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 12042 篇文献，本页显示第 8421 - 8440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8421 | 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 | NA | NA | NA | NA |
| 8422 | 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 | NA | NA | NA | NA |
| 8423 | 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） | NA | NA | NA | NA |
| 8424 | 2024-08-24 |
Deep Learning Detection and Segmentation of Brain Arteriovenous Malformation on Magnetic Resonance Angiography
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28795
PMID:37220191
|
研究论文 | 本研究开发了一种基于深度学习的方法，用于在时间飞跃磁共振血管成像上检测和分割脑动静脉畸形 | 本研究采用了YOLOv5和YOLOv8算法进行病变检测，以及U-Net和U-Net++模型进行核心分割，提高了临床实践效率 | 本研究为回顾性研究，且样本量相对较小 | 开发一种自动检测和分割脑动静脉畸形的方法，以提高临床实践效率 | 221名脑动静脉畸形患者 | 计算机视觉 | 脑动静脉畸形 | 时间飞跃磁共振血管成像 | YOLOv5, YOLOv8, U-Net, U-Net++ | 图像 | 221名患者，分为177个训练样本，22个验证样本和22个测试样本 | NA | NA | NA | NA |
| 8425 | 2024-08-24 |
Prenatal Diagnosis of Placenta Accreta Spectrum Disorders: Deep Learning Radiomics of Pelvic MRI
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28787
PMID:37222638
|
研究论文 | 本研究探讨了基于磁共振成像的深度学习放射组学模型在诊断胎盘植入谱系障碍中的应用 | 本研究首次使用深度学习放射组学方法量化胎盘植入谱系障碍的磁共振成像特征，并开发了一个结合放射组学特征、临床模型和磁共振形态学模型的诊断模型 | 研究为回顾性研究，且样本来自两家机构，可能存在一定的偏倚 | 探索基于磁共振成像的深度学习放射组学是否能有效识别胎盘植入谱系障碍的妊娠 | 324名疑似胎盘植入谱系障碍的孕妇 | 机器学习 | 妇产科疾病 | 深度学习放射组学 | 深度学习模型 | 磁共振成像 | 324名孕妇，其中206名确诊为胎盘植入谱系障碍，118名非胎盘植入谱系障碍 | NA | NA | NA | NA |
| 8426 | 2024-08-24 |
Suitability of DNN-based vessel segmentation for SIRT planning
2024-Feb, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-023-03005-x
PMID:37535263
|
研究论文 | 本研究评估了基于深度神经网络（DNN）的血管分割在选择性内部放射治疗（SIRT）规划中的适用性 | 深度学习方法在肝动脉分割中优于传统的机器学习算法，显示出在SIRT规划中的应用潜力 | 尽管深度学习方法在大多数情况下表现良好，但仍有部分病例的分割结果不适合用于SIRT规划 | 评估基于DNN的血管分割在SIRT治疗前介入规划中的适用性 | 肝动脉的分割质量及整体图像质量 | 计算机视觉 | 肝癌 | 深度学习 | DNN | 图像 | 36例增强计算机断层扫描（CT）扫描 | NA | NA | NA | NA |
| 8427 | 2024-08-24 |
Fully automatic deep learning-based lung parenchyma segmentation and boundary correction in thoracic CT scans
2024-Feb, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-023-03010-0
PMID:37594684
|
研究论文 | 本文提出了一种基于深度学习的算法，用于在胸部CT扫描中精确分割肺实质并进行边界修正 | 结合深度学习和传统图像处理算法，使用改进的2D U-Net CNN模型和Inception-ResNet-v2作为主干，以及后续的边界修正算法 | NA | 开发一种精确分割肺实质的算法 | 胸部CT扫描中的肺实质 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 训练数据包括来自两个不同来源的32个CT扫描，测试数据包括来自AIIMS Delhi和LUNA16挑战的16个CT扫描 | NA | NA | NA | NA |
| 8428 | 2024-08-24 |
Deep Learning Model Based on Multisequence MRI Images for Assessing Adverse Pregnancy Outcome in Placenta Accreta
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29023
PMID:37851581
|
研究论文 | 本研究通过建立基于多序列MRI图像的深度学习模型，评估胎盘植入症（PAS）患者的不良妊娠结局风险 | 本研究提出的模型在评估不良妊娠结局方面表现出良好的诊断性能，尤其是在使用四序列MRI图像时，其性能显著优于使用单序列和双序列的模型 | 本研究为回顾性研究，样本量相对较小，且仅限于特定类型的胎盘植入症患者 | 探讨术前MRI多序列图像与不良妊娠结局之间的关联，并建立深度学习模型进行风险评估 | 323名疑似胎盘植入症的孕妇 | 机器学习 | 妊娠疾病 | MRI | 深度学习模型 | 图像 | 323名孕妇，分为训练集227例和验证集96例 | NA | NA | NA | NA |
| 8429 | 2024-08-24 |
Editorial for "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.29152
PMID:38014825
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8430 | 2024-08-24 |
ECOLE: Learning to call copy number variants on whole exome sequencing data
2024-01-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-44116-y
PMID:38167256
|
研究论文 | 本文介绍了一种基于深度学习的体细胞和生殖系拷贝数变异（CNV）检测方法ECOLE，用于全外显子测序（WES）数据 | ECOLE采用变压器架构的变体，通过在匹配的全基因组测序（WGS）样本上进行高置信度调用来学习每个外显子的CNV调用，并通过迁移学习进一步训练和微调模型 | 尽管ECOLE在人类专家标记的数据上首次实现了高精度（68.7%）和高召回率（49.6%），但仍存在一定的改进空间 | 旨在提高全外显子测序数据中拷贝数变异的检测准确性，以用于临床应用 | 全外显子测序数据中的拷贝数变异 | 机器学习 | NA | 全外显子测序（WES） | 变压器架构 | 测序数据 | 使用了一小部分专家调用的样本进行训练和微调 | NA | NA | NA | NA |
| 8431 | 2024-08-24 |
A deep learning-based cascade algorithm for pancreatic tumor segmentation
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1328146
PMID:39169945
|
研究论文 | 本文设计了一种级联的胰腺肿瘤分割算法，通过多尺度U-Net和基于非局部定位与聚焦模块的网络进行胰腺和肿瘤的分割 | 引入非局部定位模块和聚焦模块，以及设计新的损失函数来提高对小目标的敏感性 | 未提及 | 提高胰腺肿瘤分割的准确性 | 胰腺肿瘤的分割 | 计算机视觉 | 胰腺肿瘤 | 深度学习 | U-Net | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 8432 | 2024-08-24 |
A review of psoriasis image analysis based on machine learning
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1414582
PMID:39170035
|
综述 | 本文综述了过去十年中基于机器学习的银屑病图像分析的研究和应用 | NA | NA | 旨在总结机器学习在银屑病分析中的应用，并探讨未来的研究方向 | 银屑病图像分析 | 机器学习 | 银屑病 | 机器学习 | 传统机器学习模型和深度学习模型 | 图像 | 53篇出版物 | NA | NA | NA | NA |
| 8433 | 2024-08-24 |
The future of medicine: an outline attempt using state-of-the-art business and scientific trends
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1391727
PMID:39170042
|
综述 | 本文综述了当前商业和科学趋势对未来医药生态系统的影响 | 探讨了人工智能、机器学习、大数据和真实世界数据在医药产品生命周期中的应用，以及个性化医疗的突破 | NA | 探讨未来医药生态系统的发展 | 医药生态系统及其与技术的互动 | NA | NA | 人工智能、机器学习、大数据、真实世界数据、纳米技术 | 人工神经网络、深度学习 | 数据 | NA | NA | NA | NA | NA |
| 8434 | 2024-08-24 |
Evaluation and analysis of visual perception using attention-enhanced computation in multimedia affective computing
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1449527
PMID:39170679
|
研究论文 | 本文提出了一种注意力增强的多层变换器（AEMT）模型，用于改善面部表情识别（FER）在自然环境中的鲁棒性和准确性 | AEMT模型集成了双分支卷积神经网络（CNN）、注意力选择融合（ASF）模块和多层变换器编码器（MTE），通过捕获长距离依赖和复杂特征关系，显著提高了特征表示和分类准确性 | NA | 提高面部表情识别在复杂现实场景中的鲁棒性和准确性 | 面部表情识别系统在自然环境中的性能 | 计算机视觉 | NA | 卷积神经网络（CNN），多层变换器编码器（MTE） | 注意力增强的多层变换器（AEMT） | 图像 | 在RAF-DB和AffectNet数据集上进行了评估，分别达到了81.45%和71.23%的准确率 | NA | NA | NA | NA |
| 8435 | 2024-08-23 |
Recovering high-quality fiber orientation distributions from a reduced number of diffusion-weighted images using a model-driven deep learning architecture
2024-Nov, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30187
PMID:38852179
|
研究论文 | 本研究旨在开发一种基于模型的深度学习架构，用于从减少数量的扩散加权图像中准确重建纤维方向分布 | 提出的Spherical Deconvolution Network (SDNet)架构包括DWI一致性块和fixel分类惩罚项，提高了重建性能和fixel角分离的控制 | NA | 开发一种新的深度学习架构，以减少扩散加权图像的采集时间并提高分析准确性 | 纤维方向分布(FODs)的重建 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 训练数据来自人类连接组项目的一个子集 | NA | NA | NA | NA |
| 8436 | 2024-08-23 |
ssVERDICT: Self-supervised VERDICT-MRI for enhanced prostate tumor characterization
2024-Nov, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30186
PMID:38852195
|
研究论文 | 本文展示了使用自监督机器学习方法对VERDICT模型进行前列腺癌特征化的评估和演示。 | ssVERDICT首次展示了无需显式训练标签的机器学习方法对详细的多隔间生物物理扩散MRI模型的拟合。 | NA | 评估和展示自监督机器学习方法对VERDICT模型的拟合效果。 | 前列腺癌的VERDICT模型参数估计。 | 机器学习 | 前列腺癌 | MRI | 神经网络 | 图像 | 20名前列腺癌患者 | NA | NA | NA | NA |
| 8437 | 2024-08-07 |
Erratum to: Knowledge-driven deep learning for fast MR imaging: Undersampled MR image reconstruction from supervised to un-supervised learning (Magn Reson Med. 2024;92:496-518)
2024-Nov, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30204
PMID:39054742
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8438 | 2024-08-23 |
Comparative Analysis of Vision Transformers and Conventional Convolutional Neural Networks in Detecting Referable Diabetic Retinopathy
2024 Nov-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100552
PMID:39165694
|
研究论文 | 本研究通过眼底照片评估了视觉变换器（ViTs）和卷积神经网络（CNNs）在检测可参考糖尿病视网膜病变（DR）方面的性能比较 | 本研究发现视觉变换器在检测可参考糖尿病视网膜病变方面优于传统的卷积神经网络 | NA | 评估视觉变换器和卷积神经网络在检测可参考糖尿病视网膜病变方面的性能 | 视觉变换器和卷积神经网络在检测可参考糖尿病视网膜病变方面的性能 | 计算机视觉 | 糖尿病视网膜病变 | NA | 视觉变换器（ViTs）和卷积神经网络（CNNs） | 图像 | 48269张眼底图像 | NA | NA | NA | NA |
| 8439 | 2024-08-23 |
A Novel Time-Aware Deep Learning Model Predicting Myopia in Children and Adolescents
2024 Nov-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100563
PMID:39165695
|
研究论文 | 本研究利用儿童和青少年可变长度的历史视力记录，通过一种新型的时间感知长短期记忆（LSTM）模型，定量预测他们的球镜等效值（SE）。 | 提出了一种新型的时间感知LSTM模型，能够捕捉不规则采样时间序列数据中的时间特征，更符合基于事实数据的特点，有助于早期识别近视进展。 | 研究结果显示，预测误差与序列长度、预测持续时间、年龄组和近视程度有关，表明模型在不同条件下的表现存在差异。 | 定量预测儿童和青少年的球镜等效值（SE），并早期识别近视进展。 | 895名4至18岁的近视儿童和青少年，他们在2008年1月1日至2023年7月1日期间在萨格勒布的圣杜赫大学医院接受了完整的眼科检查和睫状肌麻痹前的检影检查。 | 机器学习 | 眼科疾病 | NA | LSTM | 时间序列数据 | 895名儿童和青少年 | NA | NA | NA | NA |
| 8440 | 2024-08-23 |
Two-step optimization for accelerating deep image prior-based PET image reconstruction
2024-Sep, Radiological physics and technology
IF:1.7Q3
DOI:10.1007/s12194-024-00831-9
PMID:39096446
|
研究论文 | 本研究提出了一种两步优化方法，用于加速基于深度图像先验（DIP）的正电子发射断层扫描（PET）图像重建并提高图像质量 | 本研究创新性地提出了一种两步优化方法，通过预训练步骤使用条件DIP去噪和端到端重建步骤的微调，显著减少了计算时间并提高了图像质量 | NA | 加速基于深度图像先验的PET图像重建并提高图像质量 | 基于深度图像先验的PET图像重建方法 | 计算机视觉 | NA | 深度学习 | 卷积神经网络（CNN） | 图像 | NA | NA | NA | NA | NA |