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 12189 篇文献，本页显示第 8621 - 8640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8621 | 2024-08-26 |
aiSEGcell: User-friendly deep learning-based segmentation of nuclei in transmitted light images
2024-Aug, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1012361
PMID:39178193
|
研究论文 | 介绍了一种基于卷积神经网络（CNN）的用户友好型软件aiSEGcell，用于在明场图像中分割细胞核和细胞 | aiSEGcell能够准确分割来自具有挑战性的明场图像的细胞核，类似于手动分割，并且不需要转基因或染料荧光标记 | 目前需要优化的实验条件和计算专家 | 开发一种用户友好的软件，用于在明场图像中自动分割细胞核和细胞 | 不同原代细胞类型在2D培养中的细胞核分割 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | 110万个细胞核，2万张图像 | NA | NA | NA | NA |
| 8622 | 2024-08-26 |
HTINet2: herb-target prediction via knowledge graph embedding and residual-like graph neural network
2024-Jul-25, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae414
PMID:39175133
|
研究论文 | 本文提出了一种基于深度学习的目标预测框架HTINet2，用于通过知识图谱嵌入和类似残差的图神经网络进行草药-目标预测 | HTINet2框架包括三个关键模块：中药和临床知识图谱嵌入、残差图表示学习和监督目标预测，通过深度知识嵌入和残差图卷积网络捕捉草药和目标之间的深层交互 | 由于临床知识的不足和无监督模型的限制，草药目标的准确识别仍面临巨大的数据和模型挑战 | 旨在解决草药目标识别的挑战，揭示草药/药物的作用机制并发现新的治疗目标 | 草药及其治疗目标 | 机器学习 | NA | 知识图谱嵌入、图卷积网络 | 图神经网络 | 知识图谱 | 涉及大量中药属性和临床治疗知识 | NA | NA | NA | NA |
| 8623 | 2024-08-26 |
BertTCR: a Bert-based deep learning framework for predicting cancer-related immune status based on T cell receptor repertoire
2024-Jul-25, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae420
PMID:39177262
|
研究论文 | 提出了一种基于Bert的深度学习框架BertTCR，用于预测基于T细胞受体库的癌症相关免疫状态 | BertTCR结合了预训练的蛋白质大型语言模型与深度学习架构，能够从TCRs中提取更深层次的上下文信息 | NA | 提高基于T细胞受体序列的癌症相关免疫状态预测的准确性 | T细胞受体库及其在癌症相关免疫状态预测中的应用 | 机器学习 | 癌症 | 深度学习 | Bert | 序列 | 超过2000个公开可用的TCR库，涵盖17种癌症和健康样本 | NA | NA | NA | NA |
| 8624 | 2024-08-26 |
Explainable deep learning and biomechanical modeling for TMJ disorder morphological risk factors
2024-Jul-11, JCI insight
IF:6.3Q1
DOI:10.1172/jci.insight.178578
PMID:38990647
|
研究论文 | 本文提出了一种结合3D可解释深度学习和多尺度生物力学模型的混合方法，用于系统地识别颞下颌关节（TMJ）疾病的形态风险因素并阐明其与TMJ生物力学和生物力学机制的关系 | 本文的创新点在于结合了深度学习和生物力学模型，为深度学习在临床应用中的转化提供了生物力学背景，增加了方法对较小临床数据集的可访问性 | 深度学习在病因学研究中的临床应用受到其无法提供足够的机制理解背景的限制 | 旨在通过结合深度学习和生物力学模型，系统地识别TMJ疾病的形态风险因素并阐明其机制 | 颞下颌关节（TMJ）疾病的形态风险因素及其与TMJ生物力学和生物力学机制的关系 | 机器学习 | 颞下颌关节疾病 | 3D可解释深度学习，多尺度生物力学模型 | 3D卷积神经网络（CNN） | 3D形态特征数据 | 参与者的下颌骨形态特征数据，包括髁突、下颌支和下巴 | NA | NA | NA | NA |
| 8625 | 2024-08-26 |
Deep learning-based predictive models for forex market trends: Practical implementation and performance evaluation
2024 Jul-Sep, Science progress
IF:2.6Q2
DOI:10.1177/00368504241275370
PMID:39169858
|
研究论文 | 本文提出并评估了基于深度学习的预测模型在实际外汇市场交易中的应用 | 本文引入了三值标签的使用，相比传统的两值标签，提高了预测的准确性并减少了订单数量 | NA | 旨在通过深度学习模型提高外汇市场趋势预测的准确性和实用性 | 外汇市场趋势 | 机器学习 | NA | 深度学习 | 深度学习模型 | 金融数据 | 使用真实世界的Yahoo Finance数据集进行实验 | NA | NA | NA | NA |
| 8626 | 2024-08-26 |
PSMA-positive prostatic volume prediction with deep learning based on T2-weighted MRI
2024-Jun, La Radiologia medica
DOI:10.1007/s11547-024-01820-z
PMID:38700556
|
研究论文 | 本研究旨在利用基于T2加权MRI的深度学习神经网络预测前列腺PSMA阳性体积 | 通过深度结构图像分析，能够检测到人类眼睛在MRI图像上无法识别的结构特征差异，从而预测病变是否为PSMA阳性 | 需要进一步的大规模队列研究和外部验证来评估PSMA摄取是否可以被准确预测 | 训练一个基于PSMA PET/MRI扫描的神经网络，以预测基于轴向T2加权序列的前列腺PSMA摄取增加 | 前列腺癌患者的前列腺PSMA阳性体积 | 计算机视觉 | 前列腺癌 | MRI | C-ENet | 图像 | 154例PSMA PET/MRI扫描，其中124例用于训练，30例用于测试 | NA | NA | NA | NA |
| 8627 | 2024-08-26 |
LERCause: Deep learning approaches for causal sentence identification from nuclear safety reports
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0308155
PMID:39172869
|
研究论文 | 本文介绍了LERCause数据集及其标注方法，用于核安全领域因果句子的分类 | 首次利用BERT相关模型进行核安全领域因果句子分类，并公开发布了标注数据和代码以支持后续研究的复现性 | NA | 提高核安全研究和应用中因果句子的识别准确性 | 核安全报告中的因果句子 | 自然语言处理 | NA | BERT模型（BERT、BioBERT和SciBERT）、关键词启发式策略、标准机器学习方法（逻辑回归、梯度提升和支持向量机）、深度学习方法（卷积神经网络） | BERT、CNN | 文本 | 10,608个标注句子 | NA | NA | NA | NA |
| 8628 | 2024-08-26 |
VT-3DCapsNet: Visual tempos 3D-Capsule network for video-based facial expression recognition
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0307446
PMID:39178187
|
研究论文 | 本文提出了一种基于视频的面部表情识别框架VT-3DCapsNet，通过引入改进的3D-ResNet架构和AU感知注意力模块，增强胶囊网络的特征表示能力，并结合基于时间金字塔网络的表情识别模块，提高识别准确性 | 本文的创新点在于提出了结合改进的3D-ResNet架构和AU感知注意力模块的3D-CapsNet模型，以及基于时间金字塔网络的表情识别模块，有效解决了传统CNN在处理面部表情变化时的局限性 | NA | 旨在提高基于视频的面部表情识别的准确性 | 面部表情识别 | 计算机视觉 | NA | 3D-CapsNet | CNN | 视频 | 扩展的Kohn-Kanada (CK+)数据库和Acted Facial Expression in Wild (AFEW)数据库 | NA | NA | NA | NA |
| 8629 | 2024-08-25 |
Deep learning for tubes and lines detection in critical illness: Generalizability and comparison with residents
2024-Dec, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2024.100593
PMID:39175597
|
研究论文 | 本研究评估了深度学习模型在重症监护病房患者胸部X光片上对导管和管线分类的性能，并与外部公共数据集进行了比较 | 本研究通过规则基算法与深度学习的结合，显著提高了气管插管分类任务的性能 | 外部训练的模型在本地重症监护病房数据集上的泛化能力有限 | 评估外部训练的人工智能模型在重症监护病房常规中的性能 | 重症监护病房患者的胸部X光片上的导管和管线 | 机器学习 | NA | 深度学习 | NA | 图像 | 303张随机从重症监护病房数据库中抽取的X光片 | NA | NA | NA | NA |
| 8630 | 2024-08-25 |
HyEpiSeiD: a hybrid convolutional neural network and gated recurrent unit model for epileptic seizure detection from electroencephalogram signals
2024-Aug-21, Brain informatics
DOI:10.1186/s40708-024-00234-x
PMID:39167115
|
research paper | 本文提出了一种名为HyEpiSeiD的深度学习框架，用于从脑电图信号中检测癫痫发作 | HyEpiSeiD结合了卷积神经网络和门控循环单元，实现了高精度的癫痫发作检测 | NA | 实现高精度的患者特异性癫痫发作检测 | 从脑电图信号中检测癫痫发作 | machine learning | NA | NA | CNN, LSTM | 信号 | 使用了两个公开数据集，UCI Epilepsy和Mendeley数据集 | NA | NA | NA | NA |
| 8631 | 2024-08-25 |
Real-time estimation of the optimal coil placement in transcranial magnetic stimulation using multi-task deep learning
2024-08-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-70367-w
PMID:39169126
|
研究论文 | 本文开发了一种多任务深度神经网络，用于实时估计经颅磁刺激（TMS）中最佳线圈放置位置 | 提出的Attention U-Net模型能够在35毫秒内提供精确的线圈优化，远快于传统的数值计算框架 | NA | 开发一种能够在实时应用中优化TMS线圈放置的计算模型 | TMS中的最佳线圈放置位置及其诱导的电场 | 机器学习 | NA | 多任务深度学习 | Attention U-Net | 数值优化数据 | 包括健康受试者和胶质母细胞瘤患者 | NA | NA | NA | NA |
| 8632 | 2024-08-25 |
Predicting 1, 2 and 3 year emergent referable diabetic retinopathy and maculopathy using deep learning
2024-Aug-21, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-024-00590-z
PMID:39169209
|
研究论文 | 本研究开发并验证了深度学习系统（DLS），用于预测1、2和3年内出现的可转诊糖尿病视网膜病变（DR）和黄斑病变 | 本研究采用了多模态深度学习系统，结合风险因素特征和彩色眼底照片，显著提高了预测性能 | NA | 旨在通过个性化筛查，及时为高风险个体提供治疗，同时减轻低风险个体的筛查负担 | 糖尿病视网膜病变（DR）和黄斑病变的预测 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | 多模态深度学习系统（DLS） | 图像 | 开发集包含162,339只眼睛，验证集包含27,996只眼睛，外部测试集包含6,928只眼睛 | NA | NA | NA | NA |
| 8633 | 2024-08-25 |
Empowering Medical Education: Unveiling the Impact of Reflective Writing and Tailored Assessment on Deep Learning
2024-Jul, Journal of advances in medical education & professionalism
DOI:10.30476/JAMP.2024.101594.1938
PMID:39175585
|
研究论文 | 本研究探讨了反思写作作为一种自我评估工具对本科医学生的影响，特别是使用基于Moon模型的作者特定反思评分标准进行学生培训 | 本研究引入了作者特定的反思评分标准，并探讨了其在医学生教育中的应用 | 研究的样本量较小且评分标准的可靠性未达到可接受阈值，需要在大规模和更多样化的参与者中进行验证 | 探索反思写作在本科医学生教育中的影响，并评估特定反思评分标准的有效性 | 本科医学生 | 医学教育 | NA | NA | NA | 文本 | 32名自愿参与的学生 | NA | NA | NA | NA |
| 8634 | 2024-08-25 |
Study of Deep Learning in Medical Education: Opportunities, Achievements and Future Challenges
2024-Jul, Journal of advances in medical education & professionalism
DOI:10.30476/JAMP.2024.99740.1853
PMID:39175590
|
综述 | 本文探讨了深度学习在医学教育中的应用，包括其潜力、成就及未来挑战 | 深度学习在医学教育中的应用为个性化辅助和反馈提供了有效手段 | 医学教育者对使用深度学习存在抵触情绪，且先前研究存在局限性 | 讨论深度学习在医学教育中的前景，并探讨其是否能带来益处 | 深度学习在医学教育中的应用及其对教育质量的影响 | 机器学习 | NA | 深度学习 | NA | NA | 11项研究被纳入系统综述 | NA | NA | NA | NA |
| 8635 | 2024-08-25 |
SurvNet: A low-complexity convolutional neural network for survival time classification of patients with glioblastoma
2024-Jun-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e32870
PMID:38988550
|
研究论文 | 本文提出了一种名为SurvNet的低复杂度卷积神经网络，用于分类胶质母细胞瘤患者的生存时间 | SurvNet通过结合多种MRI模式作为输入，增强了预测模型的精确度，并在多个模型中表现最佳 | NA | 准确识别脑肿瘤患者的总体生存时间 | 胶质母细胞瘤患者的生存时间分类 | 机器学习 | 脑肿瘤 | MRI | CNN | 图像 | 预手术磁共振图像数据集 | NA | NA | NA | NA |
| 8636 | 2024-08-25 |
Artificial intelligence can be used in the identification and classification of shoulder osteoarthritis and avascular necrosis on plain radiographs: a training study of 7,139 radiograph sets
2024-06-17, Acta orthopaedica
IF:2.5Q1
DOI:10.2340/17453674.2024.40905
PMID:38884536
|
研究论文 | 本研究使用深度学习模型在平片上识别和分类肩关节骨关节炎和无血管性坏死 | 首次展示了深度学习模型在平片上识别和分级肩关节骨关节炎和无血管性坏死的能力 | 模型在区分无和轻度肩关节骨关节炎等级方面存在挑战 | 分析深度学习模型在平片上识别和分级肩关节骨关节炎的表现，并训练模型识别和分级无血管性坏死 | 肩关节骨关节炎和无血管性坏死 | 计算机视觉 | 骨关节炎 | 深度学习 | ResNet类型网络 | 图像 | 7,139组肩部X光片 | NA | NA | NA | NA |
| 8637 | 2024-08-25 |
Assessment of the current and emerging criteria for the histopathological classification of lung neuroendocrine tumours in the lungNENomics project
2024-Jun, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2024.103591
PMID:38878324
|
研究论文 | 本研究评估了当前和新兴的组织病理学分类标准在肺神经内分泌肿瘤分类中的应用 | 研究了两种肿瘤增殖标志物Ki-67指数和磷酸化组蛋白H3（PHH3）蛋白表达，并通过深度学习自动量化 | 研究揭示Ki-67和PHH3蛋白表达并未显著提高当前分类的预后价值，且深度学习模型未发现具有诊断价值的未公开形态学特征 | 评估世界卫生组织（WHO）分类标准的优势和局限性，并评估新兴标志物的实用性 | 259例肺神经内分泌肿瘤（LNETs） | 数字病理学 | 肺肿瘤 | 深度学习 | 深度学习算法 | 图像 | 259例肺神经内分泌肿瘤，其中171例有相关生存数据 | NA | NA | NA | NA |
| 8638 | 2024-08-25 |
A joint learning framework for multisite CBCT-to-CT translation using a hybrid CNN-transformer synthesizer and a registration network
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1440944
PMID:39175474
|
研究论文 | 本文提出了一种联合学习框架SynREG，用于多站点CBCT到CT的转换，通过混合CNN-transformer合成器和配准网络来提高CBCT图像质量 | SynREG框架集成了混合CNN-transformer架构和配准网络，能够动态校正局部结构错位，提高合成CT图像的保真度 | 由于配准不完美，配对数据集的局部结构错位可能导致模型性能不佳 | 开发一种统一的深度学习模型，通过生成合成CT图像来提高多站点CBCT图像的质量 | 135名癌症患者的配对CBCT和规划CT图像，包括头颈部、胸部和腹部肿瘤 | 计算机视觉 | 癌症 | 深度学习 | 混合CNN-transformer | 图像 | 135名癌症患者用于训练，23名额外患者用于独立测试 | NA | NA | NA | NA |
| 8639 | 2024-08-25 |
A deep learning radiomics model based on CT images for predicting the biological activity of hepatic cystic echinococcosis
2024, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2024.1426468
PMID:39175611
|
研究论文 | 本研究基于CT图像，利用深度学习放射组学模型预测肝包虫病的生物活性分级 | 首次提出基于CT图像的深度学习放射组学模型用于预测肝包虫病的生物活性分级 | 研究为回顾性分析，样本量相对较小 | 探索基于CT图像的深度学习放射组学模型在预测肝包虫病生物活性分级中的应用潜力 | 肝包虫病的生物活性分级 | 机器学习 | 肝病 | CT | 深度神经网络 | 图像 | 160名肝包虫病患者，其中127名用于训练，33名用于验证 | NA | NA | NA | NA |
| 8640 | 2024-08-24 |
Integration of single-cell manipulation, whole transcriptome analysis, and image-based deep learning for studying "Singularity Biology"
2024, Biophysics and physicobiology
IF:1.6Q4
DOI:10.2142/biophysico.bppb-v21.s005
PMID:39175857
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |