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 12390 篇文献，本页显示第 12121 - 12140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 12121 | 2024-08-07 |
Apriori prediction of chemotherapy response in locally advanced breast cancer patients using CT imaging and deep learning: transformer versus transfer learning
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1359148
PMID:38756659
|
研究论文 | 本研究使用深度学习网络和CT影像预测局部晚期乳腺癌患者对新辅助化疗的反应，比较了ViT变换器和迁移学习网络的性能 | 首次使用ViT变换器和迁移学习网络结合CT影像预测局部晚期乳腺癌患者对新辅助化疗的反应，并展示了注意力机制的重要性 | 研究结果依赖于训练数据和测试数据的分割比例，且不同网络的性能差异较大 | 开发预测模型以预测局部晚期乳腺癌患者对新辅助化疗的肿瘤反应 | 局部晚期乳腺癌患者对新辅助化疗的反应 | 机器学习 | 乳腺癌 | CT影像 | ViT变换器, VGG16, VGG19, ResNet-50, ResNet-101, ResNet-152, InceptionV3, Xception | 影像 | 117名局部晚期乳腺癌患者，其中82名有临床病理反应，35名无反应 | NA | NA | NA | NA |
| 12122 | 2024-08-07 |
Open and remotely accessible Neuroplatform for research in wetware computing
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1376042
PMID:38756757
|
研究论文 | 本文介绍了一个开放且远程访问的神经平台，用于湿件计算和类器官智能的研究 | 开发了一个硬件和软件系统，支持大规模的电生理实验，并设计了微流控系统以自动化培养基流动和更换 | NA | 探索使用生物神经网络进行计算的新方法 | 神经类器官 | 人工智能 | NA | 电生理技术 | NA | 数据 | 超过1,000个脑类器官 | NA | NA | NA | NA |
| 12123 | 2024-08-07 |
Contrastive learning with token projection for Omicron pneumonia identification from few-shot chest CT images
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1360143
PMID:38756944
|
研究论文 | 本文提出了一种名为CoTP的对比学习模型，通过令牌投影技术提高从少量胸部CT图像中识别Omicron肺炎的诊断质量 | 利用无标签数据进行CoTP的拟合，并通过少量标记样本进行微调，同时引入新的Omicron数据集和改进的数据增强策略 | NA | 提高基于少量胸部CT图像的Omicron肺炎诊断效率 | Omicron肺炎的胸部CT图像识别 | 计算机视觉 | 肺炎 | 对比学习 | ResNet50 | 图像 | 少量标记样本和无标签数据 | NA | NA | NA | NA |
| 12124 | 2024-08-07 |
A Survey on 3D Skeleton-Based Action Recognition Using Learning Method
2024, Cyborg and bionic systems (Washington, D.C.)
DOI:10.34133/cbsystems.0100
PMID:38757045
|
综述 | 本文综述了基于三维骨骼的动作识别（3D SAR）在计算机视觉领域的研究进展，特别关注了深度学习架构的应用 | 首次全面讨论了基于深度学习的3D骨骼数据动作识别方法 | 之前的综述主要集中在视频或RGB数据为主的方法，对骨骼数据的覆盖有限 | 强调动作识别的重要性，并突出三维骨骼数据作为宝贵模态的意义 | 基于四种基本深度架构的动作识别技术 | 计算机视觉 | NA | 深度学习 | 循环神经网络、卷积神经网络、图卷积网络、Transformer | 骨骼数据 | 涉及当前最大的3D骨骼数据集NTU-RGB+D及其新版本NTU-RGB+D 120 | NA | NA | NA | NA |
| 12125 | 2024-08-07 |
Human Pose Estimation for Clinical Analysis of Gait Pathologies
2024, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322241231108
PMID:38757143
|
研究论文 | 本研究提出了一种用于定量评估步态障碍的二分类方法，特别是针对杜兴肌营养不良症（DMD）的步态特征进行分析 | 研究利用从YouTube和公开数据集中收集的新颖基准数据集，提取时间距离变量和下肢矢状关节角度，并采用机器学习和深度学习技术进行模式识别 | 当前模型能够区分健康对象和DMD患者，但不能区分DMD患者和其他步态障碍患者 | 开发一种成本效益高的方法，通过分析2D和3D人体姿态估计轨迹来检测步态异常 | 杜兴肌营养不良症（DMD）患者的步态特征 | 计算机视觉 | 神经肌肉疾病 | 人体姿态估计 | 支持向量机（SVM）和深度网络 | 视频（RGB） | 数据来自YouTube和公开数据集的健康儿童 | NA | NA | NA | NA |
| 12126 | 2024-08-07 |
A deep learning model based on contrast-enhanced computed tomography for differential diagnosis of gallbladder carcinoma
2024-Aug, Hepatobiliary & pancreatic diseases international : HBPD INT
IF:3.6Q2
DOI:10.1016/j.hbpd.2023.04.001
PMID:37080813
|
研究论文 | 本研究开发了一种基于对比增强计算机断层扫描（CT）图像的深度学习模型，用于辅助放射科医生鉴别胆囊癌 | 本研究首次使用基于ResNet50网络的深度学习模型，结合对比增强CT图像，用于胆囊癌的鉴别诊断 | 研究样本量相对较小，且仅限于胆囊病变大于10mm的患者 | 开发一种深度学习模型，以辅助放射科医生在早期诊断胆囊癌 | 胆囊癌与良性胆囊病变的鉴别 | 机器学习 | 胆囊癌 | 对比增强CT | ResNet50 | 图像 | 278名胆囊病变大于10mm的患者，分为训练集194例和验证集84例 | NA | NA | NA | NA |
| 12127 | 2024-08-07 |
Performance Evaluation of Deep, Shallow and Ensemble Machine Learning Methods for the Automated Classification of Alzheimer's Disease
2024-Jul, International journal of neural systems
IF:6.6Q1
DOI:10.1142/S0129065724500291
PMID:38576308
|
研究论文 | 本文评估了深度、浅层和集成机器学习方法在阿尔茨海默病自动分类中的性能 | 提出了一种基于机器学习模型的集成分类器，用于磁共振成像数据，准确率达到了96.52%，比最佳个体分类器提高了3-5% | NA | 评估不同机器学习方法在阿尔茨海默病分类中的性能，帮助选择最适合数据可用性的算法 | 阿尔茨海默病及其相关认知状态的分类 | 机器学习 | 阿尔茨海默病 | 机器学习 | 集成分类器 | 磁共振成像数据 | 使用了阿尔茨海默病神经成像倡议和开放获取影像研究系列数据集 | NA | NA | NA | NA |
| 12128 | 2024-08-07 |
Deepm6A-MT: A deep learning-based method for identifying RNA N6-methyladenosine sites in multiple tissues
2024-Jun, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2024.03.004
PMID:38485031
|
研究论文 | 本文提出了一种基于双向门控循环单元（Bi-GRU）和卷积神经网络（CNN）的改进方法Deepm6A-MT，用于预测RNA N6-甲基腺苷（m6A）修饰位点 | Deepm6A-MT通过两个输入通道提高了预测准确性和效率，其中一个通道使用嵌入层后接Bi-GRU和CNN，另一个通道使用单热编码、二核苷酸单热编码和核苷酸化学性质编码 | NA | 开发一种新的深度学习方法，以提高RNA m6A修饰位点的预测性能 | RNA m6A修饰位点 | 机器学习 | NA | 双向门控循环单元（Bi-GRU）和卷积神经网络（CNN） | Bi-GRU和CNN | RNA序列 | NA | NA | NA | NA | NA |
| 12129 | 2024-08-07 |
Deep learning methods in biomedical informatics
2024-Jun, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2024.04.002
PMID:38588786
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12130 | 2024-08-07 |
DEEP-EP: Identification of epigenetic protein by ensemble residual convolutional neural network for drug discovery
2024-Jun, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2024.04.004
PMID:38621436
|
研究论文 | 本文提出了一种基于深度学习的新模型，用于准确预测表观遗传蛋白（EP） | 引入了基于深度学习的模型，结合DDE编码和ERCNN模型，实现了对EP的精确预测 | NA | 旨在通过深度学习技术加速表观遗传蛋白的研究和药物发现 | 表观遗传蛋白（EP） | 机器学习 | NA | 深度学习 | ERCNN | 蛋白质序列 | 两个不同的数据集 | NA | NA | NA | NA |
| 12131 | 2024-08-07 |
Language model based on deep learning network for biomedical named entity recognition
2024-Jun, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2024.04.013
PMID:38641084
|
研究论文 | 本文提出了一种基于BiLSTM-CRF架构的多任务学习框架，结合语言模型用于生物医学命名实体识别，通过差异化编码和多任务学习方法提高实体识别性能 | 模型使用语言模型设计差异化编码，获取动态词向量以区分不同数据集中的词汇，并通过多任务学习方法共享不同类型实体的动态词向量 | 深度学习方法需要大量训练数据，数据不足会影响模型识别性能 | 解决生物医学命名实体识别任务中多义词和数据不足的问题 | 生物医学文本中的命名实体 | 自然语言处理 | NA | 深度学习 | BiLSTM-CRF | 文本 | 四个典型训练集 | NA | NA | NA | NA |
| 12132 | 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 |
| 12133 | 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 |
| 12134 | 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 |
| 12135 | 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 |
| 12136 | 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 |
| 12137 | 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 |
| 12138 | 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 |
| 12139 | 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 |
| 12140 | 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 |