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 1033 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 281 | 2024-08-27 |
Detecting Adverse Pathology of Prostate Cancer With a Deep Learning Approach Based on a 3D Swin-Transformer Model and Biparametric MRI: A Multicenter Retrospective Study
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28963
PMID:37602942
|
研究论文 | 本研究开发了一种基于3D Swin-Transformer模型和双参数MRI的深度学习方法，用于检测前列腺癌患者的不良病理情况，并进行多中心回顾性研究 | 使用3D Swin-Transformer网络（TransNet）和结合临床特征的集成模型（TransCL）来提高检测不良病理情况的准确性 | 研究为回顾性且涉及多中心数据，可能存在数据偏差 | 开发和比较深度学习模型与临床模型及放射科医生解读在检测前列腺癌不良病理情况中的性能 | 616名接受根治性前列腺切除术的患者 | 机器学习 | 前列腺癌 | 双参数MRI | Swin-Transformer | 影像 | 616名患者，分为训练组508人和外部验证组108人 |
| 282 | 2024-08-27 |
Automatic Detection of Perilunate and Lunate Dislocations on Wrist Radiographs Using Deep Learning
2024-Jun-01, Plastic and reconstructive surgery
IF:3.2Q1
DOI:10.1097/PRS.0000000000010928
PMID:37467052
|
研究论文 | 本研究使用深度学习算法自动检测手腕侧位X光片中的月骨周围和月骨脱位 | 开发了一种新颖的深度学习算法，用于诊断手腕侧位X光片中的月骨周围和月骨脱位，有望提高临床敏感性，最终防止这些损伤的延迟或漏诊 | 未提及具体限制 | 利用计算机视觉技术提高月骨周围和月骨脱位的诊断性能 | 手腕侧位X光片中的月骨周围和月骨脱位 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | 435张手腕侧位X光片 |
| 283 | 2024-08-27 |
Deep Learning-Based T2-Weighted MR Image Quality Assessment and Its Impact on Prostate Cancer Detection Rates
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29031
PMID:37811666
|
研究论文 | 本研究评估了基于深度学习的T2加权磁共振图像质量对前列腺癌检测率的影响 | 使用先前开发的内部人工智能算法对T2加权图像进行质量分类，并分析其对前列腺癌检测率的影响 | 研究为回顾性，且仅限于特定PI-RADS类别的病变 | 探讨图像质量对前列腺癌检测的影响 | 615名连续患者的前列腺MRI图像 | 数字病理学 | 前列腺癌 | T2加权涡轮自旋回波MRI | 人工智能算法 | 图像 | 615名患者 |
| 284 | 2024-08-27 |
Assessing the Accuracy and Reproducibility of PARIETAL: A Deep Learning Brain Extraction Algorithm
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.27776
PMID:34137113
|
研究论文 | 评估PARIETAL这一深度学习脑提取算法的准确性和可重复性 | PARIETAL算法能够在不同磁共振成像设备和协议下保持高性能，无需重新训练或微调 | NA | 展示并评估PARIETAL这一预训练的深度学习脑提取方法的临床使用效果 | PARIETAL算法的可重复性和在不同制造商扫描仪间的鲁棒性 | 机器学习 | NA | 磁共振成像(MRI) | 深度学习 | 图像 | 21名受试者（12名女性），年龄范围22-48岁，使用三种不同的MRI扫描仪 |
| 285 | 2024-08-07 |
Editorial for "3D Breast Cancer Segmentation in DCE-MRI Using Deep Learning With Weak Annotation"
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28957
PMID:37578324
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 286 | 2024-08-27 |
3D Breast Cancer Segmentation in DCE-MRI Using Deep Learning With Weak Annotation
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28960
PMID:37596823
|
研究论文 | 本文开发了一种使用弱注释的深度学习模型，用于在动态对比增强磁共振成像（DCE-MRI）中进行三维乳腺癌分割 | 使用弱注释方法节省时间和精力，并开发了基于3D U-Net transformer（UNETR）的深度学习模型 | NA | 开发一种可靠的深度学习模型，用于在DCE-MRI中进行三维乳腺癌分割 | 736名乳腺癌女性患者的数据 | 数字病理学 | 乳腺癌 | DCE-MRI | 3D U-Net transformer (UNETR) | 图像 | 736名乳腺癌女性患者，分为开发集（544名）和测试集（192名） |
| 287 | 2024-08-07 |
Editorial for "Detecting Adverse Pathology of Prostate Cancer With a Deep Learning Approach Based on a 3D Swin-Transformer Model and Biparametric MRI: A Multicenter Retrospective Study"
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28956
PMID:37639187
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 288 | 2024-08-07 |
Editorial for "Deep Learning-Based T2-Weighted MR Image Quality Assessment and Its Impact on Prostate Cancer Detection Rates"
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29033
PMID:37787598
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 289 | 2024-08-07 |
Editorial for "Assessment of Lymphovascular Invasion in Breast Cancer Using a Combined MRI Morphological Features, Radiomics, and Deep Learning Approach Based on Dynamic Contrast-Enhanced MRI"
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29065
PMID:37855435
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 290 | 2024-08-27 |
Assessment of Lymphovascular Invasion in Breast Cancer Using a Combined MRI Morphological Features, Radiomics, and Deep Learning Approach Based on Dynamic Contrast-Enhanced MRI
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29060
PMID:37855421
|
研究论文 | 本研究开发了一种结合MRI形态学特征、放射组学和深度学习方法的模型，用于评估乳腺癌中的淋巴血管侵犯（LVI）状态。 | 本研究通过结合MRI形态学特征、放射组学和深度学习方法，开发了一种新的联合诊断模型，显著提高了LVI状态评估的准确性。 | 本研究为回顾性横断面队列研究，未来需要在前瞻性研究中验证模型的有效性。 | 开发一种有效的模型，用于通过MRI形态学特征、放射组学和深度学习方法评估乳腺癌患者的LVI状态。 | 乳腺癌患者的淋巴血管侵犯（LVI）状态。 | 数字病理学 | 乳腺癌 | 动态对比增强MRI（DCE-MRI） | 深度学习（DL） | 图像 | 206名乳腺癌患者，其中训练集136名，测试集70名。 |
| 291 | 2024-08-26 |
PSMA-positive prostatic volume prediction with deep learning based on T2-weighted MRI
2024-Jun, La Radiologia medica
DOI:10.1007/s11547-024-01820-z
PMID:38700556
|
研究论文 | 本研究旨在利用基于T2加权MRI的深度学习神经网络预测前列腺PSMA阳性体积 | 通过深度结构图像分析，能够检测到人类眼睛在MRI图像上无法识别的结构特征差异，从而预测病变是否为PSMA阳性 | 需要进一步的大规模队列研究和外部验证来评估PSMA摄取是否可以被准确预测 | 训练一个基于PSMA PET/MRI扫描的神经网络，以预测基于轴向T2加权序列的前列腺PSMA摄取增加 | 前列腺癌患者的前列腺PSMA阳性体积 | 计算机视觉 | 前列腺癌 | MRI | C-ENet | 图像 | 154例PSMA PET/MRI扫描，其中124例用于训练，30例用于测试 |
| 292 | 2024-08-25 |
SurvNet: A low-complexity convolutional neural network for survival time classification of patients with glioblastoma
2024-Jun-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e32870
PMID:38988550
|
研究论文 | 本文提出了一种名为SurvNet的低复杂度卷积神经网络，用于分类胶质母细胞瘤患者的生存时间 | SurvNet通过结合多种MRI模式作为输入，增强了预测模型的精确度，并在多个模型中表现最佳 | NA | 准确识别脑肿瘤患者的总体生存时间 | 胶质母细胞瘤患者的生存时间分类 | 机器学习 | 脑肿瘤 | MRI | CNN | 图像 | 预手术磁共振图像数据集 |
| 293 | 2024-08-25 |
Artificial intelligence can be used in the identification and classification of shoulder osteoarthritis and avascular necrosis on plain radiographs: a training study of 7,139 radiograph sets
2024-06-17, Acta orthopaedica
IF:2.5Q1
DOI:10.2340/17453674.2024.40905
PMID:38884536
|
研究论文 | 本研究使用深度学习模型在平片上识别和分类肩关节骨关节炎和无血管性坏死 | 首次展示了深度学习模型在平片上识别和分级肩关节骨关节炎和无血管性坏死的能力 | 模型在区分无和轻度肩关节骨关节炎等级方面存在挑战 | 分析深度学习模型在平片上识别和分级肩关节骨关节炎的表现，并训练模型识别和分级无血管性坏死 | 肩关节骨关节炎和无血管性坏死 | 计算机视觉 | 骨关节炎 | 深度学习 | ResNet类型网络 | 图像 | 7,139组肩部X光片 |
| 294 | 2024-08-25 |
Assessment of the current and emerging criteria for the histopathological classification of lung neuroendocrine tumours in the lungNENomics project
2024-Jun, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2024.103591
PMID:38878324
|
研究论文 | 本研究评估了当前和新兴的组织病理学分类标准在肺神经内分泌肿瘤分类中的应用 | 研究了两种肿瘤增殖标志物Ki-67指数和磷酸化组蛋白H3（PHH3）蛋白表达，并通过深度学习自动量化 | 研究揭示Ki-67和PHH3蛋白表达并未显著提高当前分类的预后价值，且深度学习模型未发现具有诊断价值的未公开形态学特征 | 评估世界卫生组织（WHO）分类标准的优势和局限性，并评估新兴标志物的实用性 | 259例肺神经内分泌肿瘤（LNETs） | 数字病理学 | 肺肿瘤 | 深度学习 | 深度学习算法 | 图像 | 259例肺神经内分泌肿瘤，其中171例有相关生存数据 |
| 295 | 2024-08-24 |
Hyperparameter optimization: Classics, acceleration, online, multi-objective, and tools
2024-Jun-14, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2024275
PMID:39176427
|
综述 | 本文综述了超参数优化（HPO）的发展历程，包括经典方法、加速策略、在线配置以及多目标优化，并介绍了相关的工具和框架 | 本文系统地总结了超参数优化的多种方法和工具，包括加速策略、动态算法配置和多目标优化 | NA | 旨在解决手动超参数调整的挑战，提高机器学习模型训练和推理的效率 | 超参数优化方法及其在机器学习模型中的应用 | 机器学习 | NA | NA | NA | NA | NA |
| 296 | 2024-08-24 |
Image data augmentation techniques based on deep learning: A survey
2024-Jun-12, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2024272
PMID:39176424
|
综述 | 本文综述了基于深度学习的图像数据增强技术，分析了其优势和劣势，并探讨了在计算机视觉领域的应用和未来研究方向 | 提出并分析了多种图像数据增强方法，以解决数据有限情况下的模型过拟合问题 | 未具体提及 | 探讨图像数据增强技术如何提高模型性能和泛化能力 | 图像数据增强技术及其在计算机视觉中的应用 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
| 297 | 2024-08-22 |
Bibliometric Analysis of Forensic Human Remains Identification Literature from 1991 to 2022
2024-Jun-25, Fa yi xue za zhi
|
研究论文 | 通过计量分析法对1991年至2022年间法医人类学遗骸识别领域的文献进行分析，以描述当前研究状态和未来研究热点 | 未来研究可能会集中在通过机器学习和深度学习技术更准确和高效地识别多具骨骼遗骸 | 国际和国内合作的范围仍然有限 | 描述法医人类学遗骸识别研究领域的当前状态和未来研究热点 | 法医人类学遗骸识别研究 | NA | NA | 机器学习, 深度学习 | NA | 文献 | 873篇英文论文 |
| 298 | 2024-08-22 |
Comparison of the use of a clinically implemented deep learning segmentation model with the simulated study setting for breast cancer patients receiving radiotherapy
2024-Jun-20, Acta oncologica (Stockholm, Sweden)
DOI:10.2340/1651-226X.2024.34986
PMID:38899395
|
研究论文 | 本研究比较了在临床实践中使用的深度学习分割模型与先前模拟研究设置中乳腺癌患者接受放射治疗的表现和可接受性 | 本研究首次比较了临床实施的深度学习分割模型与模拟研究设置中的表现差异 | 研究未涉及其他类型的癌症患者，且仅限于特定的淋巴结水平 | 评估临床实施的深度学习分割模型在乳腺癌放射治疗中的表现和可接受性 | 乳腺癌患者接受放射治疗的深度学习分割模型 | 机器学习 | 乳腺癌 | 深度学习 | 深度学习分割模型 | 图像 | 60名接受全乳房放射治疗的患者 |
| 299 | 2024-08-22 |
Radiomics based on T2-weighted and diffusion-weighted MR imaging for preoperative prediction of tumor deposits in rectal cancer
2024-Jun, American journal of surgery
IF:2.7Q1
DOI:10.1016/j.amjsurg.2024.01.002
PMID:38272767
|
研究论文 | 本研究旨在开发和验证基于T2加权（T2WI）和扩散加权磁共振成像（DWI）的放射组学诺模图，用于直肠癌患者术前肿瘤沉积（TDs）的识别 | 本研究构建的放射组学诺模图结合了Rad-score（T2WI + ADC）和临床因素，显示出优于随机森林、支持向量机和深度学习模型的性能 | NA | 开发和验证一种基于T2WI和DWI的放射组学诺模图，用于直肠癌患者术前肿瘤沉积的预测 | 直肠癌患者的肿瘤沉积 | 数字病理学 | 直肠癌 | 磁共振成像（MRI） | 诺模图 | 图像 | 共199名直肠癌患者，分为训练集（159名）和验证集（40名） |
| 300 | 2024-08-21 |
Predicting treatment response in multicenter non-small cell lung cancer patients based on federated learning
2024-Jun-05, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-024-12456-7
PMID:38840081
|
研究论文 | 本文基于联邦学习框架，设计了一种多中心非小细胞肺癌患者治疗反应预测模型，以预测非小细胞肺癌患者的缓解概率，同时确保医疗数据隐私和高预测准确性及计算效率。 | 本文采用联邦学习方法，通过在本地保留数据、进行本地模型训练和聚合模型参数，有效解决了多中心数据直接整合的挑战，同时保证了患者隐私和数据安全。 | NA | 开发一种能够有效预测多中心非小细胞肺癌患者化疗和放疗反应的模型，同时保护患者隐私。 | 非小细胞肺癌患者及其治疗反应。 | 机器学习 | 肺癌 | 联邦学习 | CNN | 图像 | 245名接受化疗和放疗的非小细胞肺癌患者 |