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 | 2024-11-09 |
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 |
| 282 | 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 |
| 283 | 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 |
| 284 | 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 |
| 285 | 2024-11-02 |
Application of simultaneous uncertainty quantification and segmentation for oropharyngeal cancer use-case with Bayesian deep learning
2024-Jun-08, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-024-00528-5
PMID:38851837
|
研究论文 | 本文探讨了在口咽癌治疗中使用贝叶斯深度学习进行不确定性量化和分割的方法 | 首次将贝叶斯深度学习应用于口咽癌主要肿瘤体积的分割和不确定性量化 | 仅使用了292个PET/CT扫描数据集，样本量相对较小 | 开发一种可靠且可信的自动化工具，用于口咽癌放射治疗中的肿瘤体积分割 | 口咽癌的主要肿瘤体积 | 计算机视觉 | 口咽癌 | 贝叶斯深度学习 | 贝叶斯深度学习模型 | 图像 | 292个PET/CT扫描数据 | NA | NA | NA | NA |
| 286 | 2024-10-30 |
Deep learning-based prediction of compressive strength of eco-friendly geopolymer concrete
2024-Jun, Environmental science and pollution research international
DOI:10.1007/s11356-024-33853-2
PMID:38844634
|
研究论文 | 本文利用深度长短期记忆网络模型预测环保型地质聚合物混凝土的抗压强度 | 本文首次采用深度长短期记忆网络模型来预测环保型地质聚合物混凝土的抗压强度，并与其他回归模型进行了比较 | 本文仅限于预测环保型地质聚合物混凝土的抗压强度，未涉及其他性能指标 | 研究如何利用深度学习技术提高环保型地质聚合物混凝土抗压强度的预测精度 | 环保型地质聚合物混凝土的抗压强度 | 机器学习 | NA | 深度学习 | LSTM | 数值数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 287 | 2024-10-27 |
Contribution of MALDI-TOF mass spectrometry and machine learning including deep learning techniques for the detection of virulence factors of Clostridioides difficile strains
2024-06, Microbial biotechnology
IF:4.8Q1
DOI:10.1111/1751-7915.14478
PMID:38850267
|
研究论文 | 本研究评估了MALDI-TOF质谱与机器学习和深度学习技术结合用于检测艰难梭菌菌株的毒力因子 | 首次将MALDI-TOF质谱与机器学习和深度学习技术结合用于检测艰难梭菌菌株的毒力因子，展示了其在快速和成本效益方面的优势 | 研究样本量有限，且仅限于特定的艰难梭菌菌株 | 评估MALDI-TOF质谱与机器学习和深度学习技术结合用于检测艰难梭菌菌株的毒力因子的有效性 | 艰难梭菌菌株的毒力因子检测 | 机器学习 | NA | MALDI-TOF质谱 | 深度学习 | 质谱数据 | 201株艰难梭菌菌株，包括151株产毒菌株和50株非产毒菌株 | NA | NA | NA | NA |
| 288 | 2024-10-24 |
Hidden Structural States of Proteins Revealed by Conformer Selection with AlphaFold-NMR
2024-Jun-30, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.26.600902
PMID:38979209
|
研究论文 | 本文介绍了一种利用AlphaFold2和NMR数据选择蛋白质构象模型的新方法 | 提出了一种基于AI的增强采样方法生成蛋白质构象模型，并通过实验数据进行选择，替代传统的约束满足协议 | NA | 探索利用深度学习和NMR技术揭示蛋白质的动态结构 | Gaussia荧光素酶的NMR结构 | 计算机视觉 | NA | NMR | AlphaFold2 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 289 | 2024-10-24 |
Machine learning on multiple epigenetic features reveals H3K27Ac as a driver of gene expression prediction across patients with glioblastoma
2024-Jun-28, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.25.600585
PMID:38979226
|
研究论文 | 使用机器学习方法分析多重表观遗传特征，揭示H3K27Ac在胶质母细胞瘤患者基因表达预测中的驱动作用 | 首次使用机器学习和深度学习模型分析跨患者的基因表达预测，并发现H3K27Ac是跨患者基因表达预测的最重要表观遗传特征 | 研究仅限于胶质母细胞瘤干细胞和神经嵴干细胞，未涵盖其他类型的癌症细胞 | 探究胶质母细胞瘤细胞表观遗传重编程对细胞可塑性和基因表达的影响 | 胶质母细胞瘤干细胞和神经嵴干细胞的表观遗传特征 | 机器学习 | 脑癌 | 机器学习、深度学习、ATAC-seq、CTCF ChIP-seq、RNAPII ChIP-seq、H3K27Ac ChIP-seq、RNA-seq | XGBoost | 表观遗传数据 | 多个胶质母细胞瘤患者来源的干细胞样本 | NA | NA | NA | NA |
| 290 | 2024-10-24 |
Nutrient Signaling-Dependent Quaternary Structure Remodeling Drives the Catalytic Activation of metazoan PASK
2024-Jun-28, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.28.599394
PMID:38979257
|
研究论文 | 研究通过进化尺度序列、域映射和基于深度学习的蛋白质结构分析，揭示了多细胞生物PAS域调控激酶（PASK）中信号调节的PAS和PAC亚域组装的新机制 | 发现了PASK中先前未被识别的第三个PAS域（PAS-C），并通过实验验证了其营养响应性，揭示了PAS-C域组装在PASK中稳定激酶催化核心的作用 | NA | 揭示多细胞生物PAS域调控激酶（PASK）中信号调节的PAS和PAC亚域组装的新机制 | 多细胞生物PAS域调控激酶（PASK）的结构和功能 | 生物信息学 | NA | 深度学习 | NA | 蛋白质序列 | 鱼、鸟和哺乳动物的PASK同源物 | NA | NA | NA | NA |
| 291 | 2024-10-24 |
Brain clocks capture diversity and disparity in aging and dementia
2024-Jun-25, Research square
DOI:10.21203/rs.3.rs-4150225/v1
PMID:38978575
|
研究论文 | 研究分析了多模态数据对脑年龄差距的影响，并开发了一种深度学习架构来量化这种差距 | 首次探讨了多模态多样性对脑年龄差距的影响，并开发了一种基于fMRI和EEG数据的深度学习模型 | 研究主要集中在拉丁美洲和非拉丁美洲国家的数据，可能无法全面代表全球多样性 | 理解脑健康和疾病中脑年龄与实际年龄之间的差异 | 分析多模态数据对脑年龄差距的影响，并开发一种新的深度学习模型 | 神经科学 | 痴呆症 | 功能磁共振成像（fMRI）和脑电图（EEG） | 深度学习 | 图像和信号 | 5306名参与者，来自15个国家，包括健康对照组和患有轻度认知障碍、阿尔茨海默病和行为变异型额颞叶痴呆的患者 | NA | NA | NA | NA |
| 292 | 2024-10-24 |
Assessing CT-based Volumetric Analysis via Transfer Learning with MRI and Manual Labels for Idiopathic Normal Pressure Hydrocephalus
2024-Jun-24, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.06.23.24309144
PMID:38978640
|
研究论文 | 本文通过迁移学习和手动标签，利用MRI数据改进CT图像中脑脊液的分割，并评估其在特发性正常压力脑积水诊断中的表现 | 利用MRI数据进行迁移学习，改进CT图像中脑脊液的自动分割，提高特发性正常压力脑积水的诊断准确性 | NA | 提高CT图像中脑脊液的分割精度，并评估其在特发性正常压力脑积水诊断中的应用 | 特发性正常压力脑积水患者和健康对照组的CT图像 | 计算机视觉 | 脑积水 | CT | U-Net | 图像 | 734例健康对照组和62例特发性正常压力脑积水患者的CT数据，以及来自德国和美国的外部临床图像 | NA | NA | NA | NA |
| 293 | 2024-10-24 |
ViViEchoformer: Deep Video Regressor Predicting Ejection Fraction
2024-Jun-22, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.06.21.24309327
PMID:38947006
|
研究论文 | 本文介绍了一种基于深度学习的视频回归模型ViViEchoformer，用于从超声心动图视频中直接预测左心室射血分数（LVEF） | ViViEchoformer利用视频视觉变换器提取时空特征，实现了对左心室射血分数的自动准确预测，为超声心动图的解读提供了新的方法 | NA | 开发一种自动化的方法来准确测量超声心动图中的左心室射血分数，以辅助临床评估 | 左心室射血分数（LVEF） | 机器学习 | 心血管疾病 | 深度学习 | 视频视觉变换器 | 视频 | 10,030个来自斯坦福大学医院的四腔超声心动图视频 | NA | NA | NA | NA |
| 294 | 2024-10-24 |
Prediction of Adolescents' Fluid Intelligence Scores based on Deep Learning with Reconstruction Regularization
2024-Jun-18, Research square
DOI:10.21203/rs.3.rs-4482953/v1
PMID:38946976
|
研究论文 | 本研究旨在利用深度学习方法，特别是基于重构正则化的自编码器模型，预测9-10岁儿童的流体智力分数 | 本研究首次使用基于重构正则化的自编码器模型来预测青少年的流体智力分数，并发现其在预测性能上显著优于多层感知机和经典机器学习模型 | 研究结果显示预测性能较弱，未来研究可能需要探索结合多种机器学习算法的集成回归策略以提高预测性能 | 开发一种预测9-10岁儿童未校正/实际流体智力分数的模型，并探索基于重构正则化的自编码器模型在青少年流体智力预测中的表现 | 9-10岁的青少年，特别是其流体智力分数和T1加权磁共振成像数据 | 机器学习 | NA | 磁共振成像（MRI） | 自编码器（AE） | 图像 | 11,534名青少年 | NA | NA | NA | NA |
| 295 | 2024-10-24 |
De novo design of alpha-beta repeat proteins
2024-Jun-16, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.15.590358
PMID:38915539
|
研究论文 | 本文介绍了基于Rosetta和深度学习幻觉方法生成具有混合α螺旋和β链拓扑结构的新型重复蛋白质架构 | 本文提出了基于Rosetta和深度学习幻觉方法生成具有混合α螺旋和β链拓扑结构的新型重复蛋白质架构，并设计了25种高度稳定的α-β蛋白质 | NA | 设计新型重复蛋白质架构 | α-β重复蛋白质 | 生物信息学 | NA | Rosetta方法，深度学习幻觉方法 | 深度学习模型 | 蛋白质结构数据 | 25种新型α-β蛋白质 | NA | NA | NA | NA |
| 296 | 2024-10-24 |
Ribonanza: deep learning of RNA structure through dual crowdsourcing
2024-Jun-11, bioRxiv : the preprint server for biology
DOI:10.1101/2024.02.24.581671
PMID:38464325
|
研究论文 | 本文介绍了通过众包收集的RNA结构化学映射数据集Ribonanza，并利用该数据集训练和评估了多种深度神经网络模型 | 提出了Ribonanza数据集，并通过Kaggle挑战赛训练和评估了多种深度神经网络模型，最终整合成一个名为RibonanzaNet的自包含模型 | NA | 解决RNA结构从序列预测的问题，并提高模型在RNA结构建模中的性能 | RNA序列及其结构 | 机器学习 | NA | 深度学习 | 深度神经网络 | RNA序列数据 | 两百万个多样化的RNA序列 | NA | NA | NA | NA |
| 297 | 2024-10-24 |
A Hybrid Deep Learning Classification of Perimetric Glaucoma Using Peripapillary Nerve Fiber Layer Reflectance and Other OCT Parameters from Three Anatomy Regions
2024-Jun-06, ArXiv
PMID:38883241
|
研究论文 | 研究使用混合深度学习模型结合视网膜神经纤维层反射和其他OCT参数来提高青光眼诊断的准确性 | 提出了一种混合深度学习模型，结合视网膜神经纤维层反射和其他OCT参数，显著提高了青光眼的诊断准确性 | 研究样本量相对较小，可能需要进一步验证在大规模数据集上的表现 | 探讨深度学习模型是否能有效结合视网膜神经纤维层反射和其他OCT参数用于青光眼诊断 | 视网膜神经纤维层反射、OCT参数、青光眼患者和正常受试者 | 计算机视觉 | 眼科疾病 | OCT | 混合深度学习模型（FCN和CNN） | 图像 | 106名正常受试者和164名青光眼患者 | NA | NA | NA | NA |
| 298 | 2024-10-24 |
Artificial intelligence-based morphologic classification and molecular characterization of neuroblastic tumors from digital histopathology
2024-Jun-04, Research square
DOI:10.21203/rs.3.rs-4396782/v1
PMID:38883758
|
研究论文 | 开发了一种基于注意力机制的多实例学习和自监督学习的深度学习模型，用于从数字病理学图像中对神经母细胞瘤进行形态学分类和分子特征分析 | 首次将注意力机制的多实例学习和自监督学习应用于神经母细胞瘤的病理分类和分子特征分析 | NA | 开发一种自动化诊断和精确分类神经母细胞瘤的工具 | 神经母细胞瘤的病理分类和分子特征分析 | 数字病理学 | NA | 深度学习 | 注意力机制的多实例学习 (aMIL) 和自监督学习 (SSL) | 图像 | 外部测试数据集 | NA | NA | NA | NA |
| 299 | 2024-10-24 |
Chemical signatures delineate heterogeneous amyloid plaque populations across the Alzheimer's disease spectrum
2024-Jun-03, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.03.596890
PMID:38895368
|
研究论文 | 本文利用先进的化学成像工具和深度学习算法，研究了阿尔茨海默病中不同类型淀粉样斑块的化学特征 | 首次使用空间生物化学技术对不同斑块形态进行表征，揭示了斑块的异质性及其与疾病病理的关联 | NA | 研究阿尔茨海默病中淀粉样斑块的异质性及其与疾病病理的关联 | 阿尔茨海默病中的淀粉样斑块 | 数字病理 | 阿尔茨海默病 | 功能性淀粉样显微镜结合MALDI质谱成像(MSI) | 深度学习算法 | 图像 | NA | NA | NA | NA | NA |
| 300 | 2024-10-24 |
Human motion data expansion from arbitrary sparse sensors with shallow recurrent decoders
2024-Jun-03, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.01.596487
PMID:38895371
|
研究论文 | 本文开发了一种深度学习架构，利用浅层循环解码器网络将有限（稀疏）的传感器数据映射到全面的（密集）配置，从而推断未监测的身体部位的运动 | 本文的创新点在于利用传感器的时间历史信息，通过浅层循环解码器网络将稀疏传感器数据扩展为密集配置，即使只有一个传感器也能重建全面的时间序列测量 | 本文未提及具体的局限性 | 研究目的是通过深度学习和稀疏传感技术扩展人体运动数据，以提高数字生物标志物估计的准确性和可用性 | 研究对象包括控制运动任务、步态模式探索和自由移动环境中的数据 | 机器学习 | NA | 深度学习 | 浅层循环解码器网络 | 时间序列数据 | 涉及多种数据集，包括控制运动任务、步态模式探索和自由移动环境 | NA | NA | NA | NA |