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 12102 篇文献，本页显示第 11821 - 11840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11821 | 2024-08-07 |
Quantifying abnormal emotion processing: A novel computational assessment method and application in schizophrenia
2024-Jun, Psychiatry research
IF:4.2Q1
DOI:10.1016/j.psychres.2024.115893
PMID:38657475
|
研究论文 | 本文介绍了一种使用深度学习技术从口语中快速评估情感处理的新方法，并在精神分裂症谱系障碍患者和健康对照组中进行了测试 | 提出了一种新的计算评估方法，利用深度学习从口语中估计情感处理，并引入了“情感对齐”（EA）这一新指标 | 需要进一步的验证工作来确认该方法的有效性和普遍性 | 开发一种自动化的方法来评估精神分裂症谱系障碍中的情感处理 | 精神分裂症谱系障碍患者和健康对照组的情感处理能力 | 机器学习 | 精神分裂症 | 深度学习 | NA | 口语 | 37名精神分裂症谱系障碍患者和51名健康对照组 | NA | NA | NA | NA |
| 11822 | 2024-08-07 |
A deep learning based multi-model approach for predicting drug-like chemical compound's toxicity
2024-Jun, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2024.04.020
PMID:38702021
|
研究论文 | 本研究开发了多种深度学习模型，用于评估不同类型的化合物毒性，包括急性毒性、致癌性、hERG心脏毒性、肝毒性和致突变性 | 利用图卷积网络（GCN）回归模型和多个GCN二元分类模型，针对不同类型的毒性进行预测，并集成了这些模型到一个虚拟筛选流程中，以识别潜在的低毒性药物候选物 | NA | 通过早期和准确的化合物毒性预测，减少药物开发过程中的成本和风险 | 化学化合物的毒性预测 | 机器学习 | NA | 图卷积网络（GCN） | GCN | 化合物数据 | 使用了批准的药物数据集来确定预测分数的适当阈值 | NA | NA | NA | NA |
| 11823 | 2024-08-07 |
Trans-Atlantic Differences in Approach to Sudden Death Prevention in Patients With Hypertrophic Cardiomyopathy
2024-May, The Canadian journal of cardiology
DOI:10.1016/j.cjca.2024.03.011
PMID:38522619
|
综述 | 本文综述了美国和欧洲在预防肥厚型心肌病患者猝死方面的不同方法 | 探讨了未来通过新影像技术和基因分型改进预测模型的可能性，以及深度学习在整合多种形态和遗传特征中的应用 | 美国方法具有高敏感性但特异性有限，而欧洲方法则相反 | 概述美国和欧洲指南的差异及其产生原因，并展望肥厚型心肌病患者猝死风险预测的未来 | 肥厚型心肌病患者的猝死预防 | NA | 心血管疾病 | NA | NA | NA | NA | NA | NA | NA | NA |
| 11824 | 2024-08-07 |
Image segmentation of impacted mesiodens using deep learning
2024-May, The Journal of clinical pediatric dentistry
IF:1.5Q2
DOI:10.22514/jocpd.2024.059
PMID:38755982
|
研究论文 | 本研究旨在评估深度学习算法在儿童全景X光片中对阻生中切牙的分类和分割性能 | 采用预训练的ResNet模型增强U-Net算法的编码路径，提高了分割性能 | NA | 评估深度学习算法在阻生中切牙诊断中的性能 | 阻生中切牙的分类和分割 | 计算机视觉 | NA | 深度学习 | U-Net | 图像 | 850张儿童全景X光片 | NA | NA | NA | NA |
| 11825 | 2024-08-07 |
Classification of presence of missing teeth in each quadrant using deep learning artificial intelligence on panoramic radiographs of pediatric patients
2024-May, The Journal of clinical pediatric dentistry
IF:1.5Q2
DOI:10.22514/jocpd.2024.062
PMID:38755985
|
研究论文 | 本研究旨在开发一种新的深度学习模型，用于在儿童患者的全景X光片上分类缺失牙齿，并评估其准确性 | 本研究首次定义了小尺寸感兴趣区域，并使用深度学习模型进行缺失牙齿的分类 | 在实验组中，对于缺失磨牙的分类准确性最低 | 开发和评估一种深度学习模型，用于在儿童患者的全景X光片上分类缺失牙齿 | 8至16岁儿童患者的全景X光片 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 806张全景X光片，分为3224个数据点，其中1457个数据点包含缺失牙齿，1767个数据点不包含缺失牙齿 | NA | NA | NA | NA |
| 11826 | 2024-08-07 |
In the right direction: A deep learning tool for assessment of right ventricular function
2024-May, Echocardiography (Mount Kisco, N.Y.)
DOI:10.1111/echo.15831
PMID:38757551
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11827 | 2024-08-07 |
Predicting small molecules solubility on endpoint devices using deep ensemble neural networks
2024-Apr-17, Digital discovery
IF:6.2Q1
DOI:10.1039/d3dd00217a
PMID:38638648
|
研究论文 | 本文提出了一种在终端设备上使用深度集成神经网络预测小分子水溶性的方法 | 该方法通过在静态网站上运行深度学习模型，实现了无需服务器维护和安装的计算需求，同时提供了预测不确定性量化 | NA | 解决传统计算方法在预测小分子水溶性时计算时间长且精度低的问题，以及数据驱动方法缺乏不确定性量化和使用不便的问题 | 小分子的水溶性预测 | 机器学习 | NA | 深度学习 | 深度集成神经网络 | 分子数据 | NA | NA | NA | NA | NA |
| 11828 | 2024-08-07 |
A novel deep learning technique for medical image analysis using improved optimizer
2024 Apr-Jun, Health informatics journal
IF:2.2Q3
DOI:10.1177/14604582241255584
PMID:38755759
|
研究论文 | 本文探讨了在医学图像分析中使用改进优化器的卷积神经网络的应用 | 引入了新的优化技术梯度中心化（GC），并与先进的预处理技术Real ESRGAN和GFPGAN结合，提高了深度学习模型的执行时间和损失因子 | 现有的优化器如梯度下降、随机梯度下降等存在处理速度慢、内存需求大、计算成本高和死神经元问题 | 研究如何通过新的优化技术提高医学图像分析中深度学习模型的性能 | 医学图像的分类和分割 | 计算机视觉 | NA | 梯度中心化（GC） | CNN | 图像 | NA | NA | NA | NA | NA |
| 11829 | 2024-08-07 |
[[Fundamentals] 8. Works on Mac or Windows! Practical Deep Learning with PyTorch]
2024, Nihon Hoshasen Gijutsu Gakkai zasshi
DOI:10.6009/jjrt.2024-2336
PMID:38644222
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11830 | 2024-08-07 |
Deep learning-based classification of the capillary ultrastructure in human skeletal muscles
2024, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2024.1363384
PMID:38751446
|
研究论文 | 本研究利用卷积神经网络（CNN）对人类骨骼肌毛细血管超微结构进行分类，以区分健康参与者与系统性病理患者 | 使用预训练的CNN模型在电子显微镜图像上区分健康控制组与系统性病理患者的毛细血管超微结构，其准确性高于传统的形态计量分析 | NA | 训练CNN模型以识别健康参与者与系统性病理患者肌肉活检中毛细血管的形态计量模式，用于假设生成 | 人类骨骼肌毛细血管的超微结构 | 机器学习 | 糖尿病，高血压，外周动脉疾病 | 透射电子显微镜（TEM） | CNN（ResNet101） | 图像 | 1810张电子显微镜图像，来自70名参与者 | NA | NA | NA | NA |
| 11831 | 2024-08-07 |
The Importance of Understanding Deep Learning
2024, Erkenntnis
DOI:10.1007/s10670-022-00605-y
PMID:38751773
|
research paper | 本文探讨了深度神经网络（DNNs）的理解问题及其在科学中的应用 | 本文提出了对深度神经网络理解的不同概念，特别是解释性理解的重要性 | 本文未明确指出具体的实验或数据分析限制 | 探讨当前对深度神经网络理解不足是否限制了其在科学中的应用 | 深度神经网络（DNNs）及其在科学中的应用 | machine learning | NA | NA | DNNs | NA | NA | NA | NA | NA | NA |
| 11832 | 2024-08-07 |
Detection of sweet corn seed viability based on hyperspectral imaging combined with firefly algorithm optimized deep learning
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1361309
PMID:38751847
|
研究论文 | 本研究利用高光谱成像技术结合萤火虫算法优化的深度学习方法，对甜玉米种子的不同活力等级进行识别 | 本研究提出的萤火虫算法优化的CNN-LSTM模型在甜玉米种子活力等级分类中表现出优于其他模型的性能 | NA | 识别甜玉米种子的活力等级 | 甜玉米种子 | 机器学习 | NA | 高光谱成像 | CNN-LSTM | 光谱图像 | 496颗种子，包括四个活力等级的种子 | NA | NA | NA | NA |
| 11833 | 2024-08-07 |
Convolutional neural network allows amylose content prediction in yam (Dioscorea alata L.) flour using near infrared spectroscopy
2024-Jun, Journal of the science of food and agriculture
IF:3.3Q2
DOI:10.1002/jsfa.12825
PMID:37400424
|
研究论文 | 本研究利用近红外光谱技术结合卷积神经网络预测山药粉中的直链淀粉含量 | 首次使用卷积神经网络成功预测山药粉中的直链淀粉含量 | PLS方法未能成功预测直链淀粉含量 | 验证卷积神经网络在预测山药粉直链淀粉含量方面的可靠性和效率 | 山药粉中的直链淀粉含量 | 机器学习 | NA | 近红外光谱技术 | 卷积神经网络 | 光谱数据 | 186份山药粉样品 | NA | NA | NA | NA |
| 11834 | 2024-08-07 |
Financial impact of incorporating deep learning reconstruction into magnetic resonance imaging routine
2024-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111434
PMID:38520806
|
研究论文 | 本文评估了将深度学习重建算法应用于磁共振成像常规流程对财务影响的实用性和经济可行性 | 本文首次详细分析了深度学习重建算法在磁共振成像中的应用，相较于传统扩容方法，如增加扫描仪或提高周末设备利用率，能显著降低运营成本 | NA | 研究深度学习重建算法在磁共振成像中的应用对医院运营成本的影响 | 深度学习重建算法在磁共振成像中的应用 | 机器学习 | NA | 深度学习重建算法 | 深度学习 | NA | 涉及五台磁共振成像扫描仪 | NA | NA | NA | NA |
| 11835 | 2024-08-07 |
Deep learning reconstruction for turbo spin echo to prospectively accelerate ankle MRI: A multi-reader study
2024-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111451
PMID:38593573
|
研究论文 | 评估深度学习重建技术在加速踝关节磁共振成像中的应用效果 | 深度学习重建技术（DLR-TSE）在踝关节MRI中显著缩短了采集时间，同时提高了图像质量并减少了伪影和噪声 | NA | 评估深度学习重建技术在踝关节MRI中的应用效果 | 踝关节MRI的采集时间、图像质量和病变检测能力 | 计算机视觉 | NA | 深度学习重建技术（DLR-TSE） | NA | 图像 | 56名患者 | NA | NA | NA | NA |
| 11836 | 2024-08-07 |
Thin-slice elbow MRI with deep learning reconstruction: Superior diagnostic performance of elbow ligament pathologies
2024-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111471
PMID:38636411
|
研究论文 | 本研究比较了1毫米切片厚度的MRI与深度学习重建（DLR）和3毫米切片厚度的MRI在肘部肌腱和韧带病理诊断中的图像质量和诊断性能 | 使用深度学习重建技术提高了1毫米切片厚度MRI在诊断肘部肌腱和韧带病理中的性能 | 研究为回顾性研究，且样本量较小 | 评估不同切片厚度和深度学习重建技术对肘部MRI图像质量和诊断性能的影响 | 肘部肌腱和韧带的病理 | 计算机视觉 | NA | MRI | 深度学习重建（DLR） | 图像 | 53名患者 | NA | NA | NA | NA |
| 11837 | 2024-08-07 |
Using deep learning to optimize the prostate MRI protocol by assessing the diagnostic efficacy of MRI sequences
2024-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111470
PMID:38640822
|
研究论文 | 本研究利用深度学习技术评估和优化前列腺MRI协议的诊断效能 | 通过深度学习模型比较加速和完整MRI协议的诊断性能，发现省略特定DWI序列可以减少扫描时间而不影响诊断质量 | NA | 探索使用深度学习优化前列腺MRI协议的方法 | 前列腺MRI协议的诊断效能 | 机器学习 | 前列腺癌 | MRI | 深度学习模型 | 图像 | 840名患者 | NA | NA | NA | NA |
| 11838 | 2024-08-07 |
Deep learning-based radiomics of computed tomography angiography to predict adverse events after initial endovascular repair for acute uncomplicated Stanford type B aortic dissection
2024-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111468
PMID:38648727
|
研究论文 | 本研究旨在构建一个结合深度学习衍生的计算机断层扫描血管造影（CTA）放射组学特征和临床生物标志物的预测模型，以预测急性未复杂化的斯坦福B型主动脉夹层（uTBAD）患者在接受初始胸主动脉腔内修复术（TEVAR）后的不良事件（AEs） | 本研究创新性地将深度学习基础的放射组学与临床指标相结合，用于预测急性uTBAD患者术后不良事件 | NA | 构建一个预测模型，结合CTA的放射组学特征和临床生物标志物，预测急性uTBAD患者术后不良事件 | 急性未复杂化的斯坦福B型主动脉夹层（uTBAD）患者 | 机器学习 | 心血管疾病 | 计算机断层扫描血管造影（CTA） | 三维深度卷积神经网络（CNN） | 图像 | 369名接受TEVAR治疗的急性uTBAD患者 | NA | NA | NA | NA |
| 11839 | 2024-08-07 |
State-of-the-RNArt: benchmarking current methods for RNA 3D structure prediction
2024-Jun, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqae048
PMID:38745991
|
综述 | 本文综述了当前用于RNA 3D结构预测的计算方法，包括模板基和深度学习方法，并使用RNA-Puzzles数据集对九种方法进行了基准测试 | 介绍了深度学习方法在RNA 3D结构预测中的应用潜力 | 深度学习方法在RNA 3D结构预测中的应用仍然具有挑战性 | 评估和比较当前RNA 3D结构预测方法的性能 | RNA 3D结构预测的计算方法 | NA | NA | 深度学习 | NA | 数据集 | 九种方法 | NA | NA | NA | NA |
| 11840 | 2024-08-07 |
Optical color routing enabled by deep learning
2024-May-16, Nanoscale
IF:5.8Q1
DOI:10.1039/d4nr00105b
PMID:38592716
|
综述 | 本文综述了深度学习驱动的纳米颜色路由结构设计，包括正向模拟算法、光子神经网络和多种全局及局部拓扑优化方法 | 介绍了无带通颜色路由的新方法，提供了前所未有的光学光谱效率和亚波长尺度操作，为图像传感应用带来了范式转变 | NA | 探索和比较深度学习驱动的纳米颜色路由结构设计与传统设计方法，总结现有研究并指出未来发展方向 | 纳米颜色路由结构设计及其在图像传感应用中的性能 | 计算机视觉 | NA | 深度学习 | 光子神经网络 | 图像 | NA | NA | NA | NA | NA |