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 434 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2024-08-24 |
A Channel-Dimensional Feature-Reconstructed Deep Learning Model for Predicting Breast Cancer Molecular Subtypes on Overall b-Value Diffusion-Weighted MRI
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28895
PMID:37403945
|
研究论文 | 本研究开发了一种新的深度学习模型，利用整体b值扩散加权磁共振成像（DW-MRI）预测乳腺癌分子亚型，无需使用对比剂，并与动态对比增强磁共振成像（DCE-MRI）进行性能比较 | 提出了一种通道维度特征重构（CDFR）深度神经网络（DNN），用于预测乳腺癌分子亚型，该模型在DW-MRI上的预测性能显著优于非CDFR-DNN | NA | 开发一种新的深度学习模型，以充分利用整体b值DW-MRI的潜力，无需对比剂，预测乳腺癌分子亚型 | 486名女性乳腺癌患者 | 机器学习 | 乳腺癌 | 扩散加权磁共振成像（DW-MRI） | 深度神经网络（DNN） | 图像 | 486名女性乳腺癌患者（训练/验证/测试：64%/16%/20%） |
| 242 | 2024-08-24 |
Editorial for "Weakly Supervised MRI Slice-Level Deep Learning Classification of Prostate Cancer Approximates Full Voxel- and Slice-Level Annotation: Effect of Increasing Training Set Size"
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28885
PMID:37410060
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 243 | 2024-08-24 |
From Compressed-Sensing to Deep Learning MR: Comparative Biventricular Cardiac Function Analysis in a Patient Cohort
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28899
PMID:37435633
|
研究论文 | 本研究比较了压缩感知（CS）和人工智能（AI）在心脏电影成像中的应用，特别是在双心室功能分析中的效果 | 本研究展示了AI在快速心脏电影成像中的潜力，并比较了CS-cine和AI-cine与传统电影成像（Conv-cine）在双心室功能、图像质量和重建时间上的差异 | 本研究仅限于70名患者，可能需要更大规模的研究来验证结果 | 比较CS-cine和AI-cine与Conv-cine在定量双心室功能、图像质量和重建时间上的表现 | 70名患者（年龄39±15岁，54.3%为男性）的双心室功能参数 | 计算机视觉 | 心血管疾病 | 压缩感知（CS）和人工智能（AI） | NA | 图像 | 70名患者 |
| 244 | 2024-08-24 |
Editorial for "A Channel-Dimensional Feature-Reconstructed Deep Learning Model for Predicting Breast Cancer Molecular Subtypes on Overall b-Value Diffusion-Weighted MRI"
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28908
PMID:37501333
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 245 | 2024-08-24 |
Weakly Supervised MRI Slice-Level Deep Learning Classification of Prostate Cancer Approximates Full Voxel- and Slice-Level Annotation: Effect of Increasing Training Set Size
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28891
PMID:37504495
|
研究论文 | 本研究比较了弱监督训练与全切片级标注训练在前列腺癌深度卷积分类网络中的效果，并探讨了增加训练集大小对模型性能的影响。 | 本研究展示了弱监督学习在减少标注工作量的同时，仍能保持性能，并且随着训练数据的增加，性能提升显著。 | 本研究仅限于回顾性分析，且依赖于特定的MRI序列和设备。 | 比较弱监督训练与全切片级标注训练在前列腺癌分类中的效果，并评估增加训练集大小对模型性能的影响。 | 前列腺癌的MRI图像分类。 | 计算机视觉 | 前列腺癌 | MRI | CNN | 图像 | 训练集：794个机构前列腺MRI检查 + 204个PROSTATEx检查；测试集：695个机构前列腺MRI检查 |
| 246 | 2024-08-23 |
DPI_CDF: druggable protein identifier using cascade deep forest
2024-Apr-05, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-024-05744-3
PMID:38580921
|
研究论文 | 本文开发了一种基于深度学习的新模型DPI_CDF，用于预测基于蛋白质序列的可药物蛋白 | DPI_CDF模型结合了基于进化、生理化学和组成的蛋白质序列特性，通过分层深度森林模型融合这些编码方案，提高了预测准确性 | NA | 加速大规模可药物蛋白的识别，促进药物发现过程 | 可药物蛋白的识别 | 机器学习 | NA | 深度学习 | 深度森林模型 | 蛋白质序列 | 训练数据集和独立测试数据集 |
| 247 | 2024-08-22 |
Real-time visualization of dextran extravasation in intermittent hypoxia mice using noninvasive SWIR imaging
2024-04-01, American journal of physiology. Heart and circulatory physiology
DOI:10.1152/ajpheart.00787.2023
PMID:38363213
|
研究论文 | 本研究利用短波红外（SWIR）成像技术，结合血管分割和深度学习分析，实时监测间歇性低氧小鼠模型中的葡聚糖渗出情况 | 首次报道了间歇性低氧暴露14天后，小鼠模型中70 kDa葡聚糖的实时渗出增加 | NA | 研究间歇性低氧条件下血管通透性的变化 | C57Bl/6小鼠在间歇性低氧和常氧条件下的血管通透性 | 数字病理学 | 睡眠呼吸障碍 | 短波红外（SWIR）成像 | 深度学习 | 图像 | C57Bl/6小鼠在间歇性低氧和常氧条件下暴露14天 |
| 248 | 2024-08-21 |
AttnPep: A Self-Attention-Based Deep Learning Method for Peptide Identification in Shotgun Proteomics
2024-Apr-05, Journal of proteome research
IF:3.8Q1
DOI:10.1021/acs.jproteome.4c00147
PMID:38506788
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 249 | 2024-08-21 |
Challenges in Reducing Bias Using Post-Processing Fairness for Breast Cancer Stage Classification with Deep Learning
2024-Apr, Algorithms
IF:1.8Q2
DOI:10.3390/a17040141
PMID:38962581
|
研究论文 | 本文研究了使用深度学习模型进行乳腺癌分期分类时，通过后处理公平性减少偏差的挑战 | 量化了在训练数据中某些人口群体代表性不足的情况下，模型预测乳腺癌阶段的偏差，并探讨了后处理调整对改善模型性能的影响 | 后处理调整后，只有部分模型显示出性能改善，表明使用后处理实现公平性的挑战仍然存在 | 探讨在乳腺癌医学影像模型中减少偏差的方法 | 乳腺癌分期分类的深度学习模型 | 机器学习 | 乳腺癌 | 深度学习 | 深度学习模型 | 医学影像 | 1000个活检样本来自842名患者 |
| 250 | 2024-08-21 |
Improving Deep Learning-Based Algorithm for Ploidy Status Prediction Through Combined U-NET Blastocyst Segmentation and Sequential Time-Lapse Blastocysts Images
2024 Apr-Jun, Journal of reproduction & infertility
DOI:10.18502/jri.v25i2.16006
PMID:39157795
|
research paper | 本文通过结合U-NET胚胎分割和时间序列胚胎图像，改进了基于深度学习的算法，用于预测胚胎的倍性状态 | 采用U-NET架构进行胚胎图像分割，并结合时间序列胚胎图像，提高了预测模型的准确性 | NA | 评估使用U-NET架构进行胚胎分割和时间序列胚胎图像提取的有效性，以提高胚胎倍性状态预测模型的准确性 | 胚胎的倍性状态预测 | machine learning | NA | convolutional neural network (CNN) | U-NET, CNN | image | 1,020个时间序列胚胎视频，生成31,642和99,324张胚胎图像 |
| 251 | 2024-08-18 |
Semi-Supervised, Attention-Based Deep Learning for Predicting TMPRSS2:ERG Fusion Status in Prostate Cancer Using Whole Slide Images
2024-04-02, Molecular cancer research : MCR
IF:4.1Q2
DOI:10.1158/1541-7786.MCR-23-0639
PMID:38284821
|
研究论文 | 本研究利用半监督的注意力机制深度学习方法，通过全切片图像预测前列腺癌中的TMPRSS2:ERG融合状态 | 本研究展示了深度学习在从常规可用的组织学切片中有效推断前列腺癌关键遗传改变方面的潜力 | NA | 探索深度学习在前列腺癌诊断中的应用 | 前列腺癌中的TMPRSS2:ERG融合状态 | 数字病理学 | 前列腺癌 | 深度学习 | 注意力机制 | 图像 | NA |
| 252 | 2024-08-18 |
DeepDynaForecast: Phylogenetic-informed graph deep learning for epidemic transmission dynamic prediction
2024-Apr, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011351
PMID:38598563
|
研究论文 | 本文介绍了一种基于系统发育树的深度学习系统DeepDynaForecast，用于预测流行病传播动态 | 利用原始-对偶图学习结构和快捷多层聚合，适用于早期识别和预测高风险群体中的传播动态 | NA | 开发一种基于系统发育树的深度学习系统，用于预测流行病传播风险和模式 | 流行病传播动态 | 机器学习 | NA | 深度学习 | 图深度学习 | 系统发育树数据 | 使用佛罗里达州2012年至2020年的人类免疫缺陷病毒流行病大型数据集 |
| 253 | 2024-08-16 |
WET-UNet: Wavelet integrated efficient transformer networks for nasopharyngeal carcinoma tumor segmentation
2024 Apr-Jun, Science progress
IF:2.6Q2
DOI:10.1177/00368504241232537
PMID:38567422
|
研究论文 | 本文提出了一种基于UNet网络的混合模型WET-UNet，用于鼻咽癌图像分割，通过集成小波变换和注意力机制来提高分割的准确性和鲁棒性 | 集成小波变换到UNet中，利用低频成分调整编码器并优化Transformer的后续计算过程，同时使用注意力机制捕捉图像中的远程依赖，提高模型的识别能力 | NA | 提高鼻咽癌肿瘤分割的准确性和稳定性 | 鼻咽癌肿瘤图像 | 计算机视觉 | 鼻咽癌 | 小波变换 | UNet | 图像 | 5000个样本，训练和验证比例为8:2 |
| 254 | 2024-08-14 |
A physics-informed deep learning framework for modeling of coronary in-stent restenosis
2024-Apr, Biomechanics and modeling in mechanobiology
IF:3.0Q3
DOI:10.1007/s10237-023-01796-1
PMID:38236483
|
研究论文 | 本文开发了一种基于物理信息的深度学习框架，用于模拟冠状动脉支架内再狭窄 | 采用物理信息神经网络（PINNs）这一新型深度学习方法，将物理定律和测量数据融入模型中，提高了预测准确性 | NA | 开发一种稳健的多物理场代理模型，用于估计支架内再狭窄，并提供疾病进展因素的见解 | 冠状动脉支架内再狭窄的预测和治疗规划 | 机器学习 | 心血管疾病 | 物理信息神经网络（PINNs） | 物理信息神经网络（PINNs） | 患者特定数据（手术相关、临床和遗传等） | NA |
| 255 | 2024-08-09 |
Classification of substances by health hazard using deep neural networks and molecular electron densities
2024-Apr-16, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-024-00835-y
PMID:38627862
|
研究论文 | 本文提出了一种利用3D电子密度信息训练深度神经网络管道来分割高、中、低电负性区域并分类物质为健康有害或无害的方法 | 本文首次使用3D电子密度表示法训练机器学习模型，利用分子的真实空间域进行预测 | NA | 旨在通过展示深度学习网络可以基于分子的3D电子密度表示进行训练，为用于训练机器学习算法的多样化3D分子表示做出贡献 | 研究对象包括化妆品和食品产品中的有害和无害物质 | 机器学习 | NA | 3D电子密度计算 | 3D-UNet | 3D电子密度立方体 | 自定义的欧洲化学品管理局(ECHA)子集和自定义食品数据集(CompFood) |
| 256 | 2024-08-09 |
Artificial Intelligence in Cataract Surgery: A Systematic Review
2024-Apr-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.4.20
PMID:38618893
|
综述 | 本研究旨在评估基于人工智能（AI）算法在分析白内障手术视频中的当前应用和可靠性 | NA | 研究显示质量参差不齐，且由于公开数据集数量少（特别是手动小切口白内障手术）和很少发布源代码，复制研究存在挑战 | 评估基于人工智能（AI）算法在分析白内障手术视频中的应用和可靠性 | 白内障手术视频的术中分析 | 机器学习 | NA | 机器学习技术 | NA | 视频 | 包括了550项研究中的38项 |
| 257 | 2024-08-09 |
Medical long-tailed learning for imbalanced data: Bibliometric analysis
2024-Apr, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2024.108106
PMID:38452661
|
综述 | 本研究利用文献计量技术对医学领域中长尾学习的深度学习应用进行系统综述，分析研究趋势、核心作者和核心期刊 | 首次通过文献计量分析提供医学领域长尾学习研究的系统概览 | NA | 总结近年来在医学深度学习中应用长尾学习的进展，并通过文献计量分析和可视化知识图谱解释新趋势、来源、核心作者、期刊和研究热点 | 医学领域中长尾学习的深度学习应用文献 | 机器学习 | NA | 文献计量技术 | NA | 文献 | 579篇文章 |
| 258 | 2024-08-07 |
Physics-Informed Generative Model for Drug-like Molecule Conformers
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01816
PMID:38486425
|
research paper | 本文提出了一种基于扩散的生成模型用于生成药物类似分子的构象 | 模型利用深度学习技术从训练集中推断原子类型和几何参数，并通过扩散生成方法实现构象采样，训练于优化后的半经验GFN2-xTB方法的大型合成数据集上，实现了对键合参数的高精度预测 | NA | 开发一种新的生成模型用于药物类似分子的构象生成 | 药物类似分子的构象 | machine learning | NA | diffusion-based generation | generative model | molecular data | 大型合成数据集 |
| 259 | 2024-08-07 |
PROTACable Is an Integrative Computational Pipeline of 3-D Modeling and Deep Learning To Automate the De Novo Design of PROTACs
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01878
PMID:38504115
|
研究论文 | 本文介绍了一种名为PROTACable的集成计算流程，结合三维建模和深度学习技术，用于自动化从头设计PROTACs。 | 开发了一种新的方法PROTACable，用于预测和自动化设计PROTACs，利用三维建模和SE(3)-等变图变换网络。 | NA | 探索结合计算化学和深度学习策略，以预测PROTAC活性并实现其自动化设计。 | PROTACs的设计和活性预测。 | 机器学习 | NA | 三维建模 | 图变换网络 | 三维模型 | 使用了一个包含E3连接酶和连接子的库 |
| 260 | 2024-08-07 |
LGGA-MPP: Local Geometry-Guided Graph Attention for Molecular Property Prediction
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c02058
PMID:38516950
|
研究论文 | 本文提出了一种新的分子属性预测方法LGGA-MPP，该方法通过整合局部几何信息到图注意力机制中，以增强模型对分子局部结构细节的捕捉能力 | LGGA-MPP方法创新地将局部几何信息引入到图神经网络的注意力和消息传递机制中，以更好地捕捉分子的局部结构和可解释性 | NA | 提高分子属性预测的准确性，推动药物发现及相关领域的发展 | 分子属性预测 | 机器学习 | NA | 图神经网络 | 图注意力网络 | 分子图 | 多种数据集 |