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 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 | 2024-08-05 |
Multimodal Emotion Recognition Based on Facial Expressions, Speech, and EEG
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3240280
PMID:38899017
|
研究论文 | 本文提出了一种基于深度学习的多模态情感识别方法Deep-Emotion，能够有效集成面部表情、语音和脑电图（EEG）的特征 | 提出了一种新框架Deep-Emotion，包括改进的GhostNet、轻量级全卷积神经网络和树状LSTM模型以提升情感识别性能 | 需要处理的计算能力增加，实时检测与提升深度神经网络的鲁棒性仍然是挑战 | 提升多模态情感识别的表现和准确性 | 面部表情、语音和脑电图（EEG）的情感特征 | 机器学习 | NA | 脑电图（EEG）、深度学习 | GhostNet, LFCNN, tLSTM | 图像、音频 | 使用了CK+、EMO-DB和MAHNOB-HCI等数据集进行广泛实验 | NA | NA | NA | NA |
| 1822 | 2024-08-05 |
Gastric Section Correlation Network for Gastric Precancerous Lesion Diagnosis
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3277219
PMID:38899022
|
研究论文 | 本文提出了一种通过内镜图像诊断胃早期癌前病变的新方法 | 提出了胃部分相关网络（GSCNet），首次实现从内镜图像中识别高胃癌风险患者 | NA | 诊断胃体优先的胃炎指数（CGI）以识别高胃癌风险患者 | 内镜图像中的胃部分 | 数字病理学 | 胃癌 | 内镜图像分析 | 深度学习网络 | 图像 | NA | NA | NA | NA | NA |
| 1823 | 2024-08-05 |
Guest Editorial Introduction to the Special Section on Weakly-Supervised Deep Learning and Its Applications
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3404653
PMID:38899020
|
评论 | 本篇文章介绍了弱监督深度学习及其在生物医学数据分析中的应用 | 提出了弱监督深度学习技术作为解决生物医学数据分析挑战的新方法 | 涉及的特定限制尚未在摘要中提及 | 探讨弱监督深度学习技术在生物医学数据分析中的应用 | 生物医学领域的数据，包括信号、图像和视频 | 深度学习 | NA | 深度学习 | GANs, GNNs, ViTs, DRL | 信号、图像和视频 | NA | NA | NA | NA | NA |
| 1824 | 2024-08-05 |
Histopathology-based breast cancer prediction using deep learning methods for healthcare applications
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1300997
PMID:38894870
|
研究论文 | 本研究使用深度学习方法分析乳腺癌的组织病理学图像，以提高自动诊断的准确性 | 该论文提出了一种结合超分辨率生成对抗网络 (SRGAN) 和补丁式特征提取的创新方法，显著提高了乳腺癌的分类准确性 | 研究依赖于特定的公共数据集，可能影响结果的广泛适用性 | 研究旨在通过深度学习提高乳腺癌的自动诊断准确性 | 研究对象包括BreakHis和侵袭性导管癌 (IDC) 数据集中的组织病理学图像 | 数字病理学 | 乳腺癌 | 超分辨率生成对抗网络 (SRGAN) 和长短期记忆网络 (LSTM) | Inception V3 和 Resnet-50 | 图像 | 使用了BreakHis和IDC数据集中的组织病理学图像 | NA | NA | NA | NA |
| 1825 | 2024-08-05 |
A comprehensive approach for osteoporosis detection through chest CT analysis and bone turnover markers: harnessing radiomics and deep learning techniques
2024, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2024.1296047
PMID:38894742
|
研究论文 | 本研究评估了利用放射组学、深度学习和迁移学习方法分析胸部CT扫描的可能性 | 结合放射组学和深度学习技术，同时考虑骨转换标志物进行骨质疏松症的筛查 | 骨转换标志物可能对骨质疏松症筛查并非必要 | 评估胸部CT扫描和骨转换标志物在骨质疏松症筛查中的应用 | 488名接受胸部CT和骨密度检测的患者 | 数字病理学 | 骨质疏松症 | 放射组学，深度学习 | 2D和3D深度学习模型, 2D和3D迁移学习模型 | 医学影像 | 488名患者 | NA | NA | NA | NA |
| 1826 | 2024-08-05 |
Exploring deep learning radiomics for classifying osteoporotic vertebral fractures in X-ray images
2024, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2024.1370838
PMID:38606087
|
研究论文 | 本文开发并验证了一种深度学习放射组学模型，用于预测骨质疏松椎体骨折的分类 | 创新点在于使用深度学习放射组学模型，从X光图像中提取特征，以分类骨质疏松椎体骨折 | 该研究尚未讨论模型在不同种族或年龄组的适用性 | 研究旨在利用X光图像预测骨质疏松椎体骨折的分类 | 研究对象包括942名患者，检查1076个椎骨 | 医学影像处理 | 骨质疏松病 | 深度学习放射组学 | ResNet-50 | 图像 | 942名患者，1076个椎骨的X光图像 | NA | NA | NA | NA |
| 1827 | 2024-08-05 |
Small target tea bud detection based on improved YOLOv5 in complex background
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1393138
PMID:38887461
|
研究论文 | 该研究提出了一种基于改进YOLOv5的小目标茶芽检测方法 | 使用注意力机制和轻量级卷积方法，提高了茶芽检测的准确性和速度 | 现有检测方法在复杂背景下仍然存在局限 | 实现智能茶芽采摘的准确和快速茶芽检测 | 茶芽 | 计算机视觉 | NA | YOLOv5, SPPF, GSConv | NA | 图像 | NA | NA | NA | NA | NA |
| 1828 | 2024-08-05 |
Enhancing surgical decision-making in NEC with ResNet18: a deep learning approach to predict the need for surgery through x-ray image analysis
2024, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2024.1405780
PMID:38895195
|
研究论文 | 该文章探讨了使用ResNet18深度学习模型分析X光图像以优化新生儿坏死性小肠炎手术决策。 | 该研究首次将深度学习应用于新生儿坏死性小肠炎的影像分析，以预测是否需要手术。 | 研究仅基于回顾性分析，样本数量和时间范围可能影响结果的普遍性。 | 本研究旨在通过分析床边X光图像来优化新生儿坏死性小肠炎的手术决策。 | 研究对象为263例被诊断为坏死性小肠炎的婴儿，分为手术组和非手术组。 | 计算机视觉 | 新生儿坏死性小肠炎 | 深度学习 | ResNet18 | X光图像 | 263例新生儿坏死性小肠炎患者的X光图像 | NA | NA | NA | NA |
| 1829 | 2024-08-05 |
Application and progress of artificial intelligence technology in the segmentation of hyperreflective foci in OCT images for ophthalmic disease research
2024, International journal of ophthalmology
IF:1.9Q2
DOI:10.18240/ijo.2024.06.20
PMID:38895690
|
综述 | 本文综述了人工智能技术在OCT图像中对高反射焦点的分割在眼科疾病研究中的应用与进展 | 文章创新地探讨了AI技术在生物标志物分析中的应用，提升了对眼科疾病的早期筛查和诊断精度 | 文章未具体阐述AI技术在不同眼科疾病应用中的局限性 | 研究人工智能在眼科疾病高反射焦点的分割与分析中的应用潜力 | 瞄准高反射焦点及其在眼科疾病中的生物标志物角色 | 计算机视觉 | 年龄相关性黄斑变性，糖尿病性视网膜水肿，视网膜静脉阻塞 | 机器学习，深度学习 | NA | 光学相干断层扫描图像 | NA | NA | NA | NA | NA |
| 1830 | 2024-08-05 |
Corrigendum: Deep learning or radiomics based on CT for predicting the response of gastric cancer to neoadjuvant chemotherapy: a meta-analysis and systematic review
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1433346
PMID:38846979
|
更正 | 该文章更正了之前发表的有关深度学习或基于CT的放射组学在预测胃癌对新辅助化疗反应的研究 | NA | NA | NA | NA | NA | 胃癌 | NA | NA | NA | NA | NA | NA | NA | NA |
| 1831 | 2024-08-05 |
Biomarkers and computational models for predicting efficacy to tumor ICI immunotherapy
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1368749
PMID:38524135
|
综述 | 本文综合评述了肿瘤免疫检查点抑制剂（ICI）免疫治疗的预测性生物标志物和计算模型的最新进展 | 强调了增强程序性死亡蛋白1（PD-1）/程序性死亡配体1（PD-L1）和细胞毒性T淋巴细胞抗原4（CTLA-4）抑制剂疗法的有效性的生物标志物，并讨论了相关技术和模型 | 未提及具体研究限制 | 探索ICI免疫治疗的预测性生物标志物和计算模型 | 生物标志物来源于肿瘤细胞、肿瘤免疫微环境、体液、肠道微生物和代谢产物 | 数字病理学 | 肿瘤 | NA | 知识基础机制模型和数据基础机器学习模型 | NA | NA | NA | NA | NA | NA |
| 1832 | 2024-08-05 |
Deep learning or radiomics based on CT for predicting the response of gastric cancer to neoadjuvant chemotherapy: a meta-analysis and systematic review
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1363812
PMID:38601765
|
meta-analysis | 本研究评估了人工智能模型、临床模型和综合模型在预测胃癌患者对新辅助化疗反应的准确性 | 比较了AI模型、临床模型和综合模型在预测胃癌化疗反应中的效果，并分析了各模型的灵敏度和特异性 | 该研究的限制在于异质性分析结果可能受到多个因素的影响，如预测反应的方法和标准的选择 | 研究的目的是识别AI模型的诊断测试，并通过比较各种模型的准确性来优化预测方法 | 研究对象为3313名胃癌患者，涉及9项研究 | 机器学习 | 胃癌 | CT | 人工智能模型 | 数据集 | 3313名患者，7项头对头对比研究涉及2699名患者 | NA | NA | NA | NA |
| 1833 | 2024-08-05 |
Synergistic Integration of Machine Learning with Microstructure/Composition-Designed SnO2 and WO3 Breath Sensors
2024-01-26, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.3c01814
PMID:38207118
|
研究论文 | 提出了一种高性能半导体金属氧化物气体传感策略，以实现基于传感器的高效疾病预测 | 创新性地将机器学习方法与SnO-和WO基传感器组成的互补传感器阵列相结合 | 在相同组中的传感器单独应用时，将会面临较差的辨别能力 | 研究高性能气体传感器的疾病预测能力 | 使用SnO-和WO基传感器及神经网络算法来测量气体混合物 | 数字病理学 | 肠易激综合症 | 机器学习 | 深度神经网络（DNN）和卷积神经网络（CNN） | 数值数据和图像数据 | 使用六个传感器进行实验 | NA | NA | NA | NA |
| 1834 | 2024-08-05 |
AI and Knowledge-Based Method for Rational Design of Escherichia coli Sigma70 Promoters
2024-01-19, ACS synthetic biology
IF:3.7Q1
DOI:10.1021/acssynbio.3c00578
PMID:38176073
|
研究论文 | 本文开发了一种人工智能和知识驱动的方法用于合理设计大肠杆菌sigma70启动子 | 提出一种将人工智能与已有深度学习模型结合的新的启动子设计方法 | 缺乏对其他类型启动子的验证和全面性比较 | 旨在通过合理设计sigma70启动子来增强重组蛋白的表达 | 研究对象主要是sigma70启动子及其在不同蛋白表达中的应用 | 数字病理学 | NA | 高通量筛选(HTS) | 深度学习模型 | NA | NA | NA | NA | NA | NA |
| 1835 | 2024-08-05 |
Explainable Deep Learning Model for Predicting Serious Adverse Events in Hospitalized Geriatric Patients Within 72 Hours
2024, Clinical interventions in aging
IF:3.5Q2
DOI:10.2147/CIA.S460562
PMID:38883992
|
研究论文 | 本文开发了一种可解释的深度学习模型，以预测住院老年患者在72小时内发生的不良事件 | 该研究开发了一种可解释的深度学习模型，能够在72小时内准确预测老年患者的不良事件 | 该研究使用的回顾性数据可能受限于数据收集的准确性和完整性 | 研究的目的是提高对老年患者住院期间发生的不良事件的预测能力 | 研究对象为非创伤性老年患者，这些患者在急诊科就诊并住入普通病房 | 数字病理 | 老年疾病 | 深度学习 | 深度前馈神经网络 | 回顾性数据 | 共纳入127,268名患者 | NA | NA | NA | NA |
| 1836 | 2024-08-05 |
Multimodal Brain Tumor Classification Using Convolutional Tumnet Architecture
2024, Behavioural neurology
IF:2.7Q2
DOI:10.1155/2024/4678554
PMID:38882177
|
研究论文 | 本研究提出了一种基于深度学习的脑肿瘤多模态融合影像分类和分割方法 | 提出了一种新的Tumnet技术，通过三种不同的像素级融合方法来处理MRI和CT影像，以提高脑肿瘤分类的准确性 | 没有提及样本来源和外部验证，可能限制了结果的广泛适用性 | 提高脑肿瘤的诊断和治疗效果 | 308片脑膜瘤和肉瘤的MRI和CT图像 | 数字病理 | 脑癌 | 深度学习 | 卷积神经网络 (CNN) | 图像 | 869片影像切片（308片和561片） | NA | NA | NA | NA |
| 1837 | 2024-08-05 |
An End-to-End CRSwNP Prediction with Multichannel ResNet on Computed Tomography
2024, International journal of biomedical imaging
IF:3.3Q2
DOI:10.1155/2024/4960630
PMID:38883273
|
研究论文 | 本文提出一种结合多角度鼻窦计算机断层扫描图像和人工智能的方法，用于预测慢性鼻窦炎伴鼻息肉的亚型 | 提出多通道特征自适应融合模型，以提升对CT图像中重要鼻窦信息的关注度，增强检测精度 | 未提及具体的局限性 | 研究精准医学在慢性鼻窦炎伴鼻息肉中的应用，通过准确预测亚型以改善治疗效果 | 192名慢性鼻窦炎伴鼻息肉患者的22,265张CT图像 | 计算机视觉 | 慢性鼻窦炎 | 人工智能(AI) | 多通道神经网络 | 图像 | 192名患者的22,265张CT图像 | NA | NA | NA | NA |
| 1838 | 2024-08-05 |
Impact of a deep learning sepsis prediction model on quality of care and survival
2024-Jan-23, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-023-00986-6
PMID:38263386
|
研究论文 | 本研究评估了一种深度学习模型（COMPOSER）对败血症患者结果的影响 | 首次在真实世界中评估深度学习模型对败血症早期预测的影响 | 限于在两个急诊科进行的准实验研究，可能影响结果的普遍适用性 | 评估深度学习模型对败血症患者的结果影响 | 6217名成年败血症患者 | 自然语言处理 | 败血症 | 深度学习 | NA | 样本数据 | 6217名成年败血症患者 | NA | NA | NA | NA |
| 1839 | 2024-08-05 |
A deep learning method for classification of HNSCC and HPV patients using single-cell transcriptomics
2024, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2024.1395721
PMID:38872916
|
研究论文 | 本研究开发了深度学习模型，用于利用单细胞转录组学分类头颈鳞状细胞癌（HNSCC）和人类乳头状瘤病毒（HPV）患者 | 提出了一个基于人工神经网络的模型，通过单细胞转录组学准确区分HNSCC与正常样本，并能够分类HPV阳性和阴性样本 | 研究样本量相对较小，仅使用了20个HNSCC样本和9个正常组织样本 | 旨在通过机器学习和深度学习技术提高HNSCC的早期检测效率 | 针对头颈鳞状细胞癌患者和正常样本进行分类 | 机器学习 | 头颈癌 | 单细胞转录组学 | 人工神经网络 | 基因表达数据 | 20个HNSCC样本（包括13个HPV阴性样本和7个HPV阳性样本），9个正常组织样本 | NA | NA | NA | NA |
| 1840 | 2024-08-05 |
Enhancing the potential of phenomic and genomic prediction in winter wheat breeding using high-throughput phenotyping and deep learning
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1410249
PMID:38872880
|
研究论文 | 本研究探讨了结合高通量表型分析和深度学习在冬小麦育种中的应用 | 提出了将无人机辅助的高通量表型数据与深度学习相结合以提高冬小麦粒产、测试重量和蛋白质含量的预测准确性 | 未提到具体的样本数量和数据集多样性，可能影响结果的普适性 | 提高高产和抗逆小麦品种的育种效率 | 冬小麦在不同生长阶段的农业性状与高通量表型性状的相关性 | 数字病理学 | NA | 高通量表型分析（HTP）和深度学习（DL） | 深度神经网络（DNN） | 图像 | NA | NA | NA | NA | NA |