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 408 篇文献，本页显示第 301 - 320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 301 | 2024-09-14 |
pyM2aia: Python interface for mass spectrometry imaging with focus on deep learning
2024-03-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae133
PMID:38445753
|
研究论文 | 本文介绍了一个名为pyM2aia的Python包，专注于质谱成像（MSI）数据的深度学习任务 | pyM2aia优化了MSI数据的内存处理和访问，便于深度学习应用 | NA | 开发一个适用于质谱成像数据深度学习任务的Python接口 | 质谱成像数据及其在深度学习中的应用 | 机器学习 | NA | 质谱成像 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 302 | 2024-09-14 |
iNGNN-DTI: prediction of drug-target interaction with interpretable nested graph neural network and pretrained molecule models
2024-03-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae135
PMID:38449285
|
研究论文 | 提出了一种可解释的嵌套图神经网络iNGNN-DTI，用于药物-靶点相互作用预测，并结合了预训练的分子和蛋白质模型 | 使用预训练的分子和蛋白质模型，通过交叉注意力模块捕捉药物和靶点子结构之间的相互作用信息，提高了特征表示能力 | 未提及 | 预测药物与蛋白质靶点之间的相互作用 | 药物和蛋白质靶点 | 机器学习 | NA | 图神经网络 | 嵌套图神经网络 | 图数据 | 三个基准数据集 | NA | NA | NA | NA |
| 303 | 2024-09-14 |
AACFlow: an end-to-end model based on attention augmented convolutional neural network and flow-attention mechanism for identification of anticancer peptides
2024-03-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae142
PMID:38452348
|
研究论文 | 本文提出了一种基于注意力增强卷积神经网络和流注意力机制的端到端模型AACFlow，用于识别抗癌肽 | 本文创新性地结合了注意力增强卷积神经网络和多层卷积神经网络，形成深度表示学习模块，并引入基于流网络的多头流注意力机制，以挖掘序列的深层特征，提高模型效率 | NA | 开发一种高效的端到端模型，用于识别抗癌肽 | 抗癌肽的识别 | 机器学习 | NA | 卷积神经网络 | CNN | 序列 | 独立测试数据集 | NA | NA | NA | NA |
| 304 | 2024-09-13 |
Machine learning and single-cell transcriptome profiling reveal regulation of fibroblast activation through THBS2/TGFβ1/P-Smad2/3 signalling pathway in hypertrophic scar
2024-Mar, International wound journal
IF:2.6Q1
DOI:10.1111/iwj.14481
PMID:37986676
|
研究论文 | 本研究通过单细胞转录组测序和机器学习方法，揭示了肥厚性瘢痕中纤维母细胞激活的调控机制 | 首次通过单细胞转录组测序和多种机器学习算法，识别出与肥厚性瘢痕相关的关键基因模块，并建立了基于卷积神经网络的诊断和预测模型 | 研究样本量较小，可能影响结果的普适性 | 揭示肥厚性瘢痕形成机制，并提供诊断和治疗的新生物标志物 | 肥厚性瘢痕中的纤维母细胞及其相关基因 | 数字病理学 | 皮肤疾病 | 单细胞RNA测序 | 卷积神经网络 | 基因表达数据 | 正常皮肤和肥厚性瘢痕样本 | NA | NA | NA | NA |
| 305 | 2024-09-11 |
Utilizing adaptive deformable convolution and position embedding for colon polyp segmentation with a visual transformer
2024-03-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-57993-0
PMID:38538774
|
研究论文 | 本文提出了一种基于视觉变换器的结肠息肉分割模型，结合了自适应可变形卷积和位置嵌入 | 本文提出的Polyp-Vision Transformer (Polyp-ViT)模型在传统Transformer架构基础上，增强了特征提取和位置嵌入的自适应机制 | NA | 开发一种自动化的结肠息肉检测系统，以辅助早期诊断结直肠癌 | 结肠息肉 | 计算机视觉 | 结直肠癌 | 视觉变换器 (ViT) | Transformer | 图像 | 在Kvasir-seg和CVC-Clinic DB数据集上进行了测试，分别包含NA和NA个样本 | NA | NA | NA | NA |
| 306 | 2024-09-08 |
Deep5hmC: Predicting genome-wide 5-Hydroxymethylcytosine landscape via a multimodal deep learning model
2024-Mar-06, bioRxiv : the preprint server for biology
DOI:10.1101/2024.03.04.583444
PMID:38496575
|
研究论文 | 本文介绍了一种名为Deep5hmC的多模态深度学习框架，用于预测全基因组范围内的5-羟甲基胞嘧啶修饰 | Deep5hmC通过整合DNA序列和组蛋白修饰信息，显著提高了5hmC修饰的定性和定量预测能力 | NA | 开发一种能够准确预测全基因组范围内5-羟甲基胞嘧啶修饰的深度学习模型 | 5-羟甲基胞嘧啶修饰及其在基因表达调控中的作用 | 机器学习 | 阿尔茨海默病 | 深度学习 | 多模态深度学习模型 | DNA序列和组蛋白修饰数据 | 在四个时间点的前脑类器官发育和17种人体组织中收集的5hmC测序数据 | NA | NA | NA | NA |
| 307 | 2024-09-08 |
An open-source toolbox for measuring vocal tract shape from real-time magnetic resonance images
2024-03, Behavior research methods
IF:4.6Q1
DOI:10.3758/s13428-023-02171-9
PMID:37507650
|
研究论文 | 本文介绍了一种从实时磁共振图像中测量声道形状的开源工具箱 | 提出了一个信号处理流程，能够从唇部到喉部的实时磁共振图像中生成声道轮廓，量化声道的动态形态 | 该方法依赖于研究者指定的感兴趣区域，且尚未完全自动化 | 开发一种能够从实时磁共振图像中量化声道形态的工具 | 实时磁共振图像中的声道形态 | 计算机视觉 | NA | 实时磁共振成像 (rtMRI) | NA | 图像 | 涵盖了多种行为的数据集，如说话、夸张的语音、笑声和口哨声 | NA | NA | NA | NA |
| 308 | 2024-09-08 |
Characterisation of quantitative imaging biomarkers for inflammatory and fibrotic radiation-induced lung injuries using preclinical radiomics
2024-03, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110106
PMID:38253201
|
研究论文 | 本研究利用放射组学技术，通过定量影像生物标志物识别急性炎症和晚期纤维化放射性肺损伤的预后和预测标志物 | 首次在临床前模型中应用深度学习放射组学技术，建立了急性炎症和晚期肺损伤的预测模型 | 研究仅限于小鼠模型，尚未在人类中验证 | 识别与放射性肺损伤相关的放射组学特征，并建立预测模型 | C3H/HeN和C57BL6小鼠的放射性肺损伤 | 数字病理学 | 肺损伤 | 放射组学 | 随机森林分类器 | 影像 | C3H/HeN和C57BL6小鼠各若干只 | NA | NA | NA | NA |
| 309 | 2024-09-08 |
Evaluating AI-generated CBCT-based synthetic CT images for target delineation in palliative treatments of pelvic bone metastasis at conventional C-arm linacs
2024-03, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110110
PMID:38272314
|
研究论文 | 评估基于AI生成的CBCT合成CT图像在常规C臂直线加速器上进行骨盆骨转移姑息治疗中的靶区勾画和治疗计划的可行性 | 利用深度学习模型生成CBCT合成CT图像，以提高常规C臂直线加速器上姑息治疗中靶区勾画的准确性 | 部分合成CT图像质量不足，需要通过增加PTV边距来补偿 | 评估AI生成的CBCT合成CT图像在姑息放射治疗中的靶区勾画和治疗计划的可行性 | 22名骨盆骨转移的女性患者 | 计算机视觉 | 骨转移 | 深度学习 | 深度学习模型 | 图像 | 22名女性患者，23个靶区 | NA | NA | NA | NA |
| 310 | 2024-09-07 |
RNA3DB: A structurally-dissimilar dataset split for training and benchmarking deep learning models for RNA structure prediction
2024-Mar-11, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.30.578025
PMID:38352531
|
研究论文 | 本文介绍了RNA3DB数据集，用于训练和基准测试深度学习模型进行RNA结构预测 | 提出了RNA3DB数据集，通过将RNA 3D链分成非冗余的组件，确保训练集和测试集在序列和结构上的差异，从而避免性能虚高的问题 | NA | 开发一个可重复且可定制的工具，用于生成结构上不相似的RNA数据集分割 | RNA结构预测的深度学习模型 | 机器学习 | NA | 深度学习 | 深度学习模型 | 结构化RNA数据 | RNA3DB数据集包含从蛋白质数据库（PDB）中提取的结构化RNA，具体样本数量未明确提及 | NA | NA | NA | NA |
| 311 | 2024-09-07 |
Transcranial direct current stimulation improves motor function in rats with 6-hydroxydopamine-induced Parkinsonism
2024-03-05, Behavioural brain research
IF:2.6Q3
DOI:10.1016/j.bbr.2023.114815
PMID:38122905
|
研究论文 | 研究探讨了经颅直流电刺激（tDCS）对6-羟多巴胺诱导的帕金森病大鼠模型运动功能的改善作用 | 首次使用深度学习视频分析（DeepLabCut）检测帕金森病大鼠在跑步机行走时的前肢运动异常 | tDCS治疗效果是短暂的，停止治疗后效果迅速消失 | 研究tDCS对帕金森病大鼠运动功能的改善效果 | 6-羟多巴胺诱导的帕金森病大鼠模型 | 神经科学 | 帕金森病 | 经颅直流电刺激（tDCS） | NA | 视频 | 实验涉及的样本为帕金森病大鼠模型 | NA | NA | NA | NA |
| 312 | 2024-09-06 |
Context-dependent design of induced-fit enzymes using deep learning generates well-expressed, thermally stable and active enzymes
2024-Mar-12, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2313809121
PMID:38437538
|
研究论文 | 本文介绍了一种基于深度学习的酶设计策略CoSaNN，用于结构预测和序列优化，旨在提高酶的表达水平、热稳定性和催化多样性 | 引入CoSaNN策略，通过深度学习控制酶构象，扩展化学空间，采用上下文依赖的方法生成酶设计，并开发了预测蛋白质溶解度的图神经网络SolvIT | 未提及具体限制 | 提高工程酶在工业应用中的表达水平、热稳定性和催化多样性 | 酶的表达水平、热稳定性和催化活性 | 机器学习 | NA | 深度学习 | 图神经网络 | 蛋白质序列和结构数据 | 54%的酶在表达中成功，30%的酶热稳定性提高 | NA | NA | NA | NA |
| 313 | 2024-09-06 |
Improved Vertebral Fracture Assessment: The Game-Changing Potential of Deep Learning with Multidetector CT
2024-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240409
PMID:38530170
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 314 | 2024-08-31 |
Gaussian Aquila optimizer based dual convolutional neural networks for identification and grading of osteoarthritis using knee joint images
2024-03-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-57002-4
PMID:38538646
|
研究论文 | 本研究利用基于高斯鹰优化器的双卷积神经网络对膝关节图像进行识别和分级，以诊断骨关节炎 | 提出了一种新的高斯鹰优化器（GAO），用于优化双卷积神经网络（DCNN）模型的参数，该模型通过减少层数来降低计算负担 | NA | 旨在通过早期检测骨关节炎并及时治疗，减轻患者的疼痛 | 骨关节炎患者的膝关节图像 | 计算机视觉 | 骨关节炎 | 卷积神经网络 | 双卷积神经网络 | 图像 | 总共2283张膝关节图像，其中1267张为正常膝关节图像，1016张为骨关节炎图像 | NA | NA | NA | NA |
| 315 | 2024-08-31 |
Detecting abnormal cell behaviors from dry mass time series
2024-03-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-57684-w
PMID:38528035
|
研究论文 | 本文介绍了一种新的自监督学习模型StArDusTS，用于检测细胞群体中的异常行为，通过分析细胞随时间的干质量时间序列来实现 | 提出了一个新颖的自监督学习模型StArDusTS，用于自动检测细胞异常行为，无需预先标签 | NA | 开发一种能够预测单细胞病理变化的新型自监督学习模型 | 细胞群体中的异常行为检测 | 机器学习 | NA | 自监督学习 | StArDusTS | 时间序列 | 涉及不同细胞系 | NA | NA | NA | NA |
| 316 | 2024-08-31 |
PlaqueNet: deep learning enabled coronary artery plaque segmentation from coronary computed tomography angiography
2024-Mar-22, Visual computing for industry, biomedicine, and art
DOI:10.1186/s42492-024-00157-8
PMID:38514491
|
研究论文 | 本文介绍了一种名为PlaqueNet的深度学习方法，用于从冠状动脉CT血管造影图像中分割冠状动脉斑块 | 采用了先进的残差网络模块和深度可分离空洞空间金字塔池化结合双三次高效通道注意力（DASPP-BICECA）模块，提高了特征提取能力和分割准确性 | NA | 旨在通过深度学习技术提高冠状动脉斑块的检测准确性，以支持早期治疗和降低心血管疾病风险 | 冠状动脉斑块的分割 | 计算机视觉 | 心血管疾病 | 冠状动脉CT血管造影（CCTA） | CNN | 图像 | 未具体说明样本数量 | NA | NA | NA | NA |
| 317 | 2024-08-29 |
A deep learning method for multi-task intelligent detection of oral cancer based on optical fiber Raman spectroscopy
2024-03-14, Analytical methods : advancing methods and applications
IF:2.7Q1
DOI:10.1039/d3ay02250a
PMID:38419435
|
研究论文 | 本文提出了一种结合拉曼光谱和深度学习的多任务智能口腔癌检测方法 | 该方法能够同时处理肿瘤分期、淋巴结分期和组织学分级等多个分类任务，并采用了四种不同的多任务网络模型 | 初步实验结果显示模型性能良好，但仍需进一步验证和优化 | 开发一种有效的多任务智能口腔癌检测方法，以提高诊断准确性 | 口腔癌患者的正常和癌变组织样本 | 机器学习 | 口腔癌 | 拉曼光谱 | 多任务网络模型（MTN-Alexnet, MTN-Googlenet, MTN-Resnet50, MTN-Transformer） | 拉曼光谱数据 | 70个组织样本，来自35名口腔癌患者 | NA | NA | NA | NA |
| 318 | 2024-08-29 |
Deep Learning to Differentiate Benign and Malignant Vertebral Fractures at Multidetector CT
2024-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.231429
PMID:38530172
|
研究论文 | 研究基于CT的深度学习模型区分良性与恶性椎体骨折的可靠性 | 开发了使用三维U-Net编码器-分类器架构的深度学习模型，并应用数据增强技术，提高了区分良性与恶性椎体骨折的能力 | 研究使用了回顾性数据，且外部测试集来自单一额外医院 | 探讨深度学习模型在区分良性与恶性椎体骨折中的可靠性 | 良性与恶性椎体骨折的CT扫描图像 | 计算机视觉 | NA | 深度学习 | 三维U-Net | CT扫描图像 | 训练集包含381名患者，1307个椎骨；内部和外部测试集分别包含86名和65名患者 | NA | NA | NA | NA |
| 319 | 2024-08-29 |
WATUNet: a deep neural network for segmentation of volumetric sweep imaging ultrasound
2024-Mar-01, Machine learning: science and technology
DOI:10.1088/2632-2153/ad2e15
PMID:38464559
|
研究论文 | 本文介绍了一种名为Wavelet_Attention_UNet（WATUNet）的新型分割模型，该模型通过在编码器和解码器之间加入小波门和注意力门，改进了传统UNet架构的局限性，提高了模型性能。 | WATUNet模型通过引入小波门和注意力门，解决了传统UNet架构中的梯度消失问题，增强了多尺度特征提取和选择性区域注意力。 | NA | 旨在通过深度学习技术，特别是卷积神经网络，改进乳腺癌诊断的准确性、节省时间和成本，并改善患者治疗效果。 | 研究对象包括公共的'Breast Ultrasound Images'数据集和作者在罗切斯特大学采集的私有VSI数据集，涵盖了三种类型的病变：无肿块、良性肿块和恶性肿块。 | 计算机视觉 | 乳腺癌 | 卷积神经网络 | WATUNet | 图像 | 使用了780张公共数据集图像和3818张私有VSI数据集图像 | NA | NA | NA | NA |
| 320 | 2024-08-28 |
AsymMirai: Interpretable Mammography-based Deep Learning Model for 1-5-year Breast Cancer Risk Prediction
2024-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.232780
PMID:38501952
|
研究论文 | 研究通过分析双侧不对称性，构建了一个可解释的深度学习模型AsymMirai，用于预测1-5年乳腺癌风险 | AsymMirai模型通过引入局部双侧不对称性模块，提高了模型的解释性，并能近似Mirai模型的预测性能 | 研究为回顾性研究，且样本主要来自EMBED数据库，可能存在选择偏倚 | 旨在探索双侧不对称性是否是Mirai模型推理过程的基础，并构建一个简化的、可解释的模型AsymMirai | 乳腺癌风险预测 | 数字病理学 | 乳腺癌 | 深度学习 | CNN | 影像 | 210,067张筛查乳腺X线照片，来自81,824名患者 | NA | NA | NA | NA |