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 12029 篇文献，本页显示第 8141 - 8160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8141 | 2024-08-31 |
Overlapping Shoeprint Detection by Edge Detection and Deep Learning
2024-Jul-31, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging10080186
PMID:39194975
|
研究论文 | 本研究通过结合边缘检测和图像分割技术，利用YOLO模型改进重叠鞋印的检测 | 引入YOLO模型并结合边缘检测和图像分割技术，提高了重叠鞋印检测的敏感性和精确度 | 研究主要集中在重叠鞋印的检测，未涉及其他类型的重叠物体 | 提高在复杂背景下重叠物体的检测准确性 | 重叠鞋印 | 计算机视觉 | NA | 边缘检测 | YOLO | 图像 | 未具体说明样本数量 | NA | NA | NA | NA |
| 8142 | 2024-08-31 |
Optimized Crop Disease Identification in Bangladesh: A Deep Learning and SVM Hybrid Model for Rice, Potato, and Corn
2024-Jul-30, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging10080183
PMID:39194972
|
研究论文 | 本研究构建了一个混合深度学习模型，用于识别三种主要作物（马铃薯、水稻和玉米）的三种特定疾病 | 本研究利用EfficientNetB0的特征提取能力和SVM的分类能力，提出了一种统一的混合模型，旨在提高数据处理和特征提取的效率，并改善模型在不同作物和疾病中的泛化能力 | NA | 确保作物健康生长，提高农业部门的可持续发展 | 马铃薯晚疫病、水稻褐斑病和玉米普通锈病 | 机器学习 | NA | 深度学习 | 混合模型（EfficientNetB0和SVM） | 图像 | NA | NA | NA | NA | NA |
| 8143 | 2024-08-31 |
Enhanced Nanoparticle Recognition via Deep Learning-Accelerated Plasmonic Sensing
2024-Jul-26, Biosensors
DOI:10.3390/bios14080363
PMID:39194592
|
研究论文 | 本文开发了一种基于单颗粒干涉散射模型和深度学习处理的表面等离子体显微镜成像加速方法，用于识别和分类干涉散射图像中的多个颗粒 | 本文提出了一种结合理论模拟和实际测量数据的新型深度学习技术，有效提高了在噪声条件下对颗粒的分类和识别能力 | NA | 开发一种自动化的方法，用于高效分析表面等离子体显微镜成像数据中的颗粒 | 生物颗粒和生物分子，如外泌体、病毒和细菌 | 计算机视觉 | NA | 表面等离子体显微镜 | EfficientNet | 图像 | NA | NA | NA | NA | NA |
| 8144 | 2024-08-31 |
Deep Learning for Single-Shot Structured Light Profilometry: A Comprehensive Dataset and Performance Analysis
2024-Jul-24, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging10080179
PMID:39194968
|
研究论文 | 本文介绍了用于单次结构光轮廓术的深度学习方法，并提供了一个包含超过10,000个物理数据对的全面数据集，用于评估和比较不同的模型和网络架构。 | 本文的创新点在于构建了一个大规模的深度学习结构光轮廓术数据集，并公开了代码和数据集，以促进该领域的进一步研究和模型评估。 | 本文的局限性在于数据集的构建依赖于特定的3D打印校准目标，可能限制了数据集的通用性。 | 本文的研究目的是提供一个基准数据集，用于评估和比较不同的深度学习模型在单次结构光轮廓术中的性能。 | 本文的研究对象是单次深度学习结构光轮廓术中的神经网络模型和数据集。 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | 超过10,000个物理数据对 | NA | NA | NA | NA |
| 8145 | 2024-08-31 |
Deep Learning for Pneumonia Detection in Chest X-ray Images: A Comprehensive Survey
2024-Jul-23, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging10080176
PMID:39194965
|
综述 | 本文全面分析了深度学习技术在胸片图像中用于肺炎检测的应用 | 分析并评估了使用视觉转换器（ViTs）在肺炎检测中的潜力 | 视觉转换器需要进一步研究以解决偏倚的胸片数据集、数据和代码可用性、模型解释的简易性、准确模型比较的系统方法、胸片数据集中的类别不平衡以及对抗性攻击等问题 | 探讨深度学习在肺炎检测中的应用及其效果 | 深度学习技术及其在胸片图像肺炎检测中的应用 | 计算机视觉 | 肺炎 | 深度学习 | 视觉转换器（ViTs） | 图像 | NA | NA | NA | NA | NA |
| 8146 | 2024-08-31 |
Using Vision Transformer for high robustness and generalization in predicting EGFR mutation status in lung adenocarcinoma
2024-Jun, Clinical & translational oncology : official publication of the Federation of Spanish Oncology Societies and of the National Cancer Institute of Mexico
IF:2.8Q2
DOI:10.1007/s12094-023-03366-4
PMID:38194018
|
研究论文 | 本文提出了一种使用视觉变换器（ViT）模型，通过非侵入性CT图像预测肺腺癌中EGFR突变状态的方法 | 采用基于自注意力机制的ViT-B/16模型，提高了预测EGFR突变状态的鲁棒性和泛化能力 | NA | 开发一种准确预测肺腺癌患者EGFR突变状态的深度学习模型 | 肺腺癌患者的CT图像及其EGFR突变状态 | 计算机视觉 | 肺腺癌 | NA | ViT | 图像 | 525名患者用于模型训练和验证，30名患者用于外部测试 | NA | NA | NA | NA |
| 8147 | 2024-08-31 |
A computational clinical decision-supporting system to suggest effective anti-epileptic drugs for pediatric epilepsy patients based on deep learning models using patient's medical history
2024-May-31, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-024-02552-w
PMID:38822293
|
研究论文 | 本研究开发了一种基于深度学习模型的计算临床决策支持系统，用于根据儿科癫痫患者的病史推荐有效的抗癫痫药物 | 本研究利用多通道卷积神经网络模型，针对三种特定的抗癫痫药物进行个性化预测，提高了药物推荐的准确性 | 本研究仅针对三种特定的抗癫痫药物进行模型训练和验证，未来可扩展到更多种类的药物 | 开发一种辅助医生根据患者病史推荐有效抗癫痫药物的计算系统，以减少不必要的药物尝试和提高治疗效果 | 儿科癫痫患者及其病史 | 机器学习 | 癫痫 | 卷积神经网络(CNN) | CNN | 病历记录 | 1000名儿科癫痫患者的7507份病历记录 | NA | NA | NA | NA |
| 8148 | 2024-08-31 |
Gaussian Aquila optimizer based dual convolutional neural networks for identification and grading of osteoarthritis using knee joint images
2024-03-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-57002-4
PMID:38538646
|
研究论文 | 本研究利用基于高斯鹰优化器的双卷积神经网络对膝关节图像进行识别和分级，以诊断骨关节炎 | 提出了一种新的高斯鹰优化器（GAO），用于优化双卷积神经网络（DCNN）模型的参数，该模型通过减少层数来降低计算负担 | NA | 旨在通过早期检测骨关节炎并及时治疗，减轻患者的疼痛 | 骨关节炎患者的膝关节图像 | 计算机视觉 | 骨关节炎 | 卷积神经网络 | 双卷积神经网络 | 图像 | 总共2283张膝关节图像，其中1267张为正常膝关节图像，1016张为骨关节炎图像 | NA | NA | NA | NA |
| 8149 | 2024-08-31 |
Detecting abnormal cell behaviors from dry mass time series
2024-03-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-57684-w
PMID:38528035
|
研究论文 | 本文介绍了一种新的自监督学习模型StArDusTS，用于检测细胞群体中的异常行为，通过分析细胞随时间的干质量时间序列来实现 | 提出了一个新颖的自监督学习模型StArDusTS，用于自动检测细胞异常行为，无需预先标签 | NA | 开发一种能够预测单细胞病理变化的新型自监督学习模型 | 细胞群体中的异常行为检测 | 机器学习 | NA | 自监督学习 | StArDusTS | 时间序列 | 涉及不同细胞系 | NA | NA | NA | NA |
| 8150 | 2024-08-31 |
PlaqueNet: deep learning enabled coronary artery plaque segmentation from coronary computed tomography angiography
2024-Mar-22, Visual computing for industry, biomedicine, and art
DOI:10.1186/s42492-024-00157-8
PMID:38514491
|
研究论文 | 本文介绍了一种名为PlaqueNet的深度学习方法，用于从冠状动脉CT血管造影图像中分割冠状动脉斑块 | 采用了先进的残差网络模块和深度可分离空洞空间金字塔池化结合双三次高效通道注意力（DASPP-BICECA）模块，提高了特征提取能力和分割准确性 | NA | 旨在通过深度学习技术提高冠状动脉斑块的检测准确性，以支持早期治疗和降低心血管疾病风险 | 冠状动脉斑块的分割 | 计算机视觉 | 心血管疾病 | 冠状动脉CT血管造影（CCTA） | CNN | 图像 | 未具体说明样本数量 | NA | NA | NA | NA |
| 8151 | 2024-08-31 |
Network depth affects inference of gene sets from bacterial transcriptomes using denoising autoencoders
2024, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae066
PMID:39027639
|
研究论文 | 研究使用深度去噪自编码器（DAEs）从细菌转录组数据中推断基因集，并探讨网络架构对基因集推断的影响 | 将去噪自编码器的应用扩展到深度网络，并研究网络深度和宽度对基因集推断的影响 | 需要进一步验证和优化深度去噪自编码器在不同细菌数据集上的应用 | 开发一种基于深度去噪自编码器的管道，用于从转录组数据中提取基因集，并评估网络架构对基因集推断的影响 | 大肠杆菌的转录组数据和独立尿路致病性大肠杆菌数据集 | 机器学习 | NA | 去噪自编码器（DAEs） | DAE | 转录组数据 | 多个公开可用的细菌基因表达数据集 | NA | NA | NA | NA |
| 8152 | 2024-08-31 |
Rapid prediction of wall shear stress in stenosed coronary arteries based on deep learning
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1360330
PMID:39188371
|
研究论文 | 本文利用深度学习技术，通过结合合成数据和真实患者数据，训练了一个U-net架构的模型，用于快速预测狭窄冠状动脉的壁剪应力 | 本文采用了两种合成数据生成方法，并将其与真实患者数据结合，提高了模型的训练效果 | 文章中使用的患者数据有限，主要依赖于合成数据 | 开发一种快速且高效的深度学习模型，用于临床实践中预测冠状动脉的壁剪应力 | 狭窄冠状动脉的壁剪应力 | 机器学习 | 心血管疾病 | 深度学习 | U-net | 图像 | 患者数据有限，主要使用合成数据 | NA | NA | NA | NA |
| 8153 | 2024-08-31 |
A new method of rock type identification based on transformer by utilizing acoustic emission
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0309165
PMID:39190747
|
研究论文 | 本文提出了一种基于声发射信号和3CTNet模型的新型岩石类型识别框架，该模型结合了卷积神经网络和Transformer编码器，用于智能识别不同岩石断裂的声发射信号 | 引入了一种新的信号识别模型3CTNet，该模型通过建立数据中相邻位置的依赖关系并逐步提取高级特征，提高了岩石类型识别的准确性 | NA | 解决传统分析方法在处理大数据时的不足，提高岩石类型识别的效率和准确性 | 岩石类型的识别 | 地球科学 | NA | 声发射信号处理 | 3CTNet（CNN与Transformer的结合） | 声发射信号 | NA | NA | NA | NA | NA |
| 8154 | 2024-08-31 |
CSAM: A 2.5D Cross-Slice Attention Module for Anisotropic Volumetric Medical Image Segmentation
2024-Jan, IEEE Winter Conference on Applications of Computer Vision. IEEE Winter Conference on Applications of Computer Vision
DOI:10.1109/wacv57701.2024.00582
PMID:39193208
|
研究论文 | 本文提出了一种2.5D交叉切片注意力模块（CSAM），用于各向异性体积医学图像分割 | CSAM通过在不同尺度的深度特征图上应用语义、位置和切片注意力，以最少的可训练参数捕获整个体积中的切片间信息 | NA | 解决各向异性体积医学数据分割中的问题，特别是磁共振成像（MRI）数据 | 各向异性体积医学图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 8155 | 2024-08-30 |
A Deep Learning Framework for Analysis of the Eustachian Tube and the Internal Carotid Artery
2024-Sep, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.789
PMID:38686594
|
研究论文 | 本文介绍了一种深度学习框架，用于从CT扫描中自动分割咽鼓管和颈内动脉，并计算两者之间的距离 | 这是首个端到端的深度学习管道，用于自动分割咽鼓管和颈内动脉，并分析这些结构之间的距离 | NA | 开发一种深度学习管道，自动分割咽鼓管和颈内动脉，并利用这些分割结果计算结构间的距离 | 咽鼓管和颈内动脉 | 计算机视觉 | NA | CT扫描 | nnU-Net | 3D模型 | 30个CT扫描，60对咽鼓管和颈内动脉 | NA | NA | NA | NA |
| 8156 | 2024-08-30 |
Recent advances in artificial intelligent strategies for tissue engineering and regenerative medicine
2024-Sep, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.70016
PMID:39189880
|
综述 | 本文综述了人工智能策略在组织工程和再生医学领域的最新进展 | 结合组织工程和人工智能，创造了一种新的生物医学技术进步，特别是在深度学习方面，提供了改善科学理解和临床结果的机会 | NA | 探讨人工智能在组织工程和再生医学中的应用潜力 | 组织工程和再生医学中的支架、细胞、组织和器官的设计、制造和评估 | 机器学习 | NA | 人工智能 | 深度学习 | NA | NA | NA | NA | NA | NA |
| 8157 | 2024-08-30 |
PRONTO-TK: a user-friendly PROtein Neural neTwOrk tool-kit for accessible protein function prediction
2024-Sep, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqae112
PMID:39193069
|
研究论文 | 本文介绍了一个名为PRONTO-TK的用户友好型蛋白质神经网络工具包，用于实现基于神经网络的复杂蛋白质功能预测工作流程的普及 | PRONTO-TK提供了一个图形用户界面，使即使编程经验有限的研究人员也能利用最先进的深度学习架构进行蛋白质功能注释 | NA | 旨在普及基于神经网络的蛋白质功能预测工具，使更多研究人员能够使用 | 蛋白质功能预测工具PRONTO-TK | 机器学习 | NA | 深度学习 | 神经网络 | 蛋白质数据 | NA | NA | NA | NA | NA |
| 8158 | 2024-08-30 |
Multi-modal deep learning enables efficient and accurate annotation of enzymatic active sites
2024-Aug-27, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-51511-6
PMID:39187482
|
研究论文 | 本文介绍了一种名为EasIFA的酶活性位点注释算法，该算法通过融合蛋白质语言模型和3D结构编码器的潜在酶表示，并利用多模态交叉注意力框架将蛋白质级信息与酶反应知识对齐，以提高注释效率和准确性。 | EasIFA算法通过多模态深度学习技术，实现了对酶活性位点的高效且准确的注释，显著提高了速度和准确性，超越了现有的基于PSSM特征的深度学习注释方法和其他经验规则算法。 | NA | 开发一种新的酶活性位点注释算法，以提高注释速度和准确性，适用于大规模实际应用。 | 酶活性位点的注释 | 机器学习 | NA | 多模态深度学习 | 多模态交叉注意力框架 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 8159 | 2024-08-30 |
Automated peripheral nerve segmentation for MR-neurography
2024-Aug-26, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-024-00503-8
PMID:39186183
|
研究论文 | 本研究应用神经网络自动分割外周神经，以提高磁共振神经成像（MRN）的诊断效率 | 采用深度学习模型进行外周神经的自动分割，提高了分割的准确性和效率 | 模型在独立测试集上的表现略有下降，未来工作需扩展训练数据并包括外周神经病变患者 | 开发一种自动化的外周神经分割模型，以支持MRN检查的常规阅读 | 外周神经及其近端分支 | 计算机视觉 | NA | 神经网络 | 神经分割网络 | 图像 | 训练集包含35名健康个体的70个MRN扫描，测试集包含60名健康个体的MRN扫描 | NA | NA | NA | NA |
| 8160 | 2024-08-30 |
CT-based multimodal deep learning for non-invasive overall survival prediction in advanced hepatocellular carcinoma patients treated with immunotherapy
2024-Aug-26, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-024-01784-8
PMID:39186192
|
研究论文 | 本研究开发了一种结合CT扫描和临床信息的深度学习模型，用于预测接受免疫治疗的晚期肝细胞癌患者的总生存期 | 本研究首次提出了一种结合CT扫描和临床变量的多模态深度学习模型，用于预测晚期肝细胞癌患者的总生存期，并展示了其相对于传统RECIST标准的优越性 | 本研究为回顾性研究，样本来自多国52个中心，可能存在选择偏倚 | 开发一种深度学习模型，结合CT扫描和临床信息，预测晚期肝细胞癌患者的总生存期 | 接受免疫治疗的晚期肝细胞癌患者 | 机器学习 | 肝细胞癌 | 卷积-循环神经网络（CRNN） | CRNN | 图像和临床数据 | 207名患者（平均年龄61岁，180名男性） | NA | NA | NA | NA |