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 1029 篇文献，本页显示第 281 - 300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 281 | 2024-11-22 |
From quantitative metrics to clinical success: assessing the utility of deep learning for tumor segmentation in breast surgery
2024-Jun, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03133-y
PMID:38642296
|
研究论文 | 本文评估了深度学习模型在乳腺癌手术中肿瘤分割的临床效用 | 首次将深度学习模型应用于乳腺癌手术中的肿瘤分割，并进行了临床评估 | 生成的轮廓在预测病理边缘状态方面的效用有限 | 评估深度学习模型在乳腺癌手术中肿瘤分割的临床效用 | 深度学习模型在乳腺癌手术中的肿瘤分割 | 计算机视觉 | 乳腺癌 | 深度学习 | CNN | 图像 | 7318张超声图像，来自33名患者 | NA | NA | NA | NA |
| 282 | 2024-11-22 |
Robot-assisted biopsy sampling for online Raman spectroscopy cancer confirmation in the operating room
2024-Jun, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03100-7
PMID:38573566
|
研究论文 | 本文提出了一种在手术室中使用机器人辅助活检采样结合拉曼光谱技术进行癌症实时确认的方法 | 本文创新地将拉曼光谱技术与机器人辅助系统结合，实现了手术室中的实时癌症确认，并提出了使用一维卷积神经网络进行组织分类 | 本文仅在体外数据集上进行了测试，尚未在临床环境中验证其有效性 | 提高手术室中癌症治疗的局部控制，实现实时癌症确认 | 新鲜组织样本的癌症确认 | 计算机视觉 | NA | 拉曼光谱技术 | 一维卷积神经网络 | 光谱数据 | 30个测试地标，三个体外数据集（脑、乳腺和前列腺） | NA | NA | NA | NA |
| 283 | 2024-11-22 |
On-the-fly point annotation for fast medical video labeling
2024-Jun, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03098-y
PMID:38573565
|
研究论文 | 提出了一种实时视频标注方法，以提高医学视频标注的效率 | 引入了一种连续单点标注方法，通过保持光标在实时视频中的对象上来减少传统标注方法中的繁琐暂停和重复导航 | 未提及具体限制 | 提高医学研究中深度学习模型所需的高质量标注数据的标注效率 | 医学视频中的对象检测任务 | 计算机视觉 | NA | NA | NA | 视频 | 未提及具体样本数量 | NA | NA | NA | NA |
| 284 | 2024-11-22 |
Optimizing latent graph representations of surgical scenes for unseen domain generalization
2024-Jun, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03121-2
PMID:38678488
|
研究论文 | 本文研究了在手术视频分析中使用对象中心学习方法进行未见领域泛化的优化 | 提出了一个优化的方法LG-DG，包括一个新的解耦损失函数，显著优于现有方法 | NA | 研究对象中心方法在未见领域泛化中的应用，并提出优化方法 | 腹腔镜胆囊切除术中的关键安全评估视图 | 计算机视觉 | NA | 对象中心学习 | NA | 视频 | 多中心数据 | NA | NA | NA | NA |
| 285 | 2024-11-22 |
ImSpect: Image-driven self-supervised learning for surgical margin evaluation with mass spectrometry
2024-Jun, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03106-1
PMID:38600411
|
研究论文 | 提出了一种新的框架ImSpect，通过将iKnife的1D数据转换为2D图像，并利用自监督学习进行基底细胞癌手术中的切缘评估 | 首次将公开的、最先进的预训练网络和数据集应用于iKnife数据，并利用自监督学习处理大量未标记的术中数据 | NA | 开发一种新的方法，利用质谱数据对癌症手术中的组织切缘进行实时评估 | 基底细胞癌手术中的切缘评估 | 计算机视觉 | 皮肤癌 | 质谱 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 286 | 2024-11-20 |
Identifying Pathological Subtypes of Brain Metastasis from Lung Cancer Using MRI-Based Deep Learning Approach: A Multicenter Study
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-00988-0
PMID:38347392
|
研究论文 | 本研究探讨了基于多参数MRI的深度学习方法区分肺癌脑转移病理亚型的可行性 | 开发了一种基于ResNet-18基础网络的注意力引导残差融合网络（ARFN）模型，用于多参数MRI序列的分类 | 研究为回顾性分析，样本量有限，且仅涉及五家医疗中心的病例 | 研究基于多参数MRI的深度学习方法在区分肺癌脑转移病理亚型中的可行性 | 肺癌脑转移的病理亚型，包括小细胞肺癌（SCLC）和非小细胞肺癌（NSCLC） | 计算机视觉 | 肺癌 | 深度学习 | 注意力引导残差融合网络（ARFN） | MRI图像 | 246名患者，共456个脑转移病例 | NA | NA | NA | NA |
| 287 | 2024-11-20 |
Atrial Septal Defect Detection in Children Based on Ultrasound Video Using Multiple Instances Learning
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-00987-1
PMID:38347394
|
研究论文 | 本文研究了一种基于心脏超声视频的深度学习方法，用于辅助房间隔缺损（ASD）的诊断 | 提出了一种基于多实例学习的深度学习模型，用于视频房间隔缺损检测，有效提高了ASD检测的准确性 | NA | 研究基于心脏超声视频的深度学习方法，辅助房间隔缺损（ASD）的诊断 | 儿童患者的房间隔缺损（ASD）检测 | 计算机视觉 | 心血管疾病 | 多实例学习 | resNet18 和 r3D 网络 | 视频 | 300名儿童患者的数据用于五折交叉验证，30名儿童患者的数据用于临床医生测试 | NA | NA | NA | NA |
| 288 | 2024-11-20 |
Basal Cell Carcinoma Diagnosis with Fusion of Deep Learning and Telangiectasia Features
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-00969-3
PMID:38332404
|
研究论文 | 本文提出了一种结合深度学习和毛细血管扩张特征的基底细胞癌诊断方法 | 本文创新性地将手工特征（基于U-Net的语义分割）与深度学习特征（基于EfficientNet-B5）融合，提高了基底细胞癌诊断的准确性和可解释性 | 本文未进一步探索深度学习技术在个体皮肤镜特征检测中的应用 | 提高基底细胞癌诊断的准确性和可解释性 | 基底细胞癌与非基底细胞癌的分类 | 计算机视觉 | 皮肤癌 | 深度学习 | EfficientNet-B5 | 图像 | 395张图像 | NA | NA | NA | NA |
| 289 | 2024-11-20 |
EfficientNet-Based System for Detecting EGFR-Mutant Status and Predicting Prognosis of Tyrosine Kinase Inhibitors in Patients with NSCLC
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01022-z
PMID:38361006
|
研究论文 | 开发并验证了一种基于EfficientNetV2-L模型的深度学习系统，用于检测非小细胞肺癌患者的EGFR突变状态并预测EGFR酪氨酸激酶抑制剂的预后 | 提出了基于EfficientNetV2-L模型的EME系统，用于非侵入性预测EGFR状态、分层生存预后并关联生物学通路 | 研究为回顾性多中心研究，样本量有限，且未涵盖所有可能的EGFR突变类型 | 开发和验证一种基于深度学习的系统，用于检测EGFR突变状态并预测EGFR-TKI的预后 | 非小细胞肺癌患者的EGFR突变状态及EGFR-TKI治疗的预后 | 计算机视觉 | 肺癌 | 深度学习 | EfficientNetV2-L | 图像 | 485名非小细胞肺癌患者 | NA | NA | NA | NA |
| 290 | 2024-11-20 |
Deep Learning for Chest X-ray Diagnosis: Competition Between Radiologists with or Without Artificial Intelligence Assistance
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-00990-6
PMID:38332402
|
研究论文 | 本研究旨在评估深度学习算法在帮助放射科医生提高胸部X光诊断效率和准确性方面的表现 | 本研究首次通过竞赛形式验证了深度学习方法在辅助放射科医生解读胸部X光片方面的积极效果 | 研究样本量较小，仅涉及100张胸部X光片，可能影响结果的普适性 | 评估深度学习算法在胸部X光诊断中辅助放射科医生的表现 | 胸部X光片中的正常发现和13种不同异常 | 计算机视觉 | NA | 深度学习算法 | NA | 图像 | 100张胸部X光片，涉及111名放射科医生（29名高级，32名中级，50名初级） | NA | NA | NA | NA |
| 291 | 2024-11-20 |
Inconsistency between Human Observation and Deep Learning Models: Assessing Validity of Postmortem Computed Tomography Diagnosis of Drowning
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-00974-6
PMID:38336949
|
研究论文 | 评估深度学习模型在溺水诊断中的有效性，并与人类观察结果进行比较 | 首次系统评估了深度学习模型在溺水诊断中的有效性，并揭示了模型与人类专家观察结果之间的不一致性 | 研究结果表明，尽管模型分类性能高，但其预测可能不可靠，需要谨慎评估 | 评估深度学习模型在溺水诊断中的医学有效性 | 溺水与非溺水病例的死后CT扫描图像 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 153例溺水病例和160例非溺水病例，年龄范围8-91岁 | NA | NA | NA | NA |
| 292 | 2024-11-20 |
Deep Learning for Automated Detection and Localization of Traumatic Abdominal Solid Organ Injuries on CT Scans
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01038-5
PMID:38366294
|
研究论文 | 本研究开发了一种深度学习模型，用于自动检测和定位CT扫描中的创伤性腹部实质器官损伤 | 本研究首次将深度学习模型应用于创伤性腹部实质器官损伤的自动检测和定位 | 该模型不能替代临床医生的角色，仅作为加速治疗决策过程的潜在工具 | 开发一种深度学习模型，以帮助医疗专业人员快速识别危及生命的损伤 | 创伤性腹部实质器官损伤的检测和定位 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 训练集包含1302个扫描，测试集包含194个扫描 | NA | NA | NA | NA |
| 293 | 2024-11-20 |
Classification of H. pylori Infection from Histopathological Images Using Deep Learning
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01021-0
PMID:38332407
|
研究论文 | 研究利用深度学习模型对204张组织病理学图像进行二分类，区分幽门螺杆菌感染阳性与阴性病例 | 使用ResNet101模型在较小数据集上实现了高准确率，突显了深度学习模型在有限数据下的有效性 | 研究仅使用了204张图像，样本量较小 | 探索深度学习模型在幽门螺杆菌感染诊断中的应用潜力 | 幽门螺杆菌感染的组织病理学图像 | 计算机视觉 | 胃病 | 深度学习 | ResNet101 | 图像 | 204张组织病理学图像 | NA | NA | NA | NA |
| 294 | 2024-11-20 |
Fast Real-Time Brain Tumor Detection Based on Stimulated Raman Histology and Self-Supervised Deep Learning Model
2024-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01001-4
PMID:38326533
|
研究论文 | 本文提出了一种基于受激拉曼组织学和自监督深度学习模型的快速实时脑肿瘤检测方法 | 结合受激拉曼组织学和深度卷积神经网络，提出了一种新的自监督深度学习模型VQSRS，用于实时癌症诊断 | NA | 提高脑肿瘤手术中实时诊断的速度和准确性 | 脑肿瘤的实时检测和分类 | 计算机视觉 | 脑肿瘤 | 受激拉曼组织学 | VQSRS | 图像 | NA | NA | NA | NA | NA |
| 295 | 2024-11-14 |
Shoulder Bone Segmentation with DeepLab and U-Net
2024-Jun, Osteology (Basel, Switzerland)
DOI:10.3390/osteology4020008
PMID:39474235
|
研究论文 | 比较了基于DeepLab和U-Net的两种深度学习模型在ZTE MRI上进行肩部骨骼自动分割的性能 | 首次在肩部骨骼分割任务中比较了DeepLab和U-Net模型的性能，并实现了U-Net模型在MRI控制台上的应用 | 研究处于早期阶段，样本量较小，且存在模型对分割区域估计不准确的问题 | 评估和比较两种深度学习模型在肩部骨骼分割任务中的表现，以改进术前规划 | 肩部骨骼，特别是肱骨头和髋臼的分割 | 计算机视觉 | NA | ZTE MRI | DeepLab, U-Net | 图像 | 31例正常肩部样本用于训练，13例用于测试 | NA | NA | NA | NA |
| 296 | 2024-11-12 |
A deep learning framework for predicting disease-gene associations with functional modules and graph augmentation
2024-Jun-14, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-024-05841-3
PMID:38877401
|
研究论文 | 本文介绍了一种名为ModulePred的深度学习框架，用于预测疾病-基因关联，通过功能模块和图增强技术提高预测性能 | 本文创新性地引入了功能模块（如蛋白质复合物）和图增强技术，以解决现有研究中忽略的功能模块累积影响和数据不完整问题 | NA | 探索基因-疾病关联的机制，以改进预防和治疗策略 | 疾病-基因关联、蛋白质复合物和蛋白质相互作用 | 机器学习 | NA | 图神经网络 | 图神经网络 | 图数据 | NA | NA | NA | NA | NA |
| 297 | 2024-11-09 |
Empowering brain cancer diagnosis: harnessing artificial intelligence for advanced imaging insights
2024-06-25, Reviews in the neurosciences
IF:3.4Q2
DOI:10.1515/revneuro-2023-0115
PMID:38291768
|
综述 | 本文探讨了人工智能在脑癌影像诊断中的应用及其对诊断、预后和治疗的影响 | 强调了智能应用在标准化程序和个性化治疗方面的巨大潜力，从而改善患者预后 | 存在数据质量、可用性、可解释性、透明度和伦理等方面的挑战 | 探索人工智能在脑癌影像中的应用及其对诊断、预后和治疗的影响 | 脑癌的诊断、预后和治疗 | 计算机视觉 | 脑癌 | 深度学习和因果学习 | NA | 影像 | NA | NA | NA | NA | NA |
| 298 | 2024-11-09 |
Diagnostic machine learning applications on clinical populations using functional near infrared spectroscopy: a review
2024-06-25, Reviews in the neurosciences
IF:3.4Q2
DOI:10.1515/revneuro-2023-0117
PMID:38308531
|
综述 | 本文综述了功能性近红外光谱（fNIRS）与机器学习（ML）在临床人群中诊断分类的应用 | 这是首次报道使用fNIRS进行诊断机器学习应用的综述 | 样本量与准确性之间存在显著负相关 | 探讨fNIRS与ML在精神疾病诊断中的应用 | 精神疾病患者，包括精神分裂症、注意缺陷多动障碍和自闭症谱系障碍 | 机器学习 | 精神疾病 | 功能性近红外光谱（fNIRS） | 支持向量机（SVM）和深度学习（DL） | 近红外光谱数据 | 45项研究，其中8项研究招募了超过100名参与者 | NA | NA | NA | NA |
| 299 | 2024-11-08 |
Deep learning-based pathway-centric approach to characterize recurrent hepatocellular carcinoma after liver transplantation
2024-06-05, Human genomics
IF:3.8Q2
DOI:10.1186/s40246-024-00624-6
PMID:38840185
|
研究论文 | 研究利用深度学习方法分析肝移植后肝细胞癌复发的转录组数据，识别差异表达基因和相关通路 | 首次采用深度学习方法分析肝移植后肝细胞癌复发的基因表达数据，识别出与复发相关的关键基因和通路 | 研究样本量较小，仅包含7对患者的样本 | 研究肝移植后肝细胞癌复发的分子机制 | 肝移植后复发的肝细胞癌患者的转录组数据 | 机器学习 | 肝癌 | 深度学习 | 深度学习模型 | 转录组数据 | 7对肝移植后复发的肝细胞癌患者样本 | NA | NA | NA | NA |
| 300 | 2024-11-02 |
Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unannotated pathology slides
2024-Jun-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-48666-7
PMID:38862472
|
研究论文 | 本文介绍了一种无需标注的自我监督学习方法，用于从病理切片中自动发现区分性特征，构建组织形态学表型图谱 | 提出了一种无需标注的自我监督学习方法，自动发现病理图像中的区分性特征，并构建了组织形态学表型图谱 | NA | 开发一种无需标注的自我监督学习方法，用于从病理切片中提取复杂信息，辅助癌症诊断和管理 | 病理切片图像中的组织形态学表型 | 数字病理学 | 肺癌 | 自我监督学习 | NA | 图像 | NA | NA | NA | NA | NA |