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 12390 篇文献，本页显示第 4581 - 4600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4581 | 2024-12-21 |
Advancing cancer driver gene detection via Schur complement graph augmentation and independent subspace feature extraction
2024-05, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.108484
PMID:38643595
|
研究论文 | 本文提出了一种名为SCIS-CDG的模型，通过Schur补图增强和独立子空间特征提取技术来提高癌症驱动基因的预测准确性 | 引入了Schur补图增强策略和独立子空间特征提取技术，增强了模型的泛化能力和对复杂网络的处理能力，并引入了基于基因网络结构的特征扩展组件和可学习的注意力权重机制 | 未提及具体的局限性 | 提高癌症驱动基因的预测准确性，指导癌症治疗 | 癌症驱动基因 | 机器学习 | NA | Schur补图增强，独立子空间特征提取，图神经网络 | 图神经网络 | 基因网络数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 4582 | 2024-12-21 |
scGraph2Vec: a deep generative model for gene embedding augmented by graph neural network and single-cell omics data
2024-Jan-02, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giae108
PMID:39704704
|
研究论文 | 本文提出了一种名为scGraph2Vec的深度生成模型，用于生成基因嵌入，结合了图神经网络和单细胞组学数据 | scGraph2Vec扩展了变分图自编码器框架，并整合了单细胞数据和基因-基因相互作用网络，生成的基因嵌入具有生物学可解释性 | NA | 探索基因的细胞过程，以理解复杂疾病和生物系统的特性 | 基因嵌入和基因网络 | 生物信息学 | NA | 图神经网络 | 变分图自编码器 | 单细胞组学数据 | NA | NA | NA | NA | NA |
| 4583 | 2024-12-21 |
Integrating the Physical Environment Within a Population Neuroscience Perspective
2024, Current topics in behavioral neurosciences
DOI:10.1007/7854_2024_477
PMID:38691314
|
研究论文 | 本文从人口神经科学的角度探讨了物理环境对大脑、行为和心理健康的影响 | 本文提出了利用深度学习和高质量数据整合多源数据，以更全面地描绘物理环境 | 现有研究存在暴露测量不一致和小样本依赖的问题 | 探讨环境暴露对心理健康的长期影响，并为未来研究提供指导 | 物理环境对大脑、行为和心理健康的影响 | NA | NA | 深度学习 | NA | 遥感图像、行政数据、传感器数据、社交媒体数据 | 大样本 | NA | NA | NA | NA |
| 4584 | 2024-12-21 |
Artificial Intelligence in Uveitis: Innovations in Diagnosis and Therapeutic Strategies
2024, Clinical ophthalmology (Auckland, N.Z.)
DOI:10.2147/OPTH.S495307
PMID:39703602
|
综述 | 本文探讨了人工智能在葡萄膜炎诊断和治疗策略中的创新应用 | 人工智能技术，包括机器学习和深度学习，展示了在前房炎症检测、玻璃体混浊分级和筛查眼部弓形虫病等领域的熟练应用 | 数据集质量、算法透明性和伦理问题等挑战仍然存在 | 探索人工智能在提高葡萄膜炎诊断精度、优化治疗方案和改善患者预后中的作用 | 葡萄膜炎的诊断和治疗 | NA | 葡萄膜炎 | 机器学习（ML）和深度学习（DL） | NA | NA | 52项高质量研究 | NA | NA | NA | NA |
| 4585 | 2024-12-21 |
A survey of detection of Parkinson's disease using artificial intelligence models with multiple modalities and various data preprocessing techniques
2024, Journal of education and health promotion
IF:1.4Q3
DOI:10.4103/jehp.jehp_1777_23
PMID:39703622
|
综述 | 本文综述了使用人工智能模型和多种数据预处理技术进行帕金森病检测的研究 | 本文探讨了多种数据集、模态和数据预处理技术，并提出了未来帕金森病研究中使用磁共振成像、多巴胺转运体扫描和单光子发射计算机断层扫描数据的子分类和关联分析建议 | 本文未详细讨论具体模型的局限性或数据预处理技术的不足 | 提高帕金森病的诊断准确性 | 帕金森病患者和健康对照者 | 机器学习 | 神经退行性疾病 | 磁共振成像、多巴胺转运体扫描、单光子发射计算机断层扫描 | 卷积神经网络、门控循环单元 | 图像 | 使用了帕金森病进展标志物计划数据集的3D脑图像，准确率分别为86.67%和94.02% | NA | NA | NA | NA |
| 4586 | 2024-12-21 |
Advancing cybersecurity and privacy with artificial intelligence: current trends and future research directions
2024, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2024.1497535
PMID:39703783
|
综述 | 本文综述了人工智能在网络安全和隐私保护中的应用现状，并指出了未来的研究方向 | 本文首次对人工智能在网络安全和隐私领域的广泛文献进行了全面的综合分析，识别了现有研究中的空白，并提出了未来研究的方向 | 本文主要基于文献综述，未进行实证研究，且未涵盖所有可能的AI应用场景 | 探讨人工智能在网络安全和隐私保护中的应用现状，并指出未来的研究方向 | 人工智能在网络安全和隐私保护中的应用 | 机器学习 | NA | BERTopic建模 | NA | 文本 | 9350篇出版物 | NA | NA | NA | NA |
| 4587 | 2024-12-21 |
From Images to Loci: Applying 3D Deep Learning to Enable Multivariate and Multitemporal Digital Phenotyping and Mapping the Genetics Underlying Nitrogen Use Efficiency in Wheat
2024, Plant phenomics (Washington, D.C.)
DOI:10.34133/plantphenomics.0270
PMID:39703939
|
研究论文 | 本文提出了一种利用低空航拍获取小麦田间图像，生成3D点云和多光谱图像，并通过深度学习技术进行小麦地块分割和氮利用效率相关基因定位的方法 | 本文首次将3D深度学习应用于小麦氮利用效率基因的定位，提出了小麦3D地块分割数据集，并结合PointNet++量化地块冠层高度，生成氮利用相关的植被指数 | 本文的研究对象仅限于小麦，且样本量相对较小，未来需要在大规模样本和更多作物上进行验证 | 通过3D数字动态表型分析定位小麦中与氮利用效率相关的基因 | 小麦的氮利用效率基因 | 数字病理学 | NA | 3D深度学习 | PointNet++ | 图像 | 160个小麦品种（660,000个单核苷酸多态性） | NA | NA | NA | NA |
| 4588 | 2024-12-21 |
Deep Learning Methods Using Imagery from a Smartphone for Recognizing Sorghum Panicles and Counting Grains at a Plant Level
2024, Plant phenomics (Washington, D.C.)
DOI:10.34133/plantphenomics.0234
PMID:39703938
|
研究论文 | 本研究利用智能手机拍摄的图像，通过深度学习方法识别高粱穗并进行粒数计数 | 开发了Sorghum-Net模型，用于高粱穗粒数估计，并提出了一个简单的方程将模型计数与田间观察的粒数关联起来 | 研究仅使用了单侧穗图像进行粒数估计，可能存在一定的误差 | 提高高粱穗检测和粒数估计的准确性，为田间高粱产量估算提供解决方案 | 高粱穗及其粒数 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | 648张高粱穗图像 | NA | NA | NA | NA |
| 4589 | 2024-12-20 |
Deep learning for opportunistic, end-to-end automated assessment of epicardial adipose tissue in pre-interventional, ECG-gated spiral computed tomography
2024-Dec-19, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-024-01875-6
PMID:39699798
|
研究论文 | 本文开发了一种深度学习管道，用于在螺旋CT扫描中自动评估心外膜脂肪组织（EAT） | 提出了一个两步法，包括切片提取和组织分割，以实现EAT的稳健自动评估，并展示了其在临床常规中的应用潜力 | NA | 开发一种深度学习管道，用于在螺旋CT扫描中自动评估心外膜脂肪组织（EAT） | 心外膜脂肪组织（EAT）的自动评估 | 计算机视觉 | 心血管疾病 | 螺旋CT成像 | 2D卷积神经网络（CNN）、3D CNN、2D U-Net | 图像 | 1502名接受经导管主动脉瓣置换术（TAVR）的患者 | NA | NA | NA | NA |
| 4590 | 2024-12-20 |
Flexible Photoacoustic Device Integrating Electroluminescence, Piezoelectric Vibration, and Pressure Sensing
2024-Dec-18, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.4c18371
PMID:39628397
|
研究论文 | 本文开发了一种多功能柔性光声设备（MFPAD），集成了电致发光、压电振动和压力传感功能 | 该设备通过单一结构整合了多种传感功能，简化了设计并提高了适应性 | NA | 解决现有仿生设备独立传感模块导致的复杂设计和适应性差的问题 | 多功能柔性光声设备（MFPAD） | NA | NA | 气流辅助静电纺丝 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 4591 | 2024-12-20 |
Multi-dimensional hybrid bilinear CNN-LSTM models for epileptic seizure detection and prediction using EEG signals
2024-Dec-18, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ada0e5
PMID:39693763
|
研究论文 | 本文提出了一种多维混合双线性CNN-LSTM模型，用于基于EEG信号的癫痫发作检测和预测 | 创新点在于整合了EEG信号的时间、空间和频率信息，并通过频率域分离周期性和非周期性成分，使用自注意力机制过滤单通道特征，并结合CNN和LSTM网络捕捉时空特征 | NA | 开发一种自动检测和预测癫痫发作的方法，以改善患者护理和提高生活质量 | EEG信号中的癫痫发作 | 机器学习 | NA | EEG信号分析 | CNN-LSTM | 信号 | CHB-MIT数据集和Kaggle数据集 | NA | NA | NA | NA |
| 4592 | 2024-12-20 |
Low-power scalable multilayer optoelectronic neural networks enabled with incoherent light
2024-Dec-18, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-55139-4
PMID:39695133
|
研究论文 | 本文介绍了一种多层光电神经网络计算框架，利用非相干光实现高能效的深度学习计算 | 提出了交替使用光学和光电层的多层光电计算框架，显著减少了读入和读出的次数，为超低能耗的光学加速器铺平了道路 | 实验中仅使用了三层网络，且在MNIST数据库上的识别准确率为92%，在非线性螺旋数据上的分类准确率为86% | 开发一种高速度、高能效的计算方法，以满足现代深度学习和人工智能应用的需求 | 多层光电神经网络的计算框架及其在图像识别和分类中的应用 | 机器学习 | NA | 光电计算 | 多层神经网络 | 图像 | 使用了MNIST数据库中的图像数据和非线性螺旋数据进行实验 | NA | NA | NA | NA |
| 4593 | 2024-12-20 |
QM40, Realistic Quantum Mechanical Dataset for Machine Learning in Molecular Science
2024-Dec-18, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-04206-y
PMID:39695146
|
研究论文 | 本文介绍了QM40数据集，这是一个用于分子科学中机器学习的真实量子力学数据集 | QM40数据集代表了88%的FDA批准药物化学空间，包含162,954个分子的16个关键量子力学参数，解决了高质量数据稀缺的问题 | NA | 解决机器学习和深度学习在科学领域应用中高质量数据集稀缺的问题 | 分子科学中的量子力学预测 | 机器学习 | NA | 量子力学计算（B3LYP/6-31G(2df,p)） | 图神经网络（GNNs）和生成模型 | 分子结构数据 | 162,954个分子，包含10到40个原子，由C、O、N、S、F、Cl等元素组成 | NA | NA | NA | NA |
| 4594 | 2024-12-20 |
GF-1 WFV satellite images based forest cover mapping in China supported by open land use/cover datasets
2024-Dec-18, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-04202-2
PMID:39695154
|
研究论文 | 本研究基于GF-1 WFV卫星图像和开放的土地利用/覆盖数据集，开发了中国2020年的16米分辨率森林覆盖图 | 提出了基于弱监督深度学习和开放数据集先验知识的森林分类框架，生成了高精度的中国森林覆盖图 | NA | 开发高精度的中国森林覆盖图，以支持生态研究和可持续管理 | 中国的森林覆盖 | 遥感 | NA | 弱监督深度学习 | NA | 图像 | 136,385个样本点 | NA | NA | NA | NA |
| 4595 | 2024-12-20 |
DeepMiRBP: a hybrid model for predicting microRNA-protein interactions based on transfer learning and cosine similarity
2024-Dec-18, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-024-05985-2
PMID:39695955
|
研究论文 | 本文介绍了一种名为DeepMiRBP的新型混合深度学习模型，用于预测microRNA-蛋白质相互作用 | 首次针对小RNA与蛋白质之间的直接相互作用进行建模，结合了双向长短期记忆网络（Bi-LSTM）和卷积神经网络（CNN），并利用余弦相似度和转移学习来提高预测准确性 | NA | 开发一种高效的生物信息学工具，用于预测microRNA-蛋白质相互作用 | microRNA与RNA结合蛋白之间的相互作用 | 机器学习 | NA | 转移学习，余弦相似度 | 混合模型（Bi-LSTM和CNN） | RNA序列和蛋白质结构数据 | 使用了大量RNA-蛋白质结合位点的数据集，并通过三个案例研究验证了模型 | NA | NA | NA | NA |
| 4596 | 2024-12-20 |
Segmentation for mammography classification utilizing deep convolutional neural network
2024-Dec-18, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-024-01510-2
PMID:39696014
|
研究论文 | 本文提出了一种改进的transformer模型，用于乳腺癌预测和乳腺X线图像分类，通过分割技术准确识别受乳腺癌影响的区域 | 本文创新性地将transformer模型与分割技术结合，用于乳腺X线图像的乳腺癌分类，并提出了金字塔transformer（PTr）模型的架构改进 | 本文未详细讨论模型在不同数据集上的泛化能力以及模型的计算资源需求 | 研究如何利用改进的transformer模型提高乳腺X线图像中良性和恶性乳腺组织的分类准确性 | 乳腺X线图像中的良性和恶性乳腺组织 | 计算机视觉 | 乳腺癌 | 深度学习 | transformer | 图像 | 使用了Mendeley数据仓库中的INbreast数据集，包含良性和恶性乳腺类型 | NA | NA | NA | NA |
| 4597 | 2024-12-20 |
Novel neural network classification of maternal fetal ultrasound planes through optimized feature selection
2024-Dec-18, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-024-01453-8
PMID:39696025
|
研究论文 | 本文提出了一种基于深度学习的自动化分类方法，用于母体胎儿超声平面的分类，通过优化的特征选择和新型径向基函数神经网络（RBFNN）提高检测效率和诊断准确性 | 本文引入了混合优化技术进行特征选择，并提出了新型径向基函数神经网络（RBFNN）用于母体胎儿超声平面的分类 | NA | 提高母体胎儿超声平面分类的效率和诊断准确性 | 母体胎儿超声平面 | 机器学习 | NA | 深度学习 | 径向基函数神经网络（RBFNN） | 图像 | 从公开来源收集的大量母体胎儿筛查超声图像，分为六个类别 | NA | NA | NA | NA |
| 4598 | 2024-12-20 |
Shape-based disease grading via functional maps and graph convolutional networks with application to Alzheimer's disease
2024-Dec-18, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-024-01513-z
PMID:39696064
|
研究论文 | 本文通过功能映射和图卷积网络的方法，提出了一种基于形状的疾病分级方法，并应用于阿尔茨海默病的诊断 | 本文引入了功能映射的概念，并结合图卷积网络进行形状分析，以解决传统形状空间方法在处理不完全和拓扑变化形状时的局限性 | NA | 本文旨在通过改进形状分析方法，提高疾病分级的准确性 | 本文的研究对象是阿尔茨海默病患者的形状特征 | 计算机视觉 | 阿尔茨海默病 | 图卷积网络 | 图卷积网络 | 形状 | 使用了来自ADNI数据库的样本 | NA | NA | NA | NA |
| 4599 | 2024-12-20 |
Evaluation of modified essay questions (MEQs) as an assessment tool in third-year medical students' modular summative assessment
2024-Dec-18, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-024-06469-w
PMID:39696207
|
研究论文 | 本研究评估了基于案例的修改论文问题（MEQs）作为医学课程中三年级医学生模块化总结性评估工具的有效性 | 本研究首次系统性地比较了MEQs和多项选择题（MCQs）在医学生总结性评估中的表现，并探讨了其在特殊情况下的可靠性 | 研究仅限于内分泌模块，且样本仅涵盖四年的数据，可能无法全面代表所有医学课程和更长时间跨度的情况 | 评估基于案例的MEQs在医学生总结性评估中的表现及其与MCQs的比较 | 三年级医学生在内分泌模块中的MEQs和MCQs表现 | NA | NA | NA | NA | NA | 四年间（2018/2019至2021/2022）的三年级医学生 | NA | NA | NA | NA |
| 4600 | 2024-12-20 |
MolNexTR: a generalized deep learning model for molecular image recognition
2024-Dec-18, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-024-00926-w
PMID:39696616
|
研究论文 | 提出了一种名为MolNexTR的深度学习模型，用于分子图像识别，能够将分子图像转换为机器可读的SMILES字符串 | MolNexTR结合了ConvNext和Vision-Transformer的优点，能够同时预测原子和键，并理解它们的布局规则，还引入了化学符号原理来识别手性和解析缩写结构 | NA | 开发一种能够处理化学文献中不同绘图风格和惯例的分子图像识别模型 | 分子图像及其转换为SMILES字符串的过程 | 计算机视觉 | NA | 深度学习 | ConvNext和Vision-Transformer | 图像 | 测试集中的分子图像 | NA | NA | NA | NA |