT变换器, VGG16, VGG19, ResNet-50, ResNet-101, ResNet-152, InceptionV3, Xception | 影像 | 117名局部晚期乳腺癌患者，其中82名有临床病理反应，35名无反应 | NA | NA | NA | NA |
| 1832 | 2024-08-07 |
Open and remotely accessible Neuroplatform for research in wetware computing
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1376042
PMID:38756757
|
研究论文 | 本文介绍了一个开放且远程访问的神经平台，用于湿件计算和类器官智能的研究 | 开发了一个硬件和软件系统，支持大规模的电生理实验，并设计了微流控系统以自动化培养基流动和更换 | NA | 探索使用生物神经网络进行计算的新方法 | 神经类器官 | 人工智能 | NA | 电生理技术 | NA | 数据 | 超过1,000个脑类器官 | NA | NA | NA | NA |
| 1833 | 2024-08-07 |
Contrastive learning with token projection for Omicron pneumonia identification from few-shot chest CT images
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1360143
PMID:38756944
|
研究论文 | 本文提出了一种名为CoTP的对比学习模型，通过令牌投影技术提高从少量胸部CT图像中识别Omicron肺炎的诊断质量 | 利用无标签数据进行CoTP的拟合，并通过少量标记样本进行微调，同时引入新的Omicron数据集和改进的数据增强策略 | NA | 提高基于少量胸部CT图像的Omicron肺炎诊断效率 | Omicron肺炎的胸部CT图像识别 | 计算机视觉 | 肺炎 | 对比学习 | ResNet50 | 图像 | 少量标记样本和无标签数据 | NA | NA | NA | NA |
| 1834 | 2024-08-07 |
A Survey on 3D Skeleton-Based Action Recognition Using Learning Method
2024, Cyborg and bionic systems (Washington, D.C.)
DOI:10.34133/cbsystems.0100
PMID:38757045
|
综述 | 本文综述了基于三维骨骼的动作识别（3D SAR）在计算机视觉领域的研究进展，特别关注了深度学习架构的应用 | 首次全面讨论了基于深度学习的3D骨骼数据动作识别方法 | 之前的综述主要集中在视频或RGB数据为主的方法，对骨骼数据的覆盖有限 | 强调动作识别的重要性，并突出三维骨骼数据作为宝贵模态的意义 | 基于四种基本深度架构的动作识别技术 | 计算机视觉 | NA | 深度学习 | 循环神经网络、卷积神经网络、图卷积网络、Transformer | 骨骼数据 | 涉及当前最大的3D骨骼数据集NTU-RGB+D及其新版本NTU-RGB+D 120 | NA | NA | NA | NA |
| 1835 | 2024-08-07 |
Human Pose Estimation for Clinical Analysis of Gait Pathologies
2024, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322241231108
PMID:38757143
|
研究论文 | 本研究提出了一种用于定量评估步态障碍的二分类方法，特别是针对杜兴肌营养不良症（DMD）的步态特征进行分析 | 研究利用从YouTube和公开数据集中收集的新颖基准数据集，提取时间距离变量和下肢矢状关节角度，并采用机器学习和深度学习技术进行模式识别 | 当前模型能够区分健康对象和DMD患者，但不能区分DMD患者和其他步态障碍患者 | 开发一种成本效益高的方法，通过分析2D和3D人体姿态估计轨迹来检测步态异常 | 杜兴肌营养不良症（DMD）患者的步态特征 | 计算机视觉 | 神经肌肉疾病 | 人体姿态估计 | 支持向量机（SVM）和深度网络 | 视频（RGB） | 数据来自YouTube和公开数据集的健康儿童 | NA | NA | NA | NA |
| 1836 | 2024-08-07 |
[[Fundamentals] 8. Works on Mac or Windows! Practical Deep Learning with PyTorch]
2024, Nihon Hoshasen Gijutsu Gakkai zasshi
DOI:10.6009/jjrt.2024-2336
PMID:38644222
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1837 | 2024-08-07 |
Deep learning-based classification of the capillary ultrastructure in human skeletal muscles
2024, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2024.1363384
PMID:38751446
|
研究论文 | 本研究利用卷积神经网络（CNN）对人类骨骼肌毛细血管超微结构进行分类，以区分健康参与者与系统性病理患者 | 使用预训练的CNN模型在电子显微镜图像上区分健康控制组与系统性病理患者的毛细血管超微结构，其准确性高于传统的形态计量分析 | NA | 训练CNN模型以识别健康参与者与系统性病理患者肌肉活检中毛细血管的形态计量模式，用于假设生成 | 人类骨骼肌毛细血管的超微结构 | 机器学习 | 糖尿病，高血压，外周动脉疾病 | 透射电子显微镜（TEM） | CNN（ResNet101） | 图像 | 1810张电子显微镜图像，来自70名参与者 | NA | NA | NA | NA |
| 1838 | 2024-08-07 |
The Importance of Understanding Deep Learning
2024, Erkenntnis
DOI:10.1007/s10670-022-00605-y
PMID:38751773
|
research paper | 本文探讨了深度神经网络（DNNs）的理解问题及其在科学中的应用 | 本文提出了对深度神经网络理解的不同概念，特别是解释性理解的重要性 | 本文未明确指出具体的实验或数据分析限制 | 探讨当前对深度神经网络理解不足是否限制了其在科学中的应用 | 深度神经网络（DNNs）及其在科学中的应用 | machine learning | NA | NA | DNNs | NA | NA | NA | NA | NA | NA |
| 1839 | 2024-08-07 |
Detection of sweet corn seed viability based on hyperspectral imaging combined with firefly algorithm optimized deep learning
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1361309
PMID:38751847
|
研究论文 | 本研究利用高光谱成像技术结合萤火虫算法优化的深度学习方法，对甜玉米种子的不同活力等级进行识别 | 本研究提出的萤火虫算法优化的CNN-LSTM模型在甜玉米种子活力等级分类中表现出优于其他模型的性能 | NA | 识别甜玉米种子的活力等级 | 甜玉米种子 | 机器学习 | NA | 高光谱成像 | CNN-LSTM | 光谱图像 | 496颗种子，包括四个活力等级的种子 | NA | NA | NA | NA |
| 1840 | 2024-08-07 |
Subcutaneous fat predicts bone metastasis in breast cancer: A novel multimodality-based deep learning model
2024, Cancer biomarkers : section A of Disease markers
IF:2.2Q3
DOI:10.3233/CBM-230219
PMID:38043007
|
研究论文 | 本研究利用深度学习方法，结合临床信息和CT图像特征，预测乳腺癌患者的骨转移 | 首次提出使用皮下脂肪指数作为预测乳腺癌骨转移的独立预后因素，并采用多模态深度学习算法进行预测 | NA | 探索利用深度学习技术预测乳腺癌患者的骨转移 | 乳腺癌患者的骨转移预测 | 机器学习 | 乳腺癌 | CT图像 | CNN | 图像 | 431名乳腺癌患者 | NA | NA | NA | NA |