深度学习在生物医药领域中的应用
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，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10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 12055 篇文献，本页显示第 8121 - 8140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8121 | 2024-08-24 |
Predicting tumor mutation burden and VHL mutation from renal cancer pathology slides with self-supervised deep learning
2024-Aug, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.70112
PMID:39166457
|
研究论文 | 本文开发了一种自监督注意力基础的多实例学习（SSL-ABMIL）模型，用于从肾癌病理切片中预测肿瘤突变负荷（TMB）和VHL突变状态 | 首次使用自监督学习方法从病理图像中预测TMB和VHL突变，展示了肿瘤形态学与分子生物学之间的联系 | 研究仅限于肾透明细胞癌（ccRCC），且依赖于特定数据集 | 开发一种新模型以从病理图像中预测TMB和VHL突变，提高临床应用性 | 肾透明细胞癌患者的病理图像和突变数据 | 数字病理学 | 肾癌 | 自监督学习 | SSL-ABMIL | 图像 | 350名肾透明细胞癌患者用于模型开发，163名患者用于外部验证 |
| 8122 | 2024-08-24 |
Artificial Intelligence Models Are Limited in Predicting Clinical Outcomes Following Hip Arthroscopy: A Systematic Review
2024-Aug-01, JBJS reviews
IF:1.7Q2
|
系统综述 | 本文通过系统综述评估了人工智能模型在髋关节镜术后临床结果预测中的表现和有效性 | 探讨了人工智能在髋关节镜术后临床结果预测中的应用 | 所有模型均未进行外部验证，限制了其临床应用 | 评估人工智能模型在髋关节镜术后临床结果预测中的表现和有效性 | 髋关节镜术后的临床结果预测模型 | 机器学习 | NA | 机器学习 | NA | NA | 6568例 |
| 8123 | 2024-08-24 |
CTFusion: CNN-transformer-based self-supervised learning for infrared and visible image fusion
2024-Jul-30, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2024294
PMID:39176416
|
研究论文 | 本文提出了一种基于卷积神经网络（CNN）和Transformer的自监督学习框架CTFusion，用于红外和可见光图像融合 | CTFusion框架通过CNN-Transformer特征提取模块设计，赋予编码器强大的局部和全局依赖建模能力，并利用自监督学习进行模型训练，无需真实融合图像 | NA | 开发一种新的红外和可见光图像融合方法，提高融合效果 | 红外和可见光图像 | 计算机视觉 | NA | 自监督学习 | CNN-Transformer | 图像 | 三个红外和可见光图像融合基准数据集 |
| 8124 | 2024-08-24 |
Improved optimizer with deep learning model for emotion detection and classification
2024-Jul-17, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2024290
PMID:39176412
|
研究论文 | 本文提出了一种名为EWDL-BFSN的创新面部情感识别框架，用于准确检测面部情感 | 引入了扩展海象深度学习与Botox特征选择网络（EWDL-BFSN），结合梯度小波各向异性滤波器（GWAF）和改进的Botox优化算法（IBoA），以及使用海象优化算法（WOA）选择超参数 | NA | 旨在通过选择最佳特征和调整分类器的超参数，自动有效地识别面部情感 | 面部情感识别 | 计算机视觉 | NA | 梯度小波各向异性滤波器（GWAF），改进的Botox优化算法（IBoA），海象优化算法（WOA） | EK-ResNet50网络 | 图像 | 使用了公开的CK+和FER-2013数据集进行训练和测试 |
| 8125 | 2024-08-24 |
Divide-and-train: A new approach to improve the predictive tasks of bike-sharing systems
2024-Jul-02, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2024282
PMID:39176404
|
研究论文 | 本文提出了一种新的训练方法——分而治之，通过在给定的数据集属性值上划分原始数据集来训练共享单车系统的预测模型 | 提出的方法通过划分数据集，针对不同用户模式进行训练，从而提高了预测模型的性能 | 未提及具体限制 | 旨在通过改进预测模型来提高共享单车系统的决策效率 | 共享单车系统的用户数据和骑行模式 | 机器学习 | NA | 机器学习和深度学习模型 | 随机森林 | 数据集 | 未提及具体样本数量 |
| 8126 | 2024-08-24 |
Deep Learning Algorithms for the Detection of Suspicious Pigmented Skin Lesions in Primary Care Settings: A Systematic Review and Meta-Analysis
2024-Jul, Cureus
DOI:10.7759/cureus.65122
PMID:39171046
|
meta-analysis | 本研究旨在评估深度学习算法在初级医疗环境中检测可疑色素性皮肤病变诊断性能的系统评价和荟萃分析 | 深度学习算法在自动检测和分类皮肤病变方面显示出有希望的结果 | 需要进一步的研究来验证深度学习算法在检测可疑色素性皮肤病变中的应用 | 评估深度学习算法在初级医疗环境中检测可疑色素性皮肤病变的诊断性能 | 深度学习算法在初级医疗环境中检测可疑色素性皮肤病变的诊断性能 | computer vision | 皮肤癌 | 深度学习 | NA | 图像 | 三项研究被纳入分析 |
| 8127 | 2024-08-24 |
Hyperparameter optimization: Classics, acceleration, online, multi-objective, and tools
2024-Jun-14, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2024275
PMID:39176427
|
综述 | 本文综述了超参数优化（HPO）的发展历程，包括经典方法、加速策略、在线配置以及多目标优化，并介绍了相关的工具和框架 | 本文系统地总结了超参数优化的多种方法和工具，包括加速策略、动态算法配置和多目标优化 | NA | 旨在解决手动超参数调整的挑战，提高机器学习模型训练和推理的效率 | 超参数优化方法及其在机器学习模型中的应用 | 机器学习 | NA | NA | NA | NA | NA |
| 8128 | 2024-08-24 |
Image data augmentation techniques based on deep learning: A survey
2024-Jun-12, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2024272
PMID:39176424
|
综述 | 本文综述了基于深度学习的图像数据增强技术，分析了其优势和劣势，并探讨了在计算机视觉领域的应用和未来研究方向 | 提出并分析了多种图像数据增强方法，以解决数据有限情况下的模型过拟合问题 | 未具体提及 | 探讨图像数据增强技术如何提高模型性能和泛化能力 | 图像数据增强技术及其在计算机视觉中的应用 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
| 8129 | 2024-08-24 |
BlastAssist: a deep learning pipeline to measure interpretable features of human embryos
2024-Apr-03, Human reproduction (Oxford, England)
DOI:10.1093/humrep/deae024
PMID:38396213
|
研究论文 | BlastAssist是一个深度学习管道，用于测量人类胚胎的可解释特征 | BlastAssist管道能够测量一组全面的可解释特征，并在测量这些特征方面与胚胎学家和人类专家的表现相当或更优 | 尚未在其他诊所或其他时间流逝显微镜系统上测试BlastAssist管道，且未考虑混杂变量 | 评估BlastAssist深度学习管道在测量人类胚胎可解释特征方面的性能 | 人类胚胎的可解释特征 | 机器学习 | NA | 深度学习 | CNN | 图像 | 67,043,973张图像（32,939个胚胎） |
| 8130 | 2024-08-24 |
A Channel-Dimensional Feature-Reconstructed Deep Learning Model for Predicting Breast Cancer Molecular Subtypes on Overall b-Value Diffusion-Weighted MRI
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28895
PMID:37403945
|
研究论文 | 本研究开发了一种新的深度学习模型，利用整体b值扩散加权磁共振成像（DW-MRI）预测乳腺癌分子亚型，无需使用对比剂，并与动态对比增强磁共振成像（DCE-MRI）进行性能比较 | 提出了一种通道维度特征重构（CDFR）深度神经网络（DNN），用于预测乳腺癌分子亚型，该模型在DW-MRI上的预测性能显著优于非CDFR-DNN | NA | 开发一种新的深度学习模型，以充分利用整体b值DW-MRI的潜力，无需对比剂，预测乳腺癌分子亚型 | 486名女性乳腺癌患者 | 机器学习 | 乳腺癌 | 扩散加权磁共振成像（DW-MRI） | 深度神经网络（DNN） | 图像 | 486名女性乳腺癌患者（训练/验证/测试：64%/16%/20%） |
| 8131 | 2024-08-24 |
Editorial for "Weakly Supervised MRI Slice-Level Deep Learning Classification of Prostate Cancer Approximates Full Voxel- and Slice-Level Annotation: Effect of Increasing Training Set Size"
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28885
PMID:37410060
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8132 | 2024-08-24 |
From Compressed-Sensing to Deep Learning MR: Comparative Biventricular Cardiac Function Analysis in a Patient Cohort
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28899
PMID:37435633
|
研究论文 | 本研究比较了压缩感知（CS）和人工智能（AI）在心脏电影成像中的应用，特别是在双心室功能分析中的效果 | 本研究展示了AI在快速心脏电影成像中的潜力，并比较了CS-cine和AI-cine与传统电影成像（Conv-cine）在双心室功能、图像质量和重建时间上的差异 | 本研究仅限于70名患者，可能需要更大规模的研究来验证结果 | 比较CS-cine和AI-cine与Conv-cine在定量双心室功能、图像质量和重建时间上的表现 | 70名患者（年龄39±15岁，54.3%为男性）的双心室功能参数 | 计算机视觉 | 心血管疾病 | 压缩感知（CS）和人工智能（AI） | NA | 图像 | 70名患者 |
| 8133 | 2024-08-24 |
Editorial for "A Channel-Dimensional Feature-Reconstructed Deep Learning Model for Predicting Breast Cancer Molecular Subtypes on Overall b-Value Diffusion-Weighted MRI"
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28908
PMID:37501333
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8134 | 2024-08-24 |
Weakly Supervised MRI Slice-Level Deep Learning Classification of Prostate Cancer Approximates Full Voxel- and Slice-Level Annotation: Effect of Increasing Training Set Size
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28891
PMID:37504495
|
研究论文 | 本研究比较了弱监督训练与全切片级标注训练在前列腺癌深度卷积分类网络中的效果，并探讨了增加训练集大小对模型性能的影响。 | 本研究展示了弱监督学习在减少标注工作量的同时，仍能保持性能，并且随着训练数据的增加，性能提升显著。 | 本研究仅限于回顾性分析，且依赖于特定的MRI序列和设备。 | 比较弱监督训练与全切片级标注训练在前列腺癌分类中的效果，并评估增加训练集大小对模型性能的影响。 | 前列腺癌的MRI图像分类。 | 计算机视觉 | 前列腺癌 | MRI | CNN | 图像 | 训练集：794个机构前列腺MRI检查 + 204个PROSTATEx检查；测试集：695个机构前列腺MRI检查 |
| 8135 | 2024-08-24 |
Deep Learning-Based Multiparametric MRI Model for Preoperative T-Stage in Rectal Cancer
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28856
PMID:37367938
|
研究论文 | 本研究开发了一种基于术前多参数MRI的深度学习模型，用于评估直肠癌并提高T分期准确性 | 提出的多参数深度学习模型在评估直肠癌患者时表现优于放射科医生的评估、临床模型以及单一参数模型 | 研究为回顾性，样本量相对较小 | 开发和验证一种基于术前多参数MRI的深度学习模型，以提高直肠癌T分期的准确性 | 直肠癌患者 | 机器学习 | 直肠癌 | MRI | 卷积神经网络 | 图像 | 260名患者，其中123名T1-2期，134名T3-4期 |
| 8136 | 2024-08-24 |
Magnetic Resonance Spectroscopy Spectral Registration Using Deep Learning
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28868
PMID:37401726
|
研究论文 | 本研究探讨了一种基于卷积神经网络的磁共振波谱（MRS）光谱注册（SR）方法，用于单体素Meshcher-Garwood点解析波谱（MEGA-PRESS）MRS数据的频率和相位同时校正。 | 本研究首次应用深度学习方法于磁共振波谱的光谱注册，提出了一种基于卷积神经网络的SR方法（CNN-SR），用于同时进行频率和相位校正。 | 本研究仅使用了模拟数据和来自Big GABA的101个MEGA-PRESS内侧顶叶数据进行验证，可能需要更多不同来源的真实数据以验证其广泛适用性。 | 研究目的是开发一种新的深度学习方法，用于磁共振波谱数据的频率和相位校正。 | 研究对象包括40,000个模拟的MEGA-PRESS数据集和101个来自Big GABA的实际MEGA-PRESS数据。 | 机器学习 | NA | 磁共振波谱（MRS） | 卷积神经网络（CNN） | 波谱数据 | 40,000个模拟数据集和101个实际数据集 |
| 8137 | 2024-08-24 |
Deep Learning for Discrimination of Hypertrophic Cardiomyopathy and Hypertensive Heart Disease on MRI Native T1 Maps
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28904
PMID:37431848
|
研究论文 | 本研究探讨了深度学习技术在基于T1图像的肥厚型心肌病和高血压性心脏病鉴别诊断中的可行性，并比较了其与其他方法的诊断性能 | 本研究首次探讨了深度学习技术在肥厚型心肌病和高血压性心脏病的鉴别诊断中的应用，展示了其优越的诊断性能 | 本研究为回顾性研究，且样本量相对较小，可能影响结果的普遍性 | 研究深度学习技术在肥厚型心肌病和高血压性心脏病鉴别诊断中的可行性 | 肥厚型心肌病和高血压性心脏病患者 | 机器学习 | 心血管疾病 | 深度学习 | ResNet32 | 图像 | 128名肥厚型心肌病患者和59名高血压性心脏病患者 |
| 8138 | 2024-08-24 |
MRI-Based Radiomics and Deep Learning in Biological Characteristics and Prognosis of Hepatocellular Carcinoma: Opportunities and Challenges
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28982
PMID:37647155
|
研究论文 | 本文探讨了基于MRI的放射组学和深度学习技术在肝细胞癌生物学特征和预后预测中的应用及挑战 | 利用放射组学和深度学习方法开发人工智能模型，以提高肝细胞癌生物学特征和预后预测的准确性 | 人工智能模型在解释性方面存在挑战，阻碍了其在临床实践中的应用 | 研究人工智能技术在肝细胞癌临床护理中的应用，以提高生物学特征和预后预测的准确性 | 肝细胞癌的生物学特征和预后 | 机器学习 | 肝细胞癌 | 放射组学，深度学习 | 卷积神经网络 | 图像 | NA |
| 8139 | 2024-08-24 |
Editorial for "Deep Learning for Discrimination of Hypertrophic Cardiomyopathy and Hypertensive Heart Disease on MRI Native T1 Maps"
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29021
PMID:37737641
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8140 | 2024-08-24 |
A Deep Learning Pipeline Using Prior Knowledge for Automatic Evaluation of Placenta Accreta Spectrum Disorders With MRI
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28770
PMID:37177832
|
研究论文 | 本文开发了一种利用先验知识进行磁共振成像（MRI）自动评估胎盘植入谱（PAS）障碍的深度学习（DL）流程 | 该研究利用了胎盘植入谱相关迹象通常沿子宫胎盘边缘线（UPB）发现的先验知识，通过UPB图像和胎盘位置信息提高了PAS诊断的准确性 | NA | 开发一种深度学习工具，用于使用T2加权MR图像进行产前PAS诊断 | 540名临床疑似PAS障碍的孕妇 | 机器学习 | 胎盘植入谱障碍 | 磁共振成像（MRI） | DenseNet | 图像 | 540名孕妇，分为训练集（409）、内部测试集（103）和外部测试集（28） |