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 12039 篇文献，本页显示第 9741 - 9760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9741 | 2024-08-05 |
Triple-0: Zero-shot denoising and dereverberation on an end-to-end frozen anechoic speech separation network
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0301692
PMID:39012881
|
研究论文 | 本研究提出了一种新颖的方法，通过一个端到端的冻结双耳无回声语音分离网络进行语音去噪和去混响。 | 该网络无需对新任务进行任何架构更改或微调，展示了在零样本测试条件下的有效性。 | 预训练模型在其训练期间从未遇到过噪声和混响条件，可能影响其在极端情况下的表现。 | 研究旨在改进语音增强技术，尤其是在噪声和混响环境中的非监督学习能力。 | 研究对象为被淹没在噪声和回声中的目标语音信号。 | 自然语言处理 | NA | 深度学习 | NA | 音频 | 使用了不同数据集上的语音样本进行测试，具体样本数量未说明 | NA | NA | NA | NA |
| 9742 | 2024-08-05 |
ArabBert-LSTM: improving Arabic sentiment analysis based on transformer model and Long Short-Term Memory
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1408845
PMID:39015364
|
研究论文 | 本文提出了一种基于变压器模型和长短期记忆网络(LSTM)的阿拉伯语情感分析模型。 | 创新之处在于结合了变压器模型和LSTM以处理阿拉伯语情感分析的复杂性。 | 本文未提及特定的限制条件。 | 本研究旨在提高阿拉伯语情感分析的准确性和可靠性。 | 研究对象为阿拉伯语文本中的情感分类。 | 自然语言处理 | NA | 变压器模型 | LSTM | 文本 | 四个阿拉伯语基准数据集 | NA | NA | NA | NA |
| 9743 | 2024-08-05 |
Comparison of deep learning architectures for predicting amyloid positivity in Alzheimer's disease, mild cognitive impairment, and healthy aging, from T1-weighted brain structural MRI
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1387196
PMID:39015378
|
研究论文 | 本文比较了多种深度学习架构在预测阿尔茨海默病、轻度认知障碍和健康老龄化中的β-淀粉样蛋白阳性。 | 提出了一种将经典机器学习算法与深度学习模型相结合的新方法，能够从T1加权MRI中推断β-淀粉样蛋白阳性 | 需要在更多样化的数据上进行进一步测试以验证结果 | 研究旨在从非侵入性的脑部扫描中预测β-淀粉样蛋白阳性，以帮助早期筛查阿尔茨海默病 | 参与者包括1847名老年人，包含健康对照组、轻度认知障碍者和痴呆患者 | 计算机视觉 | 阿尔茨海默病 | MRI | CNN, 3D Vision Transformers | 影像 | 1847名老年参与者（包括661名健康对照，889名轻度认知障碍者和297名痴呆患者） | NA | NA | NA | NA |
| 9744 | 2024-08-05 |
Prospective Role of Foundation Models in Advancing Autonomous Vehicles
2024, Research (Washington, D.C.)
DOI:10.34133/research.0399
PMID:39015204
|
研究论文 | 本文综述了基础模型在自动驾驶中的应用及未来趋势 | 探讨了基础模型在场景理解、推理及提升自动驾驶安全性方面的潜力 | 目前尚未详细说明在实际驾驶中的具体应用及验证情况 | 研究基础模型在自动驾驶领域的应用潜力 | 基础模型及其在自动驾驶中的应用 | 计算机视觉 | NA | 自监督学习 | 基础模型 | 语言和视觉数据 | NA | NA | NA | NA | NA |
| 9745 | 2024-08-05 |
Automated magnetic resonance imaging-based grading of the lumbar intervertebral disc and facet joints
2024-Sep, JOR spine
IF:3.4Q1
DOI:10.1002/jsp2.1353
PMID:39011368
|
研究论文 | 本研究介绍了一种基于磁共振成像的自动化技术，用于对腰椎间盘和关节的分级。 | 提出了一种基于卷积神经网络的自动化分级技术，增强了评估的一致性。 | 在Fujiwara分级系统中表现出较大的误差，显示出该系统的高变异性。 | 旨在使用自动化系统根据Pfirrmann和Fujiwara分级系统分类腰椎间盘和关节的健康状况。 | 临床MRI图像，涉及腰椎间盘和关节的健康状况。 | 计算机视觉 | NA | 磁共振成像 | 卷积神经网络 | 图像 | 从公共可访问的腰椎MRI数据集中获取的临床MRI图像 | NA | NA | NA | NA |
| 9746 | 2024-08-05 |
The Impact of Drop Test Conditions on Brain Strain Location and Severity: A Novel Approach Using a Deep Learning Model
2024-Aug, Annals of biomedical engineering
IF:3.0Q3
DOI:10.1007/s10439-024-03525-w
PMID:38739210
|
研究论文 | 本研究采用深度学习模型分析了实验室控制的掉落测试参数对大脑应变的影响 | 提出了一种新方法，利用训练好的卷积神经网络（CNN）预测大脑区域性最大主应变 | 未讨论不同研究条件对结果的潜在影响 | 探讨掉落测试条件对大脑区域最大主应变的影响 | 运动员在高强度头部冲击下的脑部损伤 | 数字病理学 | NA | 深度学习 | 卷积神经网络（CNN） | 数值数据 | NA | NA | NA | NA | NA |
| 9747 | 2024-08-05 |
A novel optimization-assisted multi-scale and dilated adaptive hybrid deep learning network with feature fusion for event detection from social media
2024-Jul-17, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2376705
PMID:39015012
|
研究论文 | 提出了一种新的基于社交媒体数据的事件检测方法 | 引入了多尺度和膨胀自适应混合深度学习网络，并通过改进的海狸优化算法调优参数 | 未提及具体的实验环境和数据多样性 | 提高社交媒体事件检测的准确性 | 社交媒体数据中的事件 | 自然语言处理 | NA | BERT, TF-IDF | MDA-HDL (多尺度和膨胀自适应混合深度学习) | 文本 | 两个数据集，分别的准确率为94.96和96.42 | NA | NA | NA | NA |
| 9748 | 2024-08-05 |
Deep learning with convolution neural network detecting mesiodens on panoramic radiographs: comparing four models
2024-Jul-17, Odontology
IF:1.9Q2
DOI:10.1007/s10266-024-00980-8
PMID:39017730
|
研究论文 | 本研究旨在开发一种简单轻巧的深度学习卷积神经网络模型，以在全景放射影像中检测胚牙的存在 | 提出了一种简单轻量的CNN模型用于胚牙的检测，并对四种模型进行了比较 | 需要专业人士进一步评估，因为儿童对辐射的敏感性高于成人 | 开发用于检测胚牙的高效深度学习模型 | 628幅含有与不含胚牙的全景放射影像 | 计算机视觉 | NA | 深度学习，卷积神经网络（CNN） | binary_connect_mnist_LeNet | 图像 | 628幅全景放射影像，分别用于训练、验证和测试 | NA | NA | NA | NA |
| 9749 | 2024-08-05 |
Ualign: pushing the limit of template-free retrosynthesis prediction with unsupervised SMILES alignment
2024-Jul-15, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-024-00877-2
PMID:39010144
|
研究论文 | 本研究介绍了UAlign，这是一种无模板的反合成预测管道。 | 提出了一种新的图到序列的无模板反合成预测管道，克服了Transformer方法在分子表征学习中的局限性 | 无监督学习机制可能在某些情况下不如监督学习方法准确 | 旨在提高反合成预测的有效性，特别是在无模板的情况下 | 研究分子结构在化学反应中的变化，特别是如何利用不变结构进行反应物生成 | 化学信息学 | NA | 图神经网络和Transformer | NA | SMILES | 大量实验支持，具体样本数量未说明 | NA | NA | NA | NA |
| 9750 | 2024-08-05 |
Real-time deep learning-based model predictive control of a 3-DOF biped robot leg
2024-Jul-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-66104-y
PMID:39004665
|
研究论文 | 本研究利用深度学习改进了三自由度双足机器人腿部的控制 | 该研究将深度学习与模型预测控制相结合，能够在不依赖传统动态模型的情况下实现精确的轨迹跟踪 | 实验结果可能受到数据集的限制，未提及实际应用的长期稳定性 | 研究旨在提高双足机器人在轨迹控制方面的精确性和效率 | 研究对象为三自由度双足机器人腿部的动态控制 | 机器人技术 | NA | 深度学习 | NA | 数据集包含关节角度和执行器扭矩的详细信息 | NA | NA | NA | NA | NA |
| 9751 | 2024-08-05 |
An ensemble deep learning models approach using image analysis for cotton crop classification in AI-enabled smart agriculture
2024-Jul-14, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-024-01228-w
PMID:39004764
|
研究论文 | 提出了一种结合深度学习的计算机视觉技术用于早期检测棉花疾病的框架 | 创新性在于采用集成学习框架与持续小波变换提取的特点相结合，提高棉花分类准确性 | 未提及具体的样本量和数据来源，可能影响结果的普适性 | 旨在利用深度学习和计算机视觉技术改善棉花作物管理 | 研究对象为健康和不健康的棉花植物 | 计算机视觉 | NA | 深度学习，持续小波变换（CWT），快速傅里叶变换（FFT） | AlexNet，GoogLeNet，InceptionV3，VGG-19 | 图像 | NA | NA | NA | NA | NA |
| 9752 | 2024-08-05 |
Egocentric 3D Skeleton Learning in a Deep Neural Network Encodes Obese-like Motion Representations
2024-Jun-30, Experimental neurobiology
IF:1.8Q4
DOI:10.5607/en24008
PMID:38993079
|
研究论文 | 本研究使用深度LSTM网络分析饮食诱导的肥胖小鼠模型的3D时间序列骨骼数据 | 研究提出了通过身份训练的深度LSTM网络结合自主视角来识别肥胖相关运动表现的新方法 | 研究可能仅基于小鼠模型，外推到人类的有效性仍需进一步验证 | 探索深度学习在肥胖早期检测中的应用潜力 | 饮食诱导肥胖的小鼠模型 | 计算机视觉 | 肥胖症 | 深度LSTM网络 | LSTM | 3D时间序列骨骼数据 | NA | NA | NA | NA | NA |
| 9753 | 2024-08-05 |
Benchmarking Deep Learning-Based Image Retrieval of Oral Tumor Histology
2024-Jun, Cureus
DOI:10.7759/cureus.62264
PMID:39011227
|
研究论文 | 该研究开发了一种基于深度学习的内容检索系统，以提高口腔肿瘤组织学的病理诊断准确性 | 首次使用自监督学习方法训练深度学习模型处理口腔病理图像，实现了更高的检索准确性 | 缺乏针对口腔病理的专门图像数据库可能限制了模型的全面性和适用性 | 研究的目的是开发一种可靠的计算机辅助诊断系统以改善口腔肿瘤的病理诊断 | 研究对象为30类口腔肿瘤的图像数据 | 数字病理学 | 口腔肿瘤 | 深度学习，自监督学习 | 自监督学习模型 | 图像 | 30类口腔肿瘤的图像数据库 | NA | NA | NA | NA |
| 9754 | 2024-08-05 |
Deep Learning and Multimodal Artificial Intelligence in Orthopaedic Surgery
2024-Jun-01, The Journal of the American Academy of Orthopaedic Surgeons
IF:2.6Q1
DOI:10.5435/JAAOS-D-23-00831
PMID:38652882
|
综述 | 本综述文章重点介绍深度学习和多模态神经网络在骨科领域的应用 | 该研究提供了人工智能在骨科手术中应用的实际例子，特别是在影像数据集和临床数据整合方面 | 没有提到具体的局限性 | 旨在为骨科医生提供评估现有文献和考虑人工智能潜力的工具 | 深度神经网络、卷积神经网络和多模态人工智能模型 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像、临床数据 | NA | NA | NA | NA | NA |
| 9755 | 2024-08-05 |
A novel deep machine learning algorithm with dimensionality and size reduction approaches for feature elimination: thyroid cancer diagnoses with randomly missing data
2024-May-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae344
PMID:39007597
|
研究论文 | 本研究开发了一种新的深度机器学习算法用于甲状腺癌诊断，并处理随机缺失数据 | 创新点在于处理随机缺失数据和采用维度缩减及层次聚类算法来选择最具信息量的数据集 | 缺乏标准化的甲状腺癌诊断程序可能限制算法的广泛适用性 | 旨在开发一种准确且计算效率高的深度学习算法以诊断甲状腺癌 | 研究对象为多维大数据中存在随机缺失的甲状腺癌诊断数据 | 机器学习 | 甲状腺癌 | 深度学习算法 | 未指定 | 多维数据 | 使用了四种机器学习算法进行训练和测试，具体样本数量未说明 | NA | NA | NA | NA |
| 9756 | 2024-08-05 |
Highly accurate classification and discovery of microbial protein-coding gene functions using FunGeneTyper: an extensible deep learning framework
2024-May-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae319
PMID:39007592
|
研究论文 | 该文章介绍了FunGeneTyper，一个可扩展的深度学习框架，用于微生物蛋白编码基因功能的高精度分类和发现 | 提出了一种新的框架，包含两个新的深度学习模型，以及结构化数据库，旨在实现高于99%的分类准确率 | NA | 开发一种高效的工具，用于微生物蛋白编码基因的功能分类和抗生素抗性基因的发现 | 抗生素抗性基因(ARGs)和毒力因子基因的序列 | 生物信息学 | NA | 高通量DNA测序 | FunTrans和FunRep | 基因序列 | 由实验确认的抗生素抗性基因数据集，包含远程同源序列作为测试集 | NA | NA | NA | NA |
| 9757 | 2024-08-05 |
Framework for Ranking Machine Learning Predictions of Limited, Multimodal, and Longitudinal Behavioral Passive Sensing Data: Combining User-Agnostic and Personalized Modeling
2024-May-20, JMIR AI
DOI:10.2196/47805
PMID:38875667
|
研究论文 | 该文章提出了一个框架，用于对有限的多模态和纵向行为被动传感数据的机器学习预测进行排序 | 引入了一种新的排名框架FLMS，结合用户无关和个性化建模方法，同时使用排名策略过滤预测 | 对于小数据集采用复杂深度学习网络建模的局限性，可能导致噪声影响 | 过滤、排名并输出小型多模态纵向传感数据的最佳预测 | 健康研究中使用被动多模态传感器的青少年数据集 | 机器学习 | 抑郁障碍 | 被动移动传感 | NA | 传感数据 | 青少年参与者的真实数据集 | NA | NA | NA | NA |
| 9758 | 2024-08-05 |
Predicting meningioma grades and pathologic marker expression via deep learning
2024-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-10258-2
PMID:37853176
|
研究论文 | 本研究建立了一个深度学习模型，用于预测脑膜瘤的肿瘤分级及病理标志物的表达 | 创新点在于使用深度学习方法高效预测脑膜瘤的分级和病理标志物的表达 | 外部验证队列的预测表现相对较低，可能限制了模型的广泛应用 | 研究旨在开发深度学习模型用于脑膜瘤的分级和病理标志物预测 | 1192名接受外科切除的脑膜瘤患者 | 数字病理学 | 脑膜瘤 | 深度学习 | ResNet50 | 图像 | 1192 | NA | NA | NA | NA |
| 9759 | 2024-08-05 |
Prognostication of lung adenocarcinomas using CT-based deep learning of morphological and histopathological features: a retrospective dual-institutional study
2024-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-10306-x
PMID:37861801
|
研究论文 | 本文旨在开发和验证基于CT的深度学习模型，以预测肺腺癌的预后。 | 提出了一种新的基于CT的预后评分模型，利用形态学和组织病理学特征进行肺腺癌的生存预测，显示出潜在的应用价值。 | 虽然模型表现出较好的预测能力，但相较于离散时间生存模型的提升并无统计学意义。 | 研究旨在改善肺腺癌的预后评估。 | 研究对象为3181例已切除肺腺癌患者的术前胸部CT扫描。 | 计算机视觉 | 肺癌 | 深度学习（DL） | NA | 图像 | 3181例肺腺癌患者的术前CT扫描 | NA | NA | NA | NA |
| 9760 | 2024-08-05 |
Reducing false positives in deep learning-based brain metastasis detection by using both gradient-echo and spin-echo contrast-enhanced MRI: validation in a multi-center diagnostic cohort
2024-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-10318-7
PMID:37891415
|
研究论文 | 本研究开发了一种结合梯度回波和涡轮自旋回波增强MRI的深度学习模型用于脑转移瘤的检测 | 通过使用双增强成像，改进的深度学习模型提高了脑转移瘤的真实阳性检出率并减少了过度估计 | N/A | 评估双增强深度学习模型在脑转移瘤检测中的临床应用 | 200名脑转移瘤患者的数据用于模型训练，62名内部患者和48名外部患者用于测试 | 数字病理学 | 脑癌 | 增强MRI | 深度学习 | 医学影像 | 200名训练样本，62名内部测试样本，48名外部测试样本 | NA | NA | NA | NA |