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！
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。
当前共找到 12073 篇文献，本页显示第 1421 - 1440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1421 | 2025-04-03 |
Discriminative analysis of schizophrenia patients using an integrated model combining 3D CNN with 2D CNN: A multimodal MR image and connectomics analysis
2024-01, Brain research bulletin
IF:3.5Q2
|
research paper | 该研究提出了一种结合3D CNN和2D CNN的集成模型，用于通过多模态MRI数据对精神分裂症患者进行分类 | 首次将3D CNN与2D CNN结合用于精神分裂症患者的分类，并引入了SE-blocks和SVM分类器以提高性能 | 样本量相对较小（140名患者和205名正常对照），且仅使用了两种MRI模态数据 | 提高精神分裂症患者的分类性能，探索其在精神疾病临床诊断中的潜力 | 精神分裂症患者和正常对照 | digital pathology | schizophrenia | structural MRI (sMRI), resting-state functional MRI (rs-fMRI) | 3D CNN, 2D CNN, SVM | MRI图像（3D和2D矩阵） | 140名精神分裂症患者和205名正常对照 |
| 1422 | 2025-04-02 |
State-of-the-Art Deep Learning CT Reconstruction Algorithms in Abdominal Imaging
2024-12, Radiographics : a review publication of the Radiological Society of North America, Inc
IF:5.2Q1
DOI:10.1148/rg.240095
PMID:39612283
|
review | 本文综述了深度学习CT重建算法在腹部成像中的最新进展及其临床应用 | 深度学习重建（DLR）算法能够有效减少低辐射剂量协议下的图像噪声，并提高重建速度，解决了传统CT图像重建算法在低辐射剂量下无法保持图像纹理和诊断性能的问题 | 文章概述了DLR算法在CT中的当前局限性，并展望了未来的发展方向 | 探讨深度学习CT重建算法的技术细节及其在腹部成像中的临床应用 | 深度学习CT重建算法及其在腹部CT成像中的应用 | digital pathology | NA | deep learning reconstruction (DLR) | deep neural networks | image | NA |
| 1423 | 2025-04-02 |
Periapical lesion detection in periapical radiographs using the latest convolutional neural network ConvNeXt and its integrated models
2024-10-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-75748-9
PMID:39455655
|
研究论文 | 本研究提出了一种新型深度学习集成模型YoCNET，结合Yolov5的目标检测能力和ConvNeXt的图像分类能力，用于根尖周X光片中牙齿的自动分割和多颗牙齿根尖周病变的并发检测 | 提出YoCNET集成模型，首次将Yolov5的目标检测能力与ConvNeXt的图像分类能力相结合，实现牙齿自动分割和多颗牙齿根尖周病变的并发检测 | 乳牙被排除在数据集之外，可能影响模型在乳牙病变检测上的表现 | 开发一种能够同时识别根尖周X光片中多个病变目标的深度学习模型 | 根尖周X光片中的牙齿和根尖周病变 | 数字病理学 | 牙科疾病 | 深度学习 | YoCNET (Yolov5 + ConvNeXt), YoRNET (Yolov5 + ResNet34) | X光图像 | 1305张根尖周X光片用于训练和验证，另外从200张X光片中提取717颗单独牙齿图像用于集成模型验证 |
| 1424 | 2024-09-25 |
Construction of Risk Prediction Model of Type 2 Diabetic Kidney Disease Based on Deep Learning (Diabetes Metab J 2024;48:771-9)
2024-09, Diabetes & metabolism journal
IF:6.8Q1
DOI:10.4093/dmj.2024.0490
PMID:39313234
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1425 | 2025-04-02 |
Examining the Role of Passive Design Indicators in Energy Burden Reduction: Insights from a Machine Learning and Deep Learning Approach
2024-Feb-15, Building and environment
IF:7.1Q1
DOI:10.1016/j.buildenv.2023.111126
PMID:39155966
|
研究论文 | 本研究结合深度学习和机器学习技术，探讨被动设计指标在降低住宅建筑能源负担中的作用 | 采用深度学习驱动的计算机视觉与机器学习相结合的方法，解决被动设计特征数据稀缺的问题 | 研究仅基于芝加哥大都市区的数据，可能无法推广到其他地区 | 评估被动设计特征对住宅能源负担的影响，为智能和可持续城市建设提供见解 | 芝加哥大都市区的住宅建筑 | 计算机视觉 | NA | 深度学习、机器学习 | CNN、决策树回归、随机森林回归、支持向量回归 | 图像、人口统计数据 | 基于Google街景图像的芝加哥大都市区住宅建筑 |
| 1426 | 2025-04-02 |
Deep learning of sleep apnea-hypopnea events for accurate classification of obstructive sleep apnea and determination of clinical severity
2024-02, Sleep medicine
IF:3.8Q1
DOI:10.1016/j.sleep.2024.01.015
PMID:38232604
|
研究论文 | 本研究评估了一种结合鼻呼吸流量、外周血氧饱和度和心电图信号的深度学习方法，用于改进睡眠呼吸暂停/低通气事件的检测和阻塞性睡眠呼吸暂停的严重程度筛查 | 提出了一种结合多种生理信号和人口统计数据的Xception网络，显著提高了睡眠呼吸暂停/低通气事件的检测准确率和阻塞性睡眠呼吸暂停的严重程度分类性能 | 在低通气事件为主的参与者中分类错误较多 | 开发一种自动检测睡眠呼吸暂停/低通气事件并确定阻塞性睡眠呼吸暂停临床严重程度的方法 | 睡眠呼吸暂停/低通气事件和阻塞性睡眠呼吸暂停患者 | 机器学习 | 阻塞性睡眠呼吸暂停 | 多导睡眠图(PSG) | Xception网络 | 生理信号(呼吸流量、血氧饱和度、心电图)和人口统计数据 | NA |
| 1427 | 2025-04-02 |
Sleep, physical activity and panic attacks: A two-year prospective cohort study using smartwatches, deep learning and an explainable artificial intelligence model
2024-02, Sleep medicine
IF:3.8Q1
DOI:10.1016/j.sleep.2023.12.013
PMID:38154150
|
研究论文 | 一项为期两年的前瞻性队列研究，利用智能手表、深度学习和可解释的人工智能模型预测恐慌发作及焦虑状态 | 首次结合智能手表数据、深度学习和可解释AI方法预测恐慌发作及焦虑状态，并识别关键影响因素 | 样本量中等且依赖自评问卷 | 预测恐慌发作(PA)、状态焦虑(SA)、特质焦虑(TA)和恐慌障碍严重程度(PDS) | 114名恐慌障碍(PD)患者 | 机器学习 | 恐慌障碍 | RNN, LSTM, GRU深度学习模型及SHAP可解释方法 | LSTM | 可穿戴设备记录的睡眠、体力活动和心率数据，以及临床问卷数据 | 114名PD患者，数据收集时间为2020年6月16日至2022年6月10日 |
| 1428 | 2024-10-02 |
Deep learning sharpens vistas on biodiversity mapping
2024-Oct-08, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2416358121
PMID:39348547
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1429 | 2025-04-01 |
A Deep Learning-based Pipeline for Segmenting the Cerebral Cortex Laminar Structure in Histology Images
2024-Oct, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-024-09688-0
PMID:39417954
|
研究论文 | 本文提出了一种基于深度学习的流程，用于在组织学图像中分割大脑皮层的层状结构 | 开发了一种新颖的计算框架，结合AI工具获取皮层标签，并使用深度学习模型进行皮层分层分割，相比现有方法在分割质量上有显著提升 | 仅针对普通狨猴的Nissl染色和髓鞘染色切片图像进行研究，未在其他物种或染色方法上验证 | 理解大脑皮层层状结构的解剖学特征及其连接模式，为神经系统疾病研究提供见解 | 普通狨猴大脑的Nissl染色和髓鞘染色切片图像 | 数字病理学 | 神经系统疾病 | 深度学习 | 深度学习模型（未明确具体类型） | 图像 | 普通狨猴大脑切片图像（具体数量未说明） |
| 1430 | 2025-04-01 |
Modeling protein-small molecule conformational ensembles with ChemNet
2024-Sep-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.25.614868
PMID:39386615
|
research paper | 该研究开发了一种名为ChemNet的图神经网络，用于模拟蛋白质-小分子系统的构象异质性 | ChemNet能够快速生成小分子和蛋白质-小分子系统的构象集合，并在酶设计方面表现出更高的成功率和活性 | NA | 模拟蛋白质-小分子系统的构象异质性，并提高酶设计的成功率 | 蛋白质-小分子系统 | machine learning | NA | graph neural network | ChemNet | atomic level structures | 数据来自Cambridge Structural Database和Protein Data Bank |
| 1431 | 2024-08-07 |
Comment on 'Deep learning-assisted detection and segmentation of intracranial hemorrhage in noncontrast computed tomography scans of acute stroke patients: a systematic review and meta-analysis'
2024-Sep-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000001718
PMID:38814316
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1432 | 2025-04-01 |
Automated segmentation of the median nerve in patients with carpal tunnel syndrome
2024-07-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-65840-5
PMID:39033223
|
研究论文 | 本研究利用U-Net网络训练算法，自动分割腕管综合征患者的正中神经超声图像并测量其横截面积 | 采用深度学习技术自动分割正中神经并测量其横截面积，为腕管综合征的诊断提供新方法 | 样本量较小（25例患者和26例健康对照），且自动化测量与手动测量存在10.9%的差异 | 开发一种自动化技术用于腕管综合征的诊断验证 | 腕管综合征患者和健康对照的正中神经超声图像 | 医学影像 | 腕管综合征 | 超声成像 | U-Net | 图像 | 25例腕管综合征患者和26例健康对照的2355张手动分割图像 |
| 1433 | 2025-04-01 |
VesselBoost: A Python Toolbox for Small Blood Vessel Segmentation in Human Magnetic Resonance Angiography Data
2024-May-22, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.22.595251
PMID:38826408
|
research paper | 介绍了一个名为VesselBoost的Python工具箱，用于在人类磁共振血管造影数据中进行小血管分割 | 结合深度学习和不完美训练标签进行血管分割，并利用创新的数据增强技术 | 需要大量正确和全面标记的数据集，这在实践中可能难以获得 | 通过高分辨率MRA数据进行小血管的定量表征和精确表示，以支持血流模拟 | 人类大脑的小血管 | digital pathology | cardiovascular disease | MRA, deep learning | deep learning-based methods | image | NA |
| 1434 | 2025-04-01 |
Areas of interest and sentiment analysis towards second generation antipsychotics, lithium and mood stabilizing anticonvulsants: Unsupervised analysis using Twitter
2024-04-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.01.234
PMID:38290587
|
研究论文 | 通过分析Twitter上关于第二代抗精神病药物、锂盐和情绪稳定抗癫痫药物的提及和情感，探讨患者和公众对这些药物的态度和信念 | 利用社交媒体数据（Twitter）和AI技术（机器学习和深度学习）分析患者对精神疾病药物的态度和情感，揭示了不同语言和文化背景下的讨论差异 | Twitter数据的简短性可能无法完全捕捉讨论的细微差别，且研究药物的广泛治疗用途使得难以隔离特定疾病的讨论，仅分析了英语和西班牙语的推文，限制了文化广度的发现 | 理解患者和公众对精神分裂症及相关精神病性障碍（SRD）或双相情感障碍（BD）治疗药物的态度和信念 | Twitter上关于第二代抗精神病药物、锂盐和情绪稳定抗癫痫药物的提及和情感 | 自然语言处理 | 精神分裂症及相关精神病性障碍（SRD）或双相情感障碍（BD） | 机器学习, 深度学习, 自然语言处理 | NA | 文本 | 893,289条推文（2008年至2022年） |
| 1435 | 2025-04-01 |
Larger hypothalamic subfield volumes in patients with chronic insomnia disorder and relationships to levels of corticotropin-releasing hormone
2024-04-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.02.023
PMID:38341156
|
研究论文 | 本研究探讨了慢性失眠症患者与健康对照组在下丘脑及其亚区体积上的差异，并分析了这些差异与失眠症状严重程度及HPA轴相关血液生物标志物的关系 | 首次使用基于深度学习的自动分割工具研究慢性失眠症患者下丘脑亚区体积变化，并揭示前部下丘脑肥大在CRH水平与失眠严重程度关系中的中介作用 | 研究样本量相对有限，且为横断面研究无法确定因果关系 | 探究慢性失眠症患者下丘脑亚区体积变化及其与HPA轴功能的关系 | 150名慢性失眠症患者和155名人口统计学匹配的健康对照 | 数字病理学 | 睡眠障碍 | T1加权结构磁共振扫描，深度学习自动分割 | 深度学习 | MRI图像 | 305人（150名患者和155名对照） |
| 1436 | 2025-04-01 |
Research and application of deep learning-based sleep staging: Data, modeling, validation, and clinical practice
2024-04, Sleep medicine reviews
IF:11.2Q1
DOI:10.1016/j.smrv.2024.101897
PMID:38306788
|
综述 | 本文全面回顾了基于深度学习的睡眠分期技术的最新方法，包括数据处理、建模、验证及临床应用 | 深入探讨了深度学习在睡眠分期中的应用，特别是在大规模数据集、跨学科合作和人机交互方面的创新 | 未提及具体实验数据或模型性能的详细比较 | 提高睡眠分期的效率和准确性，促进其在临床实践和日常生活中的应用 | 睡眠分期的自动化系统 | 机器学习 | 睡眠障碍 | 深度学习 | NA | 信号数据 | NA |
| 1437 | 2025-03-30 |
STMGraph: spatial-context-aware of transcriptomes via a dual-remasked dynamic graph attention model
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae685
PMID:39764614
|
研究论文 | 介绍了一种名为STMGraph的双重掩蔽动态图注意力模型，用于空间转录组数据的全局上下文感知分析 | 提出了一种结合双重掩蔽机制(MASK-REMASK)与动态图注意力模型(DGAT)的新型深度学习框架，能够更好地处理空间转录组数据 | 未明确提及具体局限性 | 提高空间转录组数据分析的准确性和鲁棒性，实现微环境异质性检测、空间域聚类和批次效应校正 | 空间转录组数据 | 生物信息学 | NA | 空间转录组技术 | 动态图注意力模型(DGAT) | 空间转录组数据 | 未明确提及具体样本量 |
| 1438 | 2025-03-30 |
Artificial intelligence-based assessment of built environment from Google Street View and coronary artery disease prevalence
2024-May-07, European heart journal
IF:37.6Q1
DOI:10.1093/eurheartj/ehae158
PMID:38544295
|
研究论文 | 本研究利用Google街景图像和深度学习技术评估建筑环境与冠状动脉疾病患病率之间的关联 | 首次将深度学习应用于Google街景图像分析，建立建筑环境特征与心血管疾病患病率的关联模型 | 横断面研究设计无法确定因果关系，研究仅限于美国七个城市 | 探索基于机器视觉的建筑环境评估与心血管疾病患病率之间的关系 | 美国七个城市的789个人口普查区的建筑环境特征 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN, 线性混合效应模型 | 图像 | 53万张Google街景图像，覆盖7个美国城市的789个人口普查区 |
| 1439 | 2025-03-30 |
Robustness of ML-Based Seizure Prediction Using Noisy EEG Data From Limited Channels
2024 Apr-May, ... International Conference on Distributed Computing in Sensor Systems and workshops. DCOSS (Conference)
|
研究论文 | 本文研究了基于机器学习的癫痫发作预测模型在噪声EEG数据和有限通道条件下的鲁棒性 | 评估了DL模型在临床级EEG数据训练但消费级可穿戴EEG头戴设备数据测试时的表现，特别是在通道减少、流数据和类别不平衡情况下的鲁棒性 | 研究仅针对SPERTL模型进行评估，可能不适用于其他DL模型 | 提高癫痫发作预测模型在真实世界条件下的准确性和适用性 | 癫痫患者的EEG数据 | 机器学习 | 癫痫 | EEG | DL(SPERTL模型) | EEG信号数据 | NA |
| 1440 | 2025-03-30 |
DARDN: A Deep-Learning Approach for CTCF Binding Sequence Classification and Oncogenic Regulatory Feature Discovery
2024-01-23, Genes
IF:2.8Q2
DOI:10.3390/genes15020144
PMID:38397134
|
研究论文 | 本文提出了一种名为DARDN的深度学习方法，用于CTCF结合序列分类和致癌调控特征的发现 | 利用CNN预测癌症特异性CTCF结合位点，并采用DeepLIFT解释模型输入特征的贡献，从而识别与癌症特异性CTCF结合相关的DNA序列特征 | 未明确提及具体局限性 | 研究癌症基因组学中基因调控机制的表征 | CTCF结合位点及其在癌症中的特异性结合模式 | 机器学习 | T细胞急性淋巴细胞白血病（T-ALL）、急性髓系白血病（AML）、乳腺癌（BRCA）、结直肠癌（CRC）、肺腺癌（LUAD）和前列腺癌（PRAD） | 高通量测序 | CNN | DNA序列 | 涉及多种癌症类型的CTCF结合位点DNA序列 |