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 12107 篇文献，本页显示第 5041 - 5060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5041 | 2024-11-23 |
A transformer-based deep learning model for identifying the occurrence of acute hematogenous osteomyelitis and predicting blood culture results
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1495709
PMID:39568996
|
研究论文 | 本文开发了一种基于Transformer的深度学习模型，用于识别急性血源性骨髓炎的发生并预测血培养结果 | 本文首次将Transformer模型应用于急性血源性骨髓炎的识别和血培养结果的预测 | 本文仅分析了实验室指标与骨髓炎及其相关诊断的关系，未考虑其他可能影响因素 | 开发一种能够有效识别急性血源性骨髓炎并预测血培养结果的深度学习模型 | 18岁以下的急性血源性骨髓炎患者及其血培养结果 | 机器学习 | 骨髓炎 | Transformer | Transformer | 实验室指标 | 634名18岁以下患者 | NA | NA | NA | NA |
| 5042 | 2024-11-23 |
Compare three deep learning-based artificial intelligence models for classification of calcified lumbar disc herniation: a multicenter diagnostic study
2024, Frontiers in surgery
IF:1.6Q2
DOI:10.3389/fsurg.2024.1458569
PMID:39569028
|
研究论文 | 本文比较了三种基于深度学习的人工智能模型在钙化性腰椎间盘突出分类中的应用 | 本文开发并验证了一种基于侧位腰椎磁共振成像的人工智能诊断模型，用于识别钙化性腰椎间盘突出 | 研究时间跨度较长，且仅限于特定类型的腰椎间盘突出 | 开发和验证一种用于识别钙化性腰椎间盘突出的人工智能诊断模型 | 钙化性腰椎间盘突出患者 | 计算机视觉 | 腰椎间盘突出 | 深度学习 | ResNet-34 | 图像 | 1224名患者，包括610名男性和614名女性，平均年龄53.34 ± 10.61岁 | NA | NA | NA | NA |
| 5043 | 2024-11-23 |
Construction of a 2.5D Deep Learning Model for Predicting Early Postoperative Recurrence of Hepatocellular Carcinoma Using Multi-View and Multi-Phase CT Images
2024, Journal of hepatocellular carcinoma
IF:4.2Q2
DOI:10.2147/JHC.S493478
PMID:39569409
|
研究论文 | 构建了一个基于2.5D深度学习模型的CT影像，用于预测肝细胞癌术后早期复发 | 提出了一个2.5D深度学习模型，结合多视角和多相位CT影像，用于预测肝细胞癌术后早期复发 | 3D深度学习模型在内部和外部验证集上表现不佳，表明存在过拟合问题 | 构建一个基于2.5D深度学习模型的CT影像，用于预测肝细胞癌术后早期复发 | 肝细胞癌术后早期复发的预测 | 机器学习 | 肝癌 | 深度学习 | 2.5D深度学习模型 | CT影像 | 232名患者用于训练和内部验证，91名患者用于外部验证 | NA | NA | NA | NA |
| 5044 | 2024-11-23 |
Large Language Models in Neurosurgery
2024, Advances in experimental medicine and biology
DOI:10.1007/978-3-031-64892-2_11
PMID:39523266
|
研究论文 | 本文探讨了大型语言模型（LLM）在神经外科中的应用及其潜在的优缺点 | 本文首次详细讨论了大型语言模型在神经外科领域的应用，特别是ChatGPT在生成手术报告和手术笔记方面的潜力 | 本文未详细讨论大型语言模型在实际应用中可能遇到的伦理和技术挑战 | 探讨大型语言模型在神经外科中的应用及其潜在影响 | 大型语言模型（如ChatGPT）在神经外科中的应用 | 自然语言处理 | NA | 深度学习 | Transformer | 文本 | NA | NA | NA | NA | NA |
| 5045 | 2024-11-23 |
Navigating Mathematical Basics: A Primer for Deep Learning in Science
2024, Advances in experimental medicine and biology
DOI:10.1007/978-3-031-64892-2_5
PMID:39523260
|
研究论文 | 本文提供了一个简明的数学基础介绍，旨在帮助科学家理解深度学习中的基本数学符号 | 本文的创新之处在于将数学基础与深度学习原理相结合，为非数学背景的读者提供了一个快速入门的途径 | 由于篇幅限制，本文无法替代需要多门课程和多年时间才能巩固的扎实数学知识 | 本文的研究目的是帮助非数学背景的读者克服阅读使用数学符号的深度学习文本时的障碍 | 本文主要研究对象是深度学习中的基本数学符号和模型 | 机器学习 | NA | NA | 全连接前馈深度神经网络 | NA | NA | NA | NA | NA | NA |
| 5046 | 2024-11-23 |
Machine and Deep Learning in Hyperspectral Fluorescence-Guided Brain Tumor Surgery
2024, Advances in experimental medicine and biology
DOI:10.1007/978-3-031-64892-2_15
PMID:39523270
|
研究论文 | 本文探讨了在荧光引导的脑肿瘤手术中使用机器学习和深度学习方法处理高光谱成像数据的过程 | 本文结合了机器学习和深度学习方法，提出了一种新的流程，用于从离体高光谱荧光图像中提取和处理相关发射光谱，并使用多种机器学习模型对脑肿瘤进行分类 | 本文的研究结果主要基于离体数据，尚未在临床环境中验证其有效性 | 旨在改进荧光引导的脑肿瘤手术中对肿瘤边缘的识别和分类 | 脑肿瘤及其边缘组织 | 机器学习 | 脑肿瘤 | 高光谱成像 | 机器学习模型 | 图像 | NA | NA | NA | NA | NA |
| 5047 | 2024-11-22 |
Fast, high-quality, and unshielded 0.2 T low-field mobile MRI using minimal hardware resources
2024-Dec, Magma (New York, N.Y.)
DOI:10.1007/s10334-024-01184-5
PMID:38967865
|
研究论文 | 提出了一种基于深度学习的低场移动MRI策略，使用最少的硬件资源实现快速、高质量、无屏蔽的成像 | 提出了一种强大的深度学习EMI消除模型，能够准确预测MRI线圈信号中的EMI成分，并通过多层次后处理实现快速和高品质的低场MRI | NA | 开发一种基于深度学习的低场移动MRI策略，以实现快速、高质量、无屏蔽的成像 | 低场移动MRI成像技术 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 20名健康志愿者参与实验 | NA | NA | NA | NA |
| 5048 | 2024-11-22 |
Motion robust coronary MR angiography using zigzag centric ky-kz trajectory and high-resolution deep learning reconstruction
2024-Dec, Magma (New York, N.Y.)
DOI:10.1007/s10334-024-01172-9
PMID:38916681
|
研究论文 | 本文介绍了一种新的MR冠状动脉造影技术，通过使用之字形扇形中心ky-kz k空间轨迹和高分辨率深度学习重建（HR-DLR）来提高图像质量和扫描效率 | 本文创新性地结合了之字形扇形中心ky-kz k空间轨迹和高分辨率深度学习重建技术，显著缩短了扫描时间并提高了图像质量 | 本文仅在12名健康受试者和2名患者中进行了验证，样本量较小，需要进一步在大规模临床试验中验证其有效性和适用性 | 开发一种高效且高质量的MR冠状动脉造影技术，以提高患者舒适度和临床效率 | 健康受试者和冠状动脉疾病患者 | 医学影像 | 心血管疾病 | MR冠状动脉造影 | 深度学习 | 图像 | 12名健康受试者和2名患者 | NA | NA | NA | NA |
| 5049 | 2024-09-06 |
Correction to: Motion robust coronary MR angiography using zigzag centric ky-kz trajectory and high-resolution deep learning reconstruction
2024-Dec, Magma (New York, N.Y.)
DOI:10.1007/s10334-024-01202-6
PMID:39231858
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5050 | 2024-11-22 |
Enhanced plasmonic scattering imaging via deep learning-based super-resolution reconstruction for exosome imaging
2024-Dec, Analytical and bioanalytical chemistry
IF:3.8Q1
DOI:10.1007/s00216-024-05550-z
PMID:39316091
|
研究论文 | 本文提出了一种基于深度学习的超分辨率重建方法，用于增强外泌体等离子体散射成像的分辨率 | 本文提出了一种新的盲超分辨率深度学习神经网络ESRGAN-SE，能够在不增加实验复杂性的情况下提高外泌体等离子体散射成像的分辨率 | NA | 提高外泌体等离子体散射成像的分辨率，以改进癌症诊断的准确性和效率 | 外泌体等离子体散射成像 | 计算机视觉 | NA | 深度学习 | ESRGAN-SE | 图像 | NA | NA | NA | NA | NA |
| 5051 | 2024-11-22 |
Exploring deep learning models for 4D-STEM-DPC data processing
2024-Dec, Ultramicroscopy
IF:2.1Q2
DOI:10.1016/j.ultramic.2024.114058
PMID:39388848
|
研究论文 | 本文探讨了如何利用卷积神经网络（CNN）进行4D-STEM-DPC数据的自动化和一致性处理 | 提出了两种不同的方法：一种是直接跟踪电子束并进行回归分析，另一种是使用改进的U-net进行直接电子束分割作为预处理步骤 | NA | 研究如何利用深度学习模型改进4D-STEM-DPC数据的处理方法 | 4D-STEM-DPC数据 | 计算机视觉 | NA | 卷积神经网络（CNN） | 卷积神经网络（CNN） | 图像 | 实验获得的4D-STEM数据 | NA | NA | NA | NA |
| 5052 | 2024-11-22 |
Disentangling Neurodegeneration From Aging in Multiple Sclerosis Using Deep Learning: The Brain-Predicted Disease Duration Gap
2024-Nov-26, Neurology
IF:7.7Q1
DOI:10.1212/WNL.0000000000209976
PMID:39496109
|
研究论文 | 本研究使用深度学习技术，通过分析多发性硬化症患者的3D T1加权脑部MRI扫描图像，探讨了脑龄与疾病相关神经退行性变之间的关系 | 提出了脑预测疾病持续时间差距（DD gap）作为多发性硬化症特异性脑损伤的全球测量指标，并验证了其在解释身体残疾方面的有效性 | 本研究为回顾性研究，样本主要来自多中心，可能存在数据偏倚 | 旨在通过深度学习模型区分多发性硬化症患者的脑老化与疾病相关神经退行性变 | 多发性硬化症患者的3D T1加权脑部MRI扫描图像 | 计算机视觉 | 多发性硬化症 | 深度学习 | 3D DenseNet | 图像 | 4392名多发性硬化症患者（69.7%为女性，年龄：42.8 ± 10.6岁，疾病持续时间：11.4 ± 9.3年） | NA | NA | NA | NA |
| 5053 | 2024-11-22 |
Deep learning-assisted morphological segmentation for effective particle area estimation and prediction of interfacial properties in polymer composites
2024-Nov-21, Nanoscale
IF:5.8Q1
DOI:10.1039/d4nr01018c
PMID:39469845
|
研究论文 | 本研究开发了一种自动化且精确的技术，用于在扫描电子显微镜图像中识别和详细映射颗粒位置，并预测聚合物复合材料的界面性能 | 本研究结合深度卷积神经网络和高级图像处理技术，实现了颗粒识别和位置映射的自动化，并引入了两个分散因子来量化颗粒分散对性能的影响 | NA | 研究聚合物纳米复合材料的宏观性能与微观结构特征之间的关系，特别是纳米颗粒分散的影响 | 聚合物纳米复合材料中的纳米颗粒分散及其对界面性能的影响 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | NA | NA | NA | NA | NA |
| 5054 | 2024-11-22 |
Resolution-dependent MRI-to-CT translation for orthotopic breast cancer models using deep learning
2024-Nov-21, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad9076
PMID:39514971
|
研究论文 | 研究利用生成对抗网络（GANs）从低分辨率MRI图像合成高保真CT图像的可行性 | 提出了一种定制的U-Net模型和两种GAN模型（Nested U-Net GAN和Attention U-Net GAN），成功将低分辨率MRI图像转换为高分辨率CT图像，解决了其他MRI-CT转换技术中常见的细节丢失问题 | NA | 减少患者暴露于电离辐射的同时保持治疗准确性并加速MRI图像采集 | 从低分辨率MRI图像生成高质量CT图像的可行性 | 计算机视觉 | 乳腺癌 | 生成对抗网络（GANs） | U-Net | 图像 | 从健康对照和肿瘤模型中获取的配对MRI-CT图像，包括MDA-MB-231和4T1肿瘤细胞注射到裸鼠和BALB/c小鼠的乳腺脂肪垫中 | NA | NA | NA | NA |
| 5055 | 2024-11-22 |
[Evaluation of the Latest Motion Correction Techniques in Periodically Rotated Overlapping ParallEL Lines with Enhanced Reconstruction (PROPELLER) Imaging across Different Vendors]
2024-Nov-20, Nihon Hoshasen Gijutsu Gakkai zasshi
DOI:10.6009/jjrt.2024-1520
PMID:39428468
|
研究论文 | 评估不同供应商的最新PROPELLER技术在头部运动校正中的鲁棒性 | 量化评估了四家供应商的PROPELLER技术在旋转角度和旋转频率依赖性方面的特性 | 仅使用模拟人类大脑T2加权图像的幻影进行评估，未涉及实际临床数据 | 评估最新PROPELLER技术在头部运动校正中的鲁棒性，并探讨其在临床应用中的有效性 | 不同供应商的PROPELLER技术在头部运动校正中的表现 | 医学影像 | NA | PROPELLER成像技术 | 深度学习重建（DLR） | 图像 | 使用模拟人类大脑T2加权图像的幻影进行评估 | NA | NA | NA | NA |
| 5056 | 2024-11-22 |
Fluid Classification via the Dual Functionality of Moisture-Enabled Electricity Generation Enhanced by Deep Learning
2024-Nov-20, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.4c13193
PMID:39506898
|
研究论文 | 本文介绍了一种利用湿电发电（MEG）装置和深度学习技术进行流体分类的新方法 | 首次将MEG装置与深度学习结合，实现了流体的智能自供电检测 | NA | 开发一种可持续的智能环境感知技术 | 流体分类 | 机器学习 | NA | 湿电发电（MEG） | 宽核深度卷积神经网络（WDCNN） | 电压（V）、电流（C）和电阻（R）信号 | 纯水、猕猴桃、柑橘和柠檬汁四种样品 | NA | NA | NA | NA |
| 5057 | 2024-11-22 |
A systematic review on feature extraction methods and deep learning models for detection of cancerous lung nodules at an early stage -the recent trends and challenges
2024-Nov-20, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad9154
PMID:39530659
|
综述 | 本文综述了用于早期检测肺癌结节的特征提取方法和深度学习模型的最新趋势和挑战 | 本文强调了纹理特征在结合不同深度学习模型中的重要性，并比较了包含特征提取的深度学习模型与不包含特征提取的模型的效果 | 本文主要讨论了错误识别恶性结节导致的假阳性率高的问题 | 探讨特征提取与深度学习算法结合在自动化检测肺结节中的应用，以减少假阳性率 | 肺癌结节的早期检测 | 计算机视觉 | 肺癌 | 低剂量计算机断层扫描（CT） | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 5058 | 2024-11-22 |
BD-StableNet: a deep stable learning model with an automatic lesion area detection function for predicting malignancy in BI-RADS category 3-4A lesions
2024-Nov-20, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad953e
PMID:39569908
|
研究论文 | 本文提出了一种名为BD-StableNet的深度稳定学习模型，用于自动检测BI-RADS 3-4A类乳腺病变中的恶性肿瘤区域 | BD-StableNet结合了深度稳定学习和因果推断，提高了模型的预测性能和可解释性 | 本文为回顾性研究，未来需要进一步的前瞻性研究验证模型的有效性 | 提高BI-RADS 3-4A类乳腺病变的诊断准确性和可解释性 | BI-RADS 3-4A类乳腺病变中的恶性肿瘤 | 计算机视觉 | 乳腺癌 | 深度稳定学习 | 深度学习模型 | 图像 | 3103张乳腺超声图像，来自493名患者 | NA | NA | NA | NA |
| 5059 | 2024-11-20 |
Correspondence on 'Non-invasive multimodal CT deep learning biomarker to predict pathological complete response of non-small cell lung cancer following neoadjuvant immunochemotherapy: a multicenter study' by Ye et al
2024-Nov-18, Journal for immunotherapy of cancer
IF:10.3Q1
DOI:10.1136/jitc-2024-010828
PMID:39557545
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5060 | 2024-11-22 |
Prediction of esophageal fistula in radiotherapy/chemoradiotherapy for patients with advanced esophageal cancer by a clinical-deep learning radiomics model : Prediction of esophageal fistula in radiotherapy/chemoradiotherapy patients
2024-Nov-18, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-024-01473-4
PMID:39558242
|
研究论文 | 开发了一种临床-深度学习放射组学模型，用于预测接受放疗或放化疗的晚期食管癌患者中食管瘘的发生 | 结合临床信息和深度学习放射组学特征，构建了随机森林模型，显著提高了食管瘘的预测准确性 | 需要进一步验证模型在不同患者群体和临床环境中的适用性 | 开发一种有效的预测模型，帮助个性化治疗计划，以更好地管理食管癌患者的食管瘘并发症 | 接受放疗或放化疗的晚期食管癌患者 | 数字病理学 | 食管癌 | 放射组学 | 随机森林 | 图像 | 175名回顾性患者（训练组122名，测试组53名）和27名前瞻性测试患者 | NA | NA | NA | NA |