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 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 | 2024-10-19 |
[Deep transfer learning radiomics model based on temporal bone CT for assisting in the diagnosis of inner ear malformations]
2024-Jun, Lin chuang er bi yan hou tou jing wai ke za zhi = Journal of clinical otorhinolaryngology, head, and neck surgery
|
研究论文 | 评估传统放射组学、深度学习和深度学习放射组学在区分正常和内耳畸形方面的诊断效果 | 结合深度学习和放射组学特征，通过特征融合建立模型，提高了诊断准确性 | 模型之间的差异未达到统计学显著性 | 评估不同方法在诊断内耳畸形中的效果 | 内耳畸形和正常内耳的CT图像 | 计算机视觉 | 耳鼻喉疾病 | 深度迁移学习 | 深度学习放射组学模型 | CT图像 | 572例颞骨CT数据，包括201例内耳畸形和371例正常内耳 | NA | NA | NA | NA |
| 302 | 2024-10-18 |
Speech decoding from stereo-electroencephalography (sEEG) signals using advanced deep learning methods
2024-06-27, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad593a
PMID:38885688
|
研究论文 | 本研究使用立体脑电图（sEEG）信号和先进的深度学习方法解码语音波形 | 首次全面探索使用立体脑电图（sEEG）信号进行语音解码，并展示了深度学习方法在此领域的优越性 | 研究仅限于解码荷兰语单词，且样本量较小 | 探索使用立体脑电图（sEEG）信号解码语音的可行性，并评估不同深度学习方法的性能 | 癫痫患者的立体脑电图（sEEG）信号和其对应的语音波形 | 机器学习 | NA | 立体脑电图（sEEG） | RNN, Transformer | 信号 | 癫痫患者参与者的sEEG数据 | NA | NA | NA | NA |
| 303 | 2024-10-13 |
Attention-based Imputation of Missing Values in Electronic Health Records Tabular Data
2024-Jun, Proceedings. IEEE International Conference on Healthcare Informatics
DOI:10.1109/ichi61247.2024.00030
PMID:39387063
|
研究论文 | 本文提出了一种基于注意力机制的电子健康记录表格数据缺失值插补框架 | 利用特征间（自注意力）或样本间注意力来重建缺失数据，并采用对比学习中的数据处理方法提高插补模型的泛化能力 | 未提及具体局限性 | 提高机器学习在患者特定预测建模中对电子健康记录表格数据缺失值插补的准确性 | 电子健康记录表格数据中的缺失值 | 机器学习 | NA | 注意力机制 | 自注意力模型 | 表格数据 | 五个表格数据集和两个电子健康记录数据集 | NA | NA | NA | NA |
| 304 | 2024-10-11 |
Enhancing fall risk assessment: instrumenting vision with deep learning during walks
2024-06-22, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-024-01400-2
PMID:38909239
|
研究论文 | 本文提出了一种基于深度学习的物体检测算法VARFA，用于在步行过程中通过视觉和视频数据增强跌倒风险评估 | 本文的创新点在于提出了一种自动化的深度学习方法，通过视频数据评估视觉注意力，补充了传统的惯性测量单元（IMU）数据，从而更全面地评估跌倒风险 | 本文的局限性在于仅在实验室环境中进行了验证，尚未在实际临床环境中进行测试 | 本文的研究目的是通过自动化方法提高跌倒风险评估的效率和准确性 | 本文的研究对象是步行过程中的视觉注意力和环境细节 | 计算机视觉 | NA | 深度学习 | YoloV8, U-NET | 视频 | 实验室环境下的步行视频数据 | NA | NA | NA | NA |
| 305 | 2024-10-10 |
Evaluation of image quality on low contrast media with deep learning image reconstruction algorithm in prospective ECG-triggering coronary CT angiography
2024-Jun, The international journal of cardiovascular imaging
DOI:10.1007/s10554-024-03113-y
PMID:38722507
|
研究论文 | 评估低对比剂剂量下使用深度学习图像重建算法对冠状动脉CT血管造影图像质量的影响 | 使用深度学习图像重建算法（DLIR）在低对比剂剂量下实现高质量的冠状动脉CT血管造影图像 | 研究仅限于特定的对比剂浓度和流速，未探讨其他可能影响图像质量的因素 | 评估低剂量对比剂注射协议与深度学习图像重建算法对冠状动脉CT血管造影图像质量的影响 | 冠状动脉CT血管造影图像质量 | 计算机视觉 | 心血管疾病 | 深度学习图像重建算法 | 深度学习模型 | 图像 | 210名患者，分为三组，每组70人 | NA | NA | NA | NA |
| 306 | 2024-10-10 |
Exploring the potential of machine learning in gynecological care: a review
2024-06, Archives of gynecology and obstetrics
IF:2.1Q2
DOI:10.1007/s00404-024-07479-1
PMID:38625543
|
综述 | 本文综述了机器学习在妇科护理中的潜力及其在孕早期、中期和晚期与超声技术的结合应用 | 探讨了机器学习在妇科健康中的应用，包括自然语言处理（NLP）和ChatGPT的概念 | 讨论了在妇科领域应用机器学习时面临的挑战 | 综述机器学习在妇科护理中的应用及其潜力 | 孕早期、中期和晚期，以及不孕症治疗、乳腺癌和宫颈癌 | 机器学习 | 妇科疾病 | 机器学习（ML）和深度学习（DL） | NA | 数据集 | NA | NA | NA | NA | NA |
| 307 | 2024-10-09 |
ArcheD, a residual neural network for prediction of cerebrospinal fluid amyloid-beta from amyloid PET images
2024-Jun, The European journal of neuroscience
DOI:10.1111/ejn.16332
PMID:38576196
|
研究论文 | 开发了一种深度学习模型ArcheD，用于从淀粉样蛋白PET图像中直接预测脑脊液中的淀粉样蛋白-β浓度 | 提出了一种新的残差神经网络ArcheD，能够独立于示踪剂、脑参考区域或预选感兴趣区域，直接从淀粉样蛋白PET图像中预测脑脊液中的淀粉样蛋白-β浓度 | 未提及 | 开发一种深度学习模型，用于从淀粉样蛋白PET图像中直接预测脑脊液中的淀粉样蛋白-β浓度，以辅助阿尔茨海默病的早期识别和诊断 | 淀粉样蛋白PET图像和脑脊液中的淀粉样蛋白-β浓度 | 机器学习 | 阿尔茨海默病 | 深度学习 | 残差神经网络 | 图像 | 1870个淀粉样蛋白PET图像和脑脊液测量数据 | NA | NA | NA | NA |
| 308 | 2024-10-08 |
Location-based Radiology Report-Guided Semi-supervised Learning for Prostate Cancer Detection
2024-Jun-18, ArXiv
PMID:39371085
|
研究论文 | 提出了一种基于放射报告中的病变位置信息指导的半监督学习方法，用于前列腺癌的检测 | 利用放射报告中自动提取的病变位置信息，通过半监督学习方法减少对标注图像的依赖，从而降低标注负担 | NA | 提高计算机辅助前列腺癌在MRI上的检测效果 | 前列腺癌的检测 | 计算机视觉 | 前列腺癌 | 半监督学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 309 | 2024-10-07 |
Inferring single-cell spatial gene expression with tissue morphology via explainable deep learning
2024-Jun-14, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.12.598686
PMID:38915550
|
研究论文 | 开发了一种基于视觉变换器（ViT）的框架，用于从组织形态学图像推断单细胞空间基因表达 | 提出了名为SPiRiT的框架，通过整合交叉验证和模型解释在超参数调优中，显著提高了预测准确性 | NA | 探索利用组织形态学图像推断单细胞空间基因表达的可行性 | 人类乳腺癌和小鼠幼崽的组织形态学图像 | 计算机视觉 | 乳腺癌 | NA | 视觉变换器（ViT） | 图像 | 人类乳腺癌和小鼠幼崽的组织样本 | NA | NA | NA | NA |
| 310 | 2024-10-06 |
Hematologic cancer diagnosis and classification using machine and deep learning: State-of-the-art techniques and emerging research directives
2024-06, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2024.102883
PMID:38657439
|
综述 | 本文综述了过去20年中使用机器学习和深度学习技术进行血液癌症诊断和分类的研究进展 | 本文总结了现有研究的优势和局限性，为该领域的研究人员提供了有价值的指导 | 本文主要基于已发表的研究进行综述，未提出新的技术或模型 | 评估和总结机器学习和深度学习在血液癌症诊断和分类中的应用 | 血液癌症的诊断和分类 | 机器学习 | 血液癌症 | 机器学习和深度学习 | NA | 图像 | 约57篇研究论文 | NA | NA | NA | NA |
| 311 | 2024-10-06 |
Learning the cellular activity representation based on gene regulatory networks for prediction of tumor response to drugs
2024-06, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2024.102864
PMID:38640702
|
研究论文 | 本文提出了一种基于基因调控网络学习肿瘤细胞活性表示的方法，用于预测肿瘤对药物的反应 | 该方法通过整合基因调控网络的先验知识，模拟细胞生物系统，生成新的低维活性表示，从而提高预测性能 | NA | 预测肿瘤细胞对抗癌药物的反应，实现癌症精准医疗 | 肿瘤细胞对药物的反应 | 机器学习 | NA | 基因调控网络 | 深度学习模型 | 基因表达数据 | NA | NA | NA | NA | NA |
| 312 | 2024-10-06 |
Improving multiple sclerosis lesion segmentation across clinical sites: A federated learning approach with noise-resilient training
2024-06, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2024.102872
PMID:38701636
|
研究论文 | 本文探讨了在多发性硬化症（MS）病变分割中使用联邦学习框架和噪声鲁棒训练策略，以解决多临床站点数据隐私和标签噪声问题 | 提出了Decoupled Hard Label Correction (DHLC)和Centrally Enhanced Label Correction (CELC)策略，以提高模型在多站点数据上的鲁棒性和准确性 | 未提及具体的局限性 | 提高多发性硬化症病变分割的准确性和鲁棒性，以支持疾病进展的理解和治疗策略的制定 | 多发性硬化症病变分割模型 | 计算机视觉 | 神经系统疾病 | 联邦学习 | 深度学习模型 | 医学影像 | 涉及两个多站点数据集 | NA | NA | NA | NA |
| 313 | 2024-10-03 |
Structure-based prediction of protein-nucleic acid binding using graph neural networks
2024-Jun, Biophysical reviews
IF:4.9Q1
DOI:10.1007/s12551-024-01201-w
PMID:39345796
|
研究论文 | 本文开发了一种基于图神经网络的深度学习方法，用于预测蛋白质与核酸的结合 | 利用图神经网络编码蛋白质结构的物理化学和几何特性，预测核酸结合位点 | NA | 开发一种新的方法来预测蛋白质与核酸的结合 | 蛋白质与核酸的结合 | 机器学习 | NA | 图神经网络 | 图神经网络 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 314 | 2024-09-27 |
Potential of digital chest radiography-based deep learning in screening and diagnosing pneumoconiosis: An observational study
2024-Jun-21, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000038478
PMID:38905434
|
研究论文 | 本研究探讨了基于数字胸部X光片的深度学习模型在尘肺筛查和诊断中的应用 | 本研究开发了一种基于深度学习的模型，用于尘肺的筛查和分期，并发现ResNet101模型在分类尘肺方面表现优于放射科医生 | 本研究仅使用了1250张胸部X光片进行训练和测试，样本量相对较小 | 提高尘肺诊断的准确性和一致性 | 尘肺的分类和诊断 | 计算机视觉 | 尘肺 | 深度学习 | ResNet101 | 图像 | 1250张胸部X光片 | NA | NA | NA | NA |
| 315 | 2024-09-26 |
Deep learning model to differentiate Crohn's disease from intestinal tuberculosis using histopathological whole slide images from intestinal specimens
2024-Jun, Virchows Archiv : an international journal of pathology
IF:3.4Q1
DOI:10.1007/s00428-024-03740-9
PMID:38332051
|
研究论文 | 本研究利用深度学习模型分析肠道标本的病理全切片图像，以区分克罗恩病和肠结核 | 开发了一种深度学习模型，能够有效区分克罗恩病和肠结核，提高了病理诊断的准确性 | 深度学习模型的诊断效率略低于高级胃肠病理学家 | 应用深度学习技术区分克罗恩病和肠结核 | 肠道标本的病理全切片图像 | 数字病理 | 消化系统疾病 | 深度学习 | 深度学习模型 | 图像 | 1973张全切片图像，来自85个病例，涉及3个中心 | NA | NA | NA | NA |
| 316 | 2024-09-25 |
An artificial intelligence tool predicts blastocyst development from static images of fresh mature oocytes
2024-06, Reproductive biomedicine online
IF:3.7Q1
DOI:10.1016/j.rbmo.2024.103842
PMID:38552566
|
研究论文 | 开发了一种深度学习模型，通过分析新鲜成熟卵母细胞的静态图像来预测囊胚发育 | 首次利用深度学习模型通过卵母细胞的静态图像预测囊胚发育，为卵母细胞评估提供了新的方法 | 模型在不同年龄组和地理位置的表现存在差异，且需要进一步验证其普遍适用性 | 开发一种能够通过卵母细胞图像预测囊胚发育的深度学习模型 | 新鲜成熟卵母细胞的静态图像 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 37,133张卵母细胞图像，其中7,807张用于测试，12,357张用于外部验证 | NA | NA | NA | NA |
| 317 | 2024-09-21 |
Multi-scale spatiotemporal attention network for neuron based motor imagery EEG classification
2024-06, Journal of neuroscience methods
IF:2.7Q3
DOI:10.1016/j.jneumeth.2024.110128
PMID:38554787
|
研究论文 | 本文提出了一种基于多尺度时空自注意力机制的网络模型，用于分类基于运动想象任务的脑电信号 | 该模型利用注意力机制自动分配权重，选择与运动活动相关的通道，并使用多尺度时间卷积网络层提取时间域特征信息 | NA | 开发和训练一个能够有效提取运动想象脑电数据特征的网络模型 | 基于运动想象任务的脑电信号 | 机器学习 | NA | 脑电图 (EEG) | 自注意力网络 (SA) | 脑电信号 | 使用了BCI竞赛数据集IV-2a、IV-2b和HGD，分别包含79.26%、85.90%和96.96%的准确率 | NA | NA | NA | NA |
| 318 | 2024-09-20 |
Recovering speech intelligibility with deep learning and multiple microphones in noisy-reverberant situations for people using cochlear implants
2024-06-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0026218
PMID:38884525
|
研究论文 | 研究通过深度学习和多麦克风系统在噪声和混响环境中提高人工耳蜗使用者的语音可懂度 | 提出了一种结合深度学习和多麦克风系统的方法，通过去除噪声和混响来恢复语音信号，显著提高了语音接收阈值 | 研究仅限于模拟和实际人工耳蜗使用者的测试，未涵盖所有可能的听觉环境 | 旨在通过深度学习算法和多麦克风系统提高人工耳蜗使用者在噪声和混响环境中的语音可懂度 | 研究对象包括15名典型听力听众和12名人工耳蜗使用者 | 机器学习 | NA | 深度学习算法 | NA | 语音信号 | 15名典型听力听众和12名人工耳蜗使用者 | NA | NA | NA | NA |
| 319 | 2024-09-15 |
Detecting outliers in case-control cohorts for improving deep learning networks on Schizophrenia prediction
2024-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2023-0042
PMID:39004922
|
研究论文 | 研究探讨了精神分裂症的复杂遗传和临床特征，并开发了一种基于基因注释的深度学习架构，用于检测和过滤病例对照队列中的异常值，以提高分类模型的性能 | 提出了一种新的方法来检测和过滤病例对照队列中的异常值，以提高深度学习模型在精神分裂症预测中的性能 | 研究仅基于瑞典人群的数据集，可能限制了结果的普适性 | 提高深度学习模型在精神分裂症预测中的准确性 | 精神分裂症的遗传和临床特征 | 机器学习 | 精神疾病 | 深度学习 | 深度学习架构 | 基因数据 | 来自瑞典人群的病例对照数据集 | NA | NA | NA | NA |
| 320 | 2024-09-15 |
Unlocking the power of AI models: exploring protein folding prediction through comparative analysis
2024-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2023-0041
PMID:38797876
|
研究论文 | 本文通过比较分析探讨了深度学习模型在蛋白质折叠预测中的应用 | 本文强调了评估深度学习模型多样性输出的重要性，并进行了跨物种和蛋白质的比较分析 | 本文主要集中在特定蛋白质（ARM58和ARM56）的分析，未涵盖所有蛋白质结构预测的复杂性 | 评估深度学习模型在蛋白质折叠预测中的准确性，并提供对这些预测复杂性的见解 | ARM58和ARM56蛋白质及其在不同物种中的同源物 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质序列 | 涉及两个蛋白质（ARM58和ARM56）及其同源物 | NA | NA | NA | NA |