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 12022 篇文献，本页显示第 9601 - 9620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9601 | 2024-08-07 |
Author Correction: Prediction of recurrence risk in endometrial cancer with multimodal deep learning
2024-Jul, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-024-03126-z
PMID:38951637
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9602 | 2024-08-05 |
Integration of deep learning and habitat radiomics for predicting the response to immunotherapy in NSCLC patients
2024-Jun-04, Cancer immunology, immunotherapy : CII
DOI:10.1007/s00262-024-03724-3
PMID:38833187
|
研究论文 | 本研究构建了一个非侵入性模型，用于预测晚期非小细胞肺癌患者对免疫疗法的反应。 | 结合深度学习与栖息地放射组学的方法，在非小细胞肺癌患者中进行免疫疗法反应预测。 | 样本仅来自三个医疗中心，可能限制了模型的普适性. | 研究旨在构建预测免疫疗法反应的非侵入性模型。 | 研究对象为来自三家医院的晚期非小细胞肺癌患者。 | 数字病理 | 非小细胞肺癌 | 深度学习与栖息地放射组学 | 支持向量机（SVM） | 影像 | 训练组164名患者，测试组82名患者 | NA | NA | NA | NA |
| 9603 | 2024-08-05 |
DeepETPicker: Fast and accurate 3D particle picking for cryo-electron tomography using weakly supervised deep learning
2024-Mar-07, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-46041-0
PMID:38453943
|
研究论文 | 本研究开发了DeepETPicker，一种用于从冷冻电子断层图中快速精确挑选颗粒的深度学习模型 | 该文章创新性地使用弱监督学习和轻量模型架构，降低手动标注负担并提升性能 | 自动颗粒挑选方法的采用仍然受到技术限制的限制 | 本研究旨在提高冷冻电子断层图中的颗粒挑选速度和准确性 | 研究对象为生物大分子的三维结构和从冷冻电子断层图中提取的颗粒 | 数字病理学 | NA | 深度学习 | NA | 图像 | 模拟和真实断层图的多个样本 | NA | NA | NA | NA |
| 9604 | 2024-08-05 |
CSXAI: a lightweight 2D CNN-SVM model for detection and classification of various crop diseases with explainable AI visualization
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1412988
PMID:39036360
|
研究论文 | 本研究提出了一种基于CNN-SVM的轻量级模型，用于检测和分类各种农作物疾病 | 提出了一种轻量级的CNN-SVM混合模型，实现了较高的准确率和可视化解释 | 研究没有提及样本的数量和多样性，可能影响结果的普遍性 | 旨在提高农业作物疾病的识别和分类效率 | 针对草莓、桃子、樱桃和大豆四种经济作物分类10类疾病 | 计算机视觉 | 农作物疾病 | CNN-SVM | CNN | 图像 | NA | NA | NA | NA | NA |
| 9605 | 2024-08-05 |
Deep learning-enabled classification of kidney allograft rejection on whole slide histopathologic images
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1438247
PMID:39034991
|
研究论文 | 本文开发了一种深度学习系统，用于自动评估肾移植物活检的全视图图像，检测和亚分类排斥反应。 | 首次利用多实例学习的深度学习模型进行肾移植物活检的排斥反应检测、亚分类及预后预测。 | 未提及外部数据集的验证以及模型在临床环境中的应用局限性。 | 旨在提高肾移植物排斥反应的诊断准确性和一致性。 | 分析肾移植物活检的全视图图像以检测和预测排斥反应。 | 数字病理学 | 肾脏疾病 | 多实例学习，卷积神经网络（CNN） | 多实例学习模型 | 图像 | 来自302个肾移植物活检的906个全视图图像 | NA | NA | NA | NA |
| 9606 | 2024-08-05 |
Exploring the relationship between YouTube video characteristics and a viewer's mental health traits among young adults
2024, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2024.1364930
PMID:39035603
|
研究论文 | 本研究探讨了年轻人观看的YouTube视频特征与其心理健康特征之间的关系 | 该研究通过结合深度学习算法的计算机视觉技术，分析了视频特征与心理健康特征之间的相关性 | 本研究依赖于调查问卷，自我报告的数据可能存在偏差 | 研究年轻人观看YouTube视频特征对心理健康的影响 | 调查年轻人的心理健康特征及其观看的YouTube视频的特征 | 计算机视觉 | NA | 深度学习 | NA | 视频 | 基于参与者的观看历史日志数据，样本数量未明确说明 | NA | NA | NA | NA |
| 9607 | 2024-08-05 |
Deep learning radiomics based on multimodal imaging for distinguishing benign and malignant breast tumours
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1402967
PMID:39036101
|
研究论文 | 本研究旨在开发基于多模态影像的深度学习放射组学模型，以区分良性和恶性乳腺肿瘤 | 研究展示了整合深度学习与放射组学特征以及多模态影像的潜力，且MRI在放射组学特征基础上表现出更高的准确性 | 基于回顾性研究，未考虑潜在的选择偏倚 | 本研究旨在提高对良性与恶性乳腺肿瘤的区分能力 | 322例经过组织病理学确认的乳腺肿瘤患者，包括112例良性肿瘤和210例恶性肿瘤 | 深度学习放射组学 | 乳腺癌 | 多模态影像，包括超声（US）、乳腺X线摄影（MG）和磁共振成像（MRI） | SVM, KNN, 随机森林, 额外树, XGBoost, LightGBM, LR | 图像 | 322名患者 | NA | NA | NA | NA |
| 9608 | 2024-08-05 |
Role of Artificial Intelligence in Endoscopic Intervention: A Clinical Review
2024, Journal of community hospital internal medicine perspectives
IF:0.9Q3
DOI:10.55729/2000-9666.1341
PMID:39036586
|
综述 | 本综述讨论了人工智能在内镜检查中的应用及其对医疗技术的影响 | 探索了人工智能在内镜、结肠镜和内镜超声中的新应用 | 主要集中在内镜相关技术的应用，没有涵盖其他医学领域 | 旨在探讨人工智能如何改善内镜检查的诊断和管理 | 内镜、结肠镜和内镜超声的应用 | 数字病理学 | 胃肠疾病 | 深度学习系统和神经网络 | NA | NA | NA | NA | NA | NA | NA |
| 9609 | 2024-08-05 |
Automated identification and segmentation of urine spots based on deep-learning
2024, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.17398
PMID:39035153
|
研究论文 | 本文提出了一种基于深度学习的尿液斑点自动识别和分割方法 | 创新点在于利用深度学习实现尿液斑点的自动检测和精确分割 | 本文未提及具体的实验样本数量和适用性范围 | 研究自动化尿液斑点检测的技术，以改善传统方法中的主观误差 | 以啮齿动物的排尿行为为研究对象 | 数字病理学 | NA | 深度学习 | 目标检测网络和实例分割网络 | 图像 | NA | NA | NA | NA | NA |
| 9610 | 2024-08-05 |
Effect of MR head coil geometry on deep-learning-based MR image reconstruction
2024-Oct, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30130
PMID:38647191
|
研究论文 | 本研究探讨了在使用深度学习（DL）图像重建方法时，平行成像施加的几何线圈约束是否可以放宽。 | 本文章的创新点在于提出了相比传统非深度学习方法，深度学习图像重建方法在几何线圈设计约束方面的灵活性。 | 本研究的限制在于只对两种线圈配置进行了评估，未考虑其他可能影响重建性能的因素。 | 本文旨在比较深度学习方法与传统方法在MR图像重建中的表现，特别是在处理线圈重叠时的能力。 | 研究对象为不同几何配置的头部线圈，包括8通道和32通道线圈。 | 数字病理学 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 9611 | 2024-08-07 |
Comment on "Utilizing deep learning for automated detection of oral lesions: A multicenter study"
2024-Sep, Oral oncology
IF:4.0Q2
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9612 | 2024-08-05 |
A multiview deep learning-based prediction pipeline augmented with confident learning can improve performance in determining knee arthroplasty candidates
2024-Aug, Knee surgery, sports traumatology, arthroscopy : official journal of the ESSKA
DOI:10.1002/ksa.12221
PMID:38713857
|
研究论文 | 本文提出了一种基于多视图深度学习的膝关节置换预测管道，以确定合适的手术候选者 | 结合了YOLOv3、ResNet-18和自信学习的深度学习管道显著提高了对膝关节置换候选者的预测精度 | 外部验证集的样本较少，仅包含134个膝关节 | 开发和评估一个基于三视图X光片的膝关节置换预测管道 | 正在进行TKA、UKA或非手术干预的患者的X光和手术数据 | 计算机视觉 | 膝关节骨关节炎 | 深度学习 | 多视图卷积神经网络 | 图像 | 总共1779个膝关节 | NA | NA | NA | NA |
| 9613 | 2024-08-05 |
Accelerating Polymer Discovery with Uncertainty-Guided PGCNN: Explainable AI for Predicting Properties and Mechanistic Insights
2024-Jul-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00555
PMID:38953249
|
研究论文 | 本研究提出了一种可解释的聚合物图卷积神经网络（PGCNN）模型，能够准确预测聚合物属性 | 结合了证据深度学习与PGCNN，定量预测的不确定性并通过不确定性引导的主动学习实现样本高效训练 | 研究中可能存在不足的数据和代表性编码问题 | 加速新聚合物的发现并提高对聚合物的机制理解 | 聚合物的不同属性及其单体组成 | 机器学习 | NA | 深度学习 | 图卷积神经网络（GCN） | 实验数据样本和RadonPy数据集 | 一百万个假设聚合物和来自实验的数据样本 | NA | NA | NA | NA |
| 9614 | 2024-08-05 |
Prediction of Vacuum Ultraviolet/Ultraviolet Gas-Phase Absorption Spectra Using Molecular Feature Representations and Machine Learning
2024-Jul-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00676
PMID:38938209
|
research paper | 本文介绍了一种使用分子特征表示和机器学习预测气相真空紫外/紫外吸收光谱的方法 | 引入了新的分子特征（称为ABOCH）以更好地捕捉pi键合、芳香性和卤素化，显示出优于基于深度学习的方法的预测性能 | 研究中对比的方法主要集中在机器学习模型，未详细讨论量子化学方法的局限性 | 旨在开发一种高效的机器学习方法来预测气相真空紫外/紫外吸收光谱 | 以1397种挥发性和半挥发性化合物的分子结构和相应的吸收光谱为研究对象 | 机器学习 | NA | 机器学习 | 随机森林回归 | 结构数据文件（.sdf）和吸收光谱 | 1397种挥发性和半挥发性化合物 | NA | NA | NA | NA |
| 9615 | 2024-08-05 |
Versatile Framework for Drug-Target Interaction Prediction by Considering Domain-Specific Features
2024-Jul-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00403
PMID:38976879
|
研究论文 | 提出了一种通过考虑领域特定特征来预测药物-靶标相互作用的框架 | 通过结合领域通用和领域特定特征来增强DTI预测模型的泛化能力 | 未能访问未见领域的数据，限制了模型的适用范围 | 加速药物-靶标相互作用的预测，促进药物发现 | 药物-靶标相互作用的预测模型 | 机器学习 | NA | 深度学习 | 集成模型 | 数据集 | 四个基准数据集 | NA | NA | NA | NA |
| 9616 | 2024-08-05 |
Enhancing Chemical Reaction Monitoring with a Deep Learning Model for NMR Spectra Image Matching to Target Compounds
2024-Jul-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00522
PMID:38979856
|
研究论文 | 本文开发了一种深度学习模型MatCS，用于根据NMR光谱图像直接预测目标化合物的结构 | 提出了一个创新的二元分类模型MatCS，以解决现有化学合成技术中结构阐明效率低的问题 | 当前方法在处理相似分子结构光谱时仍面临挑战，且对化学库的依赖可能限制其应用 | 提高化学反应监测的效率，直接预测NMR光谱与目标化合物结构之间的关系 | 针对NMR光谱图像和目标化合物的分子结构的预测 | 机器学习 | NA | NMR光谱分析，图注意网络，图卷积网络 | Graph Attention Networks，Graph Convolutional Networks，ResNet101 | 图像 | NA | NA | NA | NA | NA |
| 9617 | 2024-08-05 |
Docking Score ML: Target-Specific Machine Learning Models Improving Docking-Based Virtual Screening in 155 Targets
2024-Jul-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00072
PMID:38958413
|
研究论文 | 本文介绍了一种新颖的Docking Score ML，为针对155种靶标的虚拟筛选提供更准确的分子对接评分。 | 提出了一种基于超过200,000个对接复合物分析的机器学习模型，显著提高了虚拟筛选的准确性。 | 尚未讨论特定靶标外的应用效果以及可能存在的普适性不足。 | 旨在提高药物发现中的分子对接虚拟筛选的准确性。 | 重点分析了癌症治疗的155种已知靶标的分子对接复杂体。 | 机器学习 | 癌症 | 监督学习与深度学习 | 图卷积网络（GCN） | 生物活性数据 | 超过200,000个对接复合物来自155个靶标 | NA | NA | NA | NA |
| 9618 | 2024-08-05 |
[Development of a Deep Learning Model for Judging Late Gadolinium-enhancement in Cardiac MRI]
2024-Jul-20, Nihon Hoshasen Gijutsu Gakkai zasshi
DOI:10.6009/jjrt.2024-1421
PMID:38897968
|
研究论文 | 本研究验证了深度学习模型在心脏MRI影像中判断晚期钆增强心肌存在与否的有效性 | 通过卷积神经网络构建的学习模型展示了优异的预测准确性 | 受限于样本量和单一医院的数据，模型的泛化能力可能有所欠缺 | 研究深度学习模型在心脏MRI晚期钆增强图像中的应用 | 使用174张来自东京大学医院的心脏MRI晚期钆增强心肌短轴图像 | 计算机视觉 | 心血管疾病 | 深度学习 | 卷积神经网络 | 图像 | 共涉及174张心脏MRI图像 | NA | NA | NA | NA |
| 9619 | 2024-08-05 |
A comprehensive survey on deep learning-based identification and predicting the interaction mechanism of long non-coding RNAs
2024-Jul-19, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elae010
PMID:38576205
|
综述 | 本研究综合评述了深度学习在长非编码RNA（lncRNA）识别和交互机制预测中的应用 | 介绍了深度学习模型的概念，并探讨了多种流行的深度学习算法及其数据偏好 | 目前许多与lncRNA相关的研究人员缺乏对深度学习模型最新进展的了解 | 探索深度学习如何在lncRNA的功能研究中被应用 | 长非编码RNA及其在生物过程中的作用 | 数字病理学 | NA | 深度学习 | NA | 序列数据 | NA | NA | NA | NA | NA |
| 9620 | 2024-08-05 |
DBPMod: a supervised learning model for computational recognition of DNA-binding proteins in model organisms
2024-Jul-19, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elad039
PMID:37651627
|
研究论文 | 本文介绍了一种计算方法DBPMod，旨在识别物种特异性的DNA结合蛋白。 | DBPMod使用了基于机器学习的方法，提高了对物种特异性DNA结合蛋白的识别准确性。 | 该研究可能在物种特异性预测中仍然存在一定局限性，特别是对于尚未进行充分研究的物种。 | 研究物种特异性的DNA结合蛋白识别的计算方法。 | 研究了包括秀丽隐杆线虫、果蝇、大肠杆菌、人类和小鼠在内的五种模式生物。 | 机器学习 | NA | 机器学习 | 浅层学习和深层学习 | NA | 五种模式生物 | NA | NA | NA | NA |