深度学习在生物医药领域中的应用

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,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!

Sample Image
添加微信请说明来意
Sample Image
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10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。

当前筛选条件: [分区不过滤] [IF不过滤] [发表日期:202401-202412] [清除筛选条件]
当前共找到 11790 篇文献,本页显示第 11201 - 11220 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
11201 2024-08-07
Enhancing clinical utility: deep learning-based embryo scoring model for non-invasive aneuploidy prediction
2024-May-22, Reproductive biology and endocrinology : RB&E IF:4.2Q1
研究论文 本研究开发了一种基于深度学习的胚胎评分模型,用于非侵入性预测胚胎非整倍体 提出了一种新的深度学习算法‘智能数据分析(iDA)评分’,用于自动化和客观化胚胎图像评估 胚胎非整倍体预测的准确性仍依赖于下一代测序技术(NGS)分析结果 增强临床应用性,提供一种非侵入且经济的胚胎选择方法 3448个经过活检的囊胚,来自979个时间流逝(TL)-PGT周期 机器学习 NA 深度学习算法 深度学习模型 图像 3448个囊胚样本
11202 2024-08-07
Generative design of compounds with desired potency from target protein sequences using a multimodal biochemical language model
2024-May-22, Journal of cheminformatics IF:7.1Q1
研究论文 本文研究了基于目标序列嵌入生成具有所需效力的活性化合物,设计了一种双组件条件语言模型,包括蛋白质语言模型组件和条件转换器,用于从多模态数据中学习并预测新的活性化合物 首次提出了一种结合蛋白质语言模型和化学语言模型组件的方法,用于从条件化的蛋白质序列数据中预测具有所需效力的化合物 NA 开发一种新的方法,通过机器翻译序列分子数据表示来预测活性化合物 活性化合物及其所需效力 机器学习 NA NA 条件语言模型 序列数据 NA
11203 2024-08-07
Opportunities for Improving Glaucoma Clinical Trials via Deep Learning-Based Identification of Patients with Low Visual Field Variability
2024 May-Jun, Ophthalmology. Glaucoma
研究论文 开发并评估一种深度学习模型(DLM),该模型预测未来视野(VF)变异性低的眼睛,并研究使用该DLM对神经保护试验样本量要求的影响 深度学习模型能够使用单一基线临床访问的数据预测视野变异性低的眼睛,从而减少样本量要求,并可能减轻未来青光眼临床试验的负担 NA 研究使用深度学习模型预测低视野变异性对青光眼临床试验样本量要求的影响 研究对象为每名患者一只眼睛,具有基线可靠视野、OCT、临床测量(人口统计学、眼内压和视力)以及随后的5次可靠视野 机器学习 青光眼 深度学习 深度学习模型(DLM) 图像 共2817只眼睛被纳入分析
11204 2024-08-07
Two-headed UNetEfficientNets for parallel execution of segmentation and classification of brain tumors: incorporating postprocessing techniques with connected component labelling
2024-Apr-29, Journal of cancer research and clinical oncology IF:2.7Q3
研究论文 本研究提出了一种使用双头UNetEfficientNets模型同时进行脑肿瘤分割和分类的新方法 利用双头UNetEfficientNets模型进行并行分割和分类,并结合连接组件标记等后处理技术提高性能 NA 开发准确和自动化的脑肿瘤检测和分割方法,以改善诊断和治疗结果 脑肿瘤,包括脑膜瘤、胶质瘤和垂体瘤 计算机视觉 脑肿瘤 磁共振成像(MRI) UNetEfficientNets 图像 3064张脑部MR图像
11205 2024-08-07
Deep Learning Prediction of Axillary Lymph Node Metastasis in Breast Cancer Patients Using Clinical Implication-Applied Preprocessed CT Images
2024-04-18, Current oncology (Toronto, Ont.)
研究论文 本研究旨在开发一种深度学习模型,利用经过临床意义预处理的CT图像来提高乳腺癌患者腋窝淋巴结转移的预测准确性 本研究通过集成方法结合两种最佳表现的CNN架构,提高了诊断精度,并利用梯度加权类激活映射图像区分淋巴结边缘和邻近软组织的细微变化 NA 开发一种深度学习模型,用于准确检测乳腺癌患者的恶性腋窝淋巴结 乳腺癌患者的腋窝淋巴结转移 机器学习 乳腺癌 CT CNN 图像 1128张轴向CT图像,来自523名乳腺癌患者
11206 2024-08-07
Prediction of Obliteration After the Gamma Knife Radiosurgery of Arteriovenous Malformations Using Hand-Crafted Radiomics and Deep-Learning Methods
2024-Apr, Cureus
research paper 本研究使用手工放射组学和深度学习技术预测伽玛刀放射手术治疗脑动静脉畸形后的结果,并比较这两种方法的预测性能 本研究采用了手工放射组学模型和预训练的卷积神经网络模型,这两种模型在预测伽玛刀放射手术后的临床结果方面具有相当的预测性能 研究结果需要在外部更多患者中进行进一步验证 预测伽玛刀放射手术治疗脑动静脉畸形后的结果 脑动静脉畸形患者 machine learning NA 放射组学, 深度学习 随机森林模型, ResNet-34卷积神经网络 MRI扫描图像 42名患者
11207 2024-08-07
Cleaning and Harmonizing Medical Image Data for Reliable AI: Lessons Learned from Longitudinal Oral Cancer Natural History Study Data
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
研究论文 本文介绍了为开发用于研究口腔癌自然史的AI驱动方法而准备和处理图像数据的工作,重点在于数据清洗和注释信息提取 提出了自动化数据清洗和注释信息提取的方法,以提高效率 未详细说明自动化方法的具体实现和效果 准备和处理图像数据,以便开发用于研究口腔癌自然史的AI驱动方法 口腔癌的图像数据 计算机视觉 口腔癌 深度学习 NA 图像 未具体说明样本数量
11208 2024-08-07
Spiritual places: Spatial recognition of Tibetan Buddhist spiritual perception
2024, PloS one IF:2.9Q1
研究论文 本研究聚焦拉萨,探索藏传佛教精神感知与城市空间的融合,通过结合街景数据和深度学习技术,识别并绘制城市景观中藏传佛教精神场所的空间分布 采用街景数据和深度学习技术的新颖方法,展示了技术在考察城市发展对文化和宗教景观影响方面的潜力 NA 探讨藏传佛教精神感知在城市空间中的融合及其对城市规划、宗教研究和数字人文领域的贡献 藏传佛教精神场所在城市空间中的分布及其与城市建筑和文化遗产区的关系 数字人文 NA 深度学习技术 NA 街景数据 NA
11209 2024-08-07
Sampling clustering based on multi-view attribute structural relations
2024, PloS one IF:2.9Q1
研究论文 本文提出了一种基于多视图属性结构关系采样的图聚类方法SLMGC SLMGC方法通过图滤波去除噪声,基于节点重要性采样降低计算复杂度,并通过图对比正则化增强聚类表示,最终使用自训练聚类算法实现聚类结果 NA 解决现有图聚类技术在处理多视图图数据时面临的挑战 多视图图数据 机器学习 NA 图滤波 NA 图数据 NA
11210 2024-08-07
A hybrid feature weighted attention based deep learning approach for an intrusion detection system using the random forest algorithm
2024, PloS one IF:2.9Q1
研究论文 本文提出了一种混合特征加权注意力深度学习方法,结合随机森林算法用于入侵检测系统,以解决类别不平衡问题 本文创新性地结合了均值卷积层(MCL)、特征加权注意力(FWA)学习、双向长短期记忆网络(BI-LSTM)和随机森林算法,形成了一个独特的混合模型MCL-FWA-BILSTM,有效提高了入侵检测的准确性和降低了误报率 本文未明确提及该方法的局限性 研究旨在开发和完善高级算法和技术,如异常检测、成本敏感学习和过采样方法,以有效处理类别不平衡问题,提高入侵检测系统的敏感性和减少误报 研究对象为入侵检测系统中的类别不平衡问题 机器学习 NA 随机森林算法 CNN, LSTM 数据集 使用了NSL-KDD和UNSW-NB-15两个广泛可用的IDS数据集
11211 2024-08-07
Deep Learning Model Coupling Wearable Bioelectric and Mechanical Sensors for Refined Muscle Strength Assessment
2024, Research (Washington, D.C.)
研究论文 本研究提出了一种结合肌电和应变传感器的可穿戴设备,用于同步采集肌肉活动时的表面肌电图和机械信号,并通过基于时间卷积网络(TCN)+ Transformer(Tcnformer)的深度学习模型进行肌肉力量的准确分级和预测。 本研究通过结合深度聚类技术,实现了对肌肉力量的25级分类,相较于传统的5级分类更加精细。 NA 旨在提高肌肉力量评估的精确性,并可能改善相关的临床诊断和康复结果。 肌肉力量评估 机器学习 NA 表面肌电图, 应变传感器 时间卷积网络(TCN)+ Transformer(Tcnformer) 信号 NA
11212 2024-08-07
Prostate Cancer Detection from MRI Using Efficient Feature Extraction with Transfer Learning
2024, Prostate cancer IF:2.3Q3
研究论文 本研究利用深度学习模型(VGG16、VGG19、ResNet50和ResNet50V2)进行特征提取,并结合随机森林分类器诊断前列腺癌 采用迁移学习方法,使用少量标注的前列腺癌数据优化深度学习模型,提高模型在不同患者群体和临床情况下的泛化能力 研究中提到的数据集限制问题,尽管使用了迁移学习,但仍可能受限于可用数据量 探索机器学习技术在前列腺癌诊断中的应用,特别是深度学习模型的特征提取能力 前列腺癌的MRI图像 机器学习 前列腺癌 迁移学习 VGG16, VGG19, ResNet50, ResNet50V2 图像 未明确提及具体样本数量
11213 2024-08-07
BCSLinker: automatic method for constructing a knowledge graph of venous thromboembolism based on joint learning
2024, Frontiers in medicine IF:3.1Q1
研究论文 本文提出了一种基于联合学习的深静脉血栓知识图谱自动构建方法BCSLinker 采用Biaffine Common-Sequence Self-Attention模块同时提取实体和关系,减少错误传播,并使用多标签交叉熵损失减少冗余信息影响 NA 构建一个更准确全面的深静脉血栓知识图谱,为诊断、评估和治疗提供参考 深静脉血栓患者的电子病历数据 自然语言处理 深静脉血栓 深度学习 BCSLinker 文本 来自三级医院的深静脉血栓患者电子病历数据
11214 2024-08-07
Deep learning for automatic segmentation of vestibular schwannoma: a retrospective study from multi-center routine MRI
2024, Frontiers in computational neuroscience IF:2.1Q3
研究论文 本研究首次展示了在常规临床MRI数据集上自动分割前庭神经鞘瘤(VS)的高准确性 使用先进的深度学习框架,通过多中心常规临床数据集训练的模型在分割前庭神经鞘瘤方面表现出显著的泛化性和鲁棒性 模型在常规MRI数据集上的表现优于在Gamma Knife数据集上训练的模型,表明数据多样性对模型开发的重要性 改善临床工作流程,辅助治疗决策和患者管理 前庭神经鞘瘤的自动分割 计算机视觉 前庭神经鞘瘤 深度学习 深度学习框架 MRI图像 160名患者,每位患者最多三组纵向MRI检查,包括对比增强T1加权(ceT1w)和T2加权(T2w)图像
11215 2024-08-07
Tongue feature recognition to monitor rehabilitation: deep neural network with visual attention mechanism
2024, Frontiers in bioengineering and biotechnology IF:4.3Q2
研究论文 本文开发了一种新的深度学习架构,专门用于分析和分类舌头特征,包括颜色、形状和舌苔 提出的方法解决了基于VGG或ResNet等传统架构的大尺寸问题,从而缓解了过拟合问题 NA 旨在推动舌头特征识别技术的发展,最终实现更精确的诊断和更好的患者康复 舌头特征的分析和分类 计算机视觉 NA 深度学习 CNN 图像 NA
11216 2024-08-07
Wearable sensors in patient acuity assessment in critical care
2024, Frontiers in neurology IF:2.7Q3
研究论文 本文探讨了在重症监护环境中使用可穿戴传感器数据与电子健康记录(EHR)中的临床数据相结合,以更精确地评估患者病情严重程度的方法。 本研究首次将可穿戴传感器数据与临床数据结合,通过深度学习模型提高了病情严重程度评估的精确度、敏感性和F1分数。 NA 研究目的是通过整合可穿戴传感器数据和临床数据,改进重症监护环境中患者病情严重程度的评估。 研究对象包括87名佩戴手腕加速度计的患者,以及他们的临床数据。 机器学习 NA 加速度计 深度神经网络模型(VGG, ResNet, MobileNet, SqueezeNet, 自定义Transformer网络) 加速度计数据,临床数据 87名患者
11217 2024-08-07
Application and progress of artificial intelligence in radiation therapy dose prediction
2024-Jul, Clinical and translational radiation oncology IF:2.7Q2
综述 本文综述了人工智能在放射治疗剂量预测中的应用和进展,特别是深度学习的进展 人工智能在放射治疗中的应用提高了剂量预测的准确性和效率 由于参与者和机构之间的知识和经验差异,预测的剂量常常不一致 探讨人工智能在放射治疗剂量预测中的应用和进展 放射治疗中的剂量预测 机器学习 NA 深度学习 DL NA NA
11218 2024-08-07
Is Risk-Stratifying Patients with Colorectal Cancer Using a Deep Learning-Based Prognostic Biomarker Cost-Effective?
2024-Jun, PharmacoEconomics IF:4.4Q1
研究论文 研究使用基于深度学习的预测生物标志物Histotyping对结直肠癌患者进行风险分层的经济效益 开发了基于深度学习的预测方法Histotyping,用于结直肠癌患者的治疗前风险分层 NA 评估基于深度学习的预测方法Histotyping在挪威医疗系统中的成本效益 结直肠癌II期和III期患者 机器学习 结直肠癌 深度学习 NA NA NA
11219 2024-08-07
Automatic classification of spinal osteosarcoma and giant cell tumor of bone using optimized DenseNet
2024-Jun, Journal of bone oncology IF:3.1Q2
研究论文 本研究旨在探索一种优化的深度学习模型,用于自动分类脊柱骨肉瘤和大细胞骨肿瘤 研究采用了具有自注意力机制的优化DenseNet模型,并结合Gradient-weighted Class Activation Mapping (Grad-CAM)技术,提高了分类准确性和特征提取能力 未来研究将集中在扩展数据集和改进算法上,以增强模型在不同临床环境中的适用性 提供一种可靠的方法,用于在医学影像中区分脊柱骨肉瘤和大细胞骨肿瘤 脊柱骨肉瘤和大细胞骨肿瘤的自动分类 计算机视觉 骨肿瘤 Gradient-weighted Class Activation Mapping (Grad-CAM) DenseNet 图像 未具体说明样本数量
11220 2024-08-07
Spatial distance between tumor and lymphocyte can predict the survival of patients with resectable lung adenocarcinoma
2024-May-30, Heliyon IF:3.4Q1
研究论文 本研究探讨了肿瘤与淋巴细胞之间的空间距离与可切除肺腺癌患者预后预测的关系 提出了一种基于H&E染色全切片图像的深度学习驱动工作流程,自动分割肿瘤区域内的不同细胞类型,并量化肿瘤细胞与淋巴细胞之间的空间距离 NA 探索肿瘤细胞与淋巴细胞之间的空间距离与肺腺癌患者预后预测的关系 可切除的肺腺癌患者 数字病理学 肺腺癌 H&E染色 HoVer-Net 图像 发现集276例,验证集139例和115例
回到顶部