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 395 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 | 2024-08-31 |
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 |
| 302 | 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 |
| 303 | 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 |
| 304 | 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 |
| 305 | 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 |
| 306 | 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 |
| 307 | 2024-08-27 |
GeneAI 3.0: powerful, novel, generalized hybrid and ensemble deep learning frameworks for miRNA species classification of stationary patterns from nucleotides
2024-03-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-56786-9
PMID:38531923
|
research paper | 本文介绍了AtheroPoint的GeneAI 3.0，一种用于从miRNA序列中的固定模式提取特征的强大、新颖且通用的方法，基于机器学习（EML）和卷积神经网络（CNN）的深度学习（EDL）框架 | GeneAI 3.0利用五种传统特征和三种现代特征生成复合特征集，并通过新的分类器设计，显著提高了miRNA物种分类的准确性和可靠性 | NA | 开发一种新的深度学习和机器学习框架，用于提高miRNA物种分类的准确性和通用性 | miRNA序列的分类，包括人类、猩猩、鼠和鼠 | machine learning | NA | 深度学习 | CNN | 序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 308 | 2024-08-24 |
Deep Learning-Based Multiparametric MRI Model for Preoperative T-Stage in Rectal Cancer
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28856
PMID:37367938
|
研究论文 | 本研究开发了一种基于术前多参数MRI的深度学习模型，用于评估直肠癌并提高T分期准确性 | 提出的多参数深度学习模型在评估直肠癌患者时表现优于放射科医生的评估、临床模型以及单一参数模型 | 研究为回顾性，样本量相对较小 | 开发和验证一种基于术前多参数MRI的深度学习模型，以提高直肠癌T分期的准确性 | 直肠癌患者 | 机器学习 | 直肠癌 | MRI | 卷积神经网络 | 图像 | 260名患者，其中123名T1-2期，134名T3-4期 | NA | NA | NA | NA |
| 309 | 2024-08-24 |
Deep Learning for Discrimination of Hypertrophic Cardiomyopathy and Hypertensive Heart Disease on MRI Native T1 Maps
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28904
PMID:37431848
|
研究论文 | 本研究探讨了深度学习技术在基于T1图像的肥厚型心肌病和高血压性心脏病鉴别诊断中的可行性，并比较了其与其他方法的诊断性能 | 本研究首次探讨了深度学习技术在肥厚型心肌病和高血压性心脏病的鉴别诊断中的应用，展示了其优越的诊断性能 | 本研究为回顾性研究，且样本量相对较小，可能影响结果的普遍性 | 研究深度学习技术在肥厚型心肌病和高血压性心脏病鉴别诊断中的可行性 | 肥厚型心肌病和高血压性心脏病患者 | 机器学习 | 心血管疾病 | 深度学习 | ResNet32 | 图像 | 128名肥厚型心肌病患者和59名高血压性心脏病患者 | NA | NA | NA | NA |
| 310 | 2024-08-24 |
MRI-Based Radiomics and Deep Learning in Biological Characteristics and Prognosis of Hepatocellular Carcinoma: Opportunities and Challenges
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28982
PMID:37647155
|
研究论文 | 本文探讨了基于MRI的放射组学和深度学习技术在肝细胞癌生物学特征和预后预测中的应用及挑战 | 利用放射组学和深度学习方法开发人工智能模型，以提高肝细胞癌生物学特征和预后预测的准确性 | 人工智能模型在解释性方面存在挑战，阻碍了其在临床实践中的应用 | 研究人工智能技术在肝细胞癌临床护理中的应用，以提高生物学特征和预后预测的准确性 | 肝细胞癌的生物学特征和预后 | 机器学习 | 肝细胞癌 | 放射组学，深度学习 | 卷积神经网络 | 图像 | NA | NA | NA | NA | NA |
| 311 | 2024-08-24 |
Editorial for "Deep Learning for Discrimination of Hypertrophic Cardiomyopathy and Hypertensive Heart Disease on MRI Native T1 Maps"
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29021
PMID:37737641
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 312 | 2024-08-23 |
Multi-organ segmentation of organ-at-risk (OAR's) of head and neck site using ensemble learning technique
2024-03, Radiography (London, England : 1995)
DOI:10.1016/j.radi.2024.02.001
PMID:38364707
|
研究论文 | 本文提出了一种使用深度学习模型结合集成学习技术自动分割头颈部癌症患者风险器官（OAR）的新方法 | 采用集成学习技术提高了风险器官分割的准确性和效率 | 由于内存限制，训练模型时使用了缩减的CT扫描数据 | 旨在提高风险器官分割的准确性和效率，这对于放射治疗计划至关重要 | 头颈部癌症患者的风险器官 | 计算机视觉 | 头颈部癌症 | 集成学习技术 | 3D U-Net 和 3D DenseNet-FCN | CT扫描图像 | 182名患者的CT扫描数据用于训练，78名患者的数据用于测试，以及31名患者的公开数据集 | NA | NA | NA | NA |
| 313 | 2024-08-22 |
Continual learning framework for a multicenter study with an application to electrocardiogram
2024-Mar-06, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-024-02464-9
PMID:38448921
|
研究论文 | 本文提出了一种无需中央服务器的持续学习框架，用于多中心研究，并应用于心电图分析 | 该框架能够防止先前训练知识的灾难性遗忘，并通过生成对抗网络生成的假数据进行前瞻性评估 | NA | 旨在解决多中心数据联合研究中数据共享的隐私问题和中央服务器的成本及法律限制 | 心电图数据集和心律失常检测模型 | 机器学习 | 心血管疾病 | 生成对抗网络 | NA | 心电图数据 | 四个独立的心电图数据集 | NA | NA | NA | NA |
| 314 | 2024-08-21 |
Hybridizing mechanistic mathematical modeling with deep learning methods to predict individual cancer patient survival after immune checkpoint inhibitor therapy
2024-Mar-29, Research square
DOI:10.21203/rs.3.rs-4151883/v1
PMID:38586046
|
研究论文 | 本研究结合预测性机制建模与深度学习方法，预测个体癌症患者在接受免疫检查点抑制剂治疗后的生存概率 | 提出了一种混合方法，结合了可从机制模型计算但临床不易直接测量的指标和易于测量的临床特征，提高了预测准确性 | NA | 旨在提高个体癌症患者在接受免疫检查点抑制剂治疗后生存概率的预测准确性 | 癌症患者的生存概率 | 机器学习 | NA | 深度学习 | 人工神经网络 | 图像和临床数据 | 93名患者 | NA | NA | NA | NA |
| 315 | 2024-08-21 |
Audio-Based Emotion Recognition Using Self-Supervised Learning on an Engineered Feature Space
2024-Mar, AI (Basel, Switzerland)
DOI:10.3390/ai5010011
PMID:38715564
|
研究论文 | 本文研究了基于音频的情绪识别，通过在工程化的特征空间上应用自监督学习来提高模型性能 | 本文采用了自监督学习方法，在工程化的音频特征数据上进行预训练和微调，相较于直接使用原始音频数据的方法，这种方法在少量标注数据的情况下能显著提升模型性能 | 文章未明确提及具体的局限性 | 探索自监督学习在基于音频的情绪识别中的应用效果 | 研究对象为CMU-MOSEI数据集中的音频数据 | 机器学习 | NA | 自监督学习 | NA | 音频 | 使用了CMU-MOSEI数据集中的音频数据，具体样本数量未明确提及 | NA | NA | NA | NA |
| 316 | 2024-08-20 |
Three-dimensional reconstruction of industrial parts from a single image
2024-Mar-27, Visual computing for industry, biomedicine, and art
DOI:10.1186/s42492-024-00158-7
PMID:38532082
|
研究论文 | 本研究提出了一种基于图像的三维（3D）矢量重建工业零件的方法，能够生成高保真度和灵活性的非均匀有理B样条（NURBS）表面 | 本研究的创新点包括构建了一个用于典型工业零件的二维图像数据集，开发了一种用于三维工业零件参数提取的深度学习算法，以及提出了一种从获得的形状参数生成NURBS的机械零件三维矢量形状重建方法 | NA | 研究目的是从单一图像中重建工业零件的三维模型 | 研究对象包括六角头螺栓、圆柱齿轮、肩环、六角螺母和圆柱滚子轴承等工业零件 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 包括六角头螺栓、圆柱齿轮、肩环、六角螺母和圆柱滚子轴承等工业零件的二维图像数据集 | NA | NA | NA | NA |
| 317 | 2024-08-20 |
Physics-Informed Deep Learning Approach for Reintroducing Atomic Detail in Coarse-Grained Configurations of Multiple Poly(lactic acid) Stereoisomers
2024-03-25, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01870
PMID:38427962
|
研究论文 | 本文介绍了一种基于物理信息的深度学习方法，用于在粗粒度配置中重新引入多聚乳酸立体异构体的原子细节 | 该方法通过学习原子级别和相应粗粒度描述之间的结构相关性，提供了一种简单灵活且通用的分辨率转换解决方案 | NA | 旨在解决从粗粒度模型到原子模型的逆问题，即从粗粒度配置中重新引入原子自由度 | 多聚乳酸立体异构体的粗粒度分子配置 | 机器学习 | NA | 深度学习 | 深度学习模型 | 分子配置数据 | 从多聚乳酸的同聚体立体异构体到随机放置手性中心的共聚物等多种模型系统 | NA | NA | NA | NA |
| 318 | 2024-08-17 |
Fast reconstruction of EEG signal compression sensing based on deep learning
2024-03-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-55334-9
PMID:38429300
|
研究论文 | 本文提出了一种基于深度学习和压缩感知的非迭代快速脑电信号重建算法 | 该算法使用改进的残差网络模型和一维扩张卷积提取脑电信号特征，直接学习测量值与原始信号之间的非线性映射关系，实现快速准确的脑电信号重建 | NA | 提高脑电信号重建的准确性和速度 | 脑电信号 | 机器学习 | NA | 压缩感知 | 残差网络 | 信号 | BCI竞赛公开数据集 | NA | NA | NA | NA |
| 319 | 2024-08-16 |
Deep learning solutions for smart city challenges in urban development
2024-Mar-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-55928-3
PMID:38431741
|
研究论文 | 本研究结合深度学习和贝叶斯正则化技术，旨在提升城市规划应用中神经网络的性能和可靠性 | 采用贝叶斯正则化方法增强神经网络的泛化能力并量化预测不确定性 | 深度学习模型的复杂性可能导致过拟合和解释性有限 | 探索深度学习技术在城市规划中的应用，提高模型性能和决策支持 | 城市动态、交通网络和环境可持续性 | 计算机视觉 | NA | 深度学习 | 神经网络 | 数据 | NA | NA | NA | NA | NA |
| 320 | 2024-08-16 |
Shedding light on ai in radiology: A systematic review and taxonomy of eye gaze-driven interpretability in deep learning
2024-Mar, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111341
PMID:38340426
|
综述 | 本文通过系统性文献回顾和分类法探讨了眼动追踪数据在深度学习中用于放射学解释性的应用 | 首次全面调查了眼动数据处理技术及其在不同深度学习架构中的影响，特别是在医学影像数据中的错误检测、分类、对象检测等应用 | 文献中关于眼动追踪数据在深度学习架构中用于异常检测的有用性存在矛盾结果 | 旨在解决文献中关于眼动追踪数据在深度学习架构中应用的矛盾结果，并分析眼动数据如何促进放射学的解释性 | 分析了60项研究，这些研究将眼动追踪数据应用于深度学习方法以实现不同的放射学应用目标 | 计算机视觉 | NA | 深度学习 | 深度学习架构 | 眼动追踪数据 | 60项研究 | NA | NA | NA | NA |