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 1034 篇文献，本页显示第 321 - 340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 321 | 2024-09-07 |
The Quantitative Evaluation of Automatic Segmentation in Lumbar Magnetic Resonance Images
2024-Jun, Neurospine
IF:3.8Q1
DOI:10.14245/ns.2448060.030
PMID:38955536
|
研究论文 | 本研究旨在通过开发自动化分割模型，克服腰椎磁共振成像中的挑战，特别是腰椎管狭窄症 | 引入了一种新的旋转矩阵方法来检测突出的椎间盘，评估硬膜囊压迫，并测量黄韧带厚度 | NA | 开发一种准确且自动化的分割模型，用于识别腰椎磁共振成像扫描中的解剖结构 | 腰椎磁共振成像中的解剖结构 | 计算机视觉 | 腰椎管狭窄症 | 深度学习 | 残差U-Net | 图像 | 539名腰椎管狭窄症患者 |
| 322 | 2024-09-06 |
A muti-modal feature fusion method based on deep learning for predicting immunotherapy response
2024-06-07, Journal of theoretical biology
IF:1.9Q3
DOI:10.1016/j.jtbi.2024.111816
PMID:38589007
|
研究论文 | 本文开发了一种基于深度学习的多模态特征融合模型，用于预测免疫治疗反应 | 本文提出的多模态特征融合模型利用图神经网络将基因网络中的基因关系映射到低维向量空间，并融合生物通路特征和免疫细胞浸润特征，以提高对免疫治疗反应的预测性能 | NA | 预测免疫治疗反应 | 癌症患者对免疫检查点治疗的反应 | 机器学习 | NA | 图神经网络 | 多模态特征融合模型 | 基因网络数据、生物通路特征、免疫细胞浸润特征 | 五个数据集，涵盖黑色素瘤、肺癌和胃癌等多种癌症类型 |
| 323 | 2024-09-06 |
MOSAIC: An Artificial Intelligence-Based Framework for Multimodal Analysis, Classification, and Personalized Prognostic Assessment in Rare Cancers
2024-Jun, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.24.00008
PMID:38875514
|
研究论文 | 本文介绍了一种基于人工智能的框架MOSAIC，用于罕见癌症的多模态分析、分类和个性化预后评估 | MOSAIC框架结合了深度学习和联邦学习技术，提供了比传统统计方法更精确的分类和预后评估 | NA | 开发和验证一种用于罕见癌症分类和预后评估的人工智能框架 | 罕见癌症，特别是骨髓增生异常综合征（MDS） | 机器学习 | 血液系统疾病 | 深度学习 | 梯度提升生存模型 | 临床和基因组数据 | 4427名MDS患者 |
| 324 | 2024-09-05 |
CT Reconstruction using Diffusion Posterior Sampling conditioned on a Nonlinear Measurement Model
2024-Jun-11, ArXiv
PMID:38947914
|
研究论文 | 本文提出了一种基于扩散后验采样的非线性测量模型CT重建新方法 | 该方法通过结合非线性物理模型的测量似然得分函数与扩散先验，实现了无需额外训练的通用非线性CT图像重建 | NA | 解决非线性CT图像重建的逆问题 | CT图像重建技术 | 计算机视觉 | NA | 扩散后验采样 | 扩散模型 | 图像 | 在全采样低剂量数据和稀疏视图几何中进行了演示 |
| 325 | 2024-09-05 |
Epitope Identification of an mGlu5 Receptor Nanobody Using Physics-Based Molecular Modeling and Deep Learning Techniques
2024-Jun-10, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01620
PMID:38423996
|
研究论文 | 本文提出了一种计算方法，用于识别作为激动剂和正变构调节剂的纳米抗体的表位，并使用物理基础的分子建模和深度学习技术进行验证。 | 本文首次采用计算方法结合多种结构建模工具和人工智能算法来识别纳米抗体的表位，并进行了实验验证。 | 实验结构技术虽然有效，但成本高且耗时。 | 旨在通过计算方法识别纳米抗体的表位，以促进其作为治疗药物的开发。 | 研究对象为作为激动剂和正变构调节剂的纳米抗体，以及大鼠代谢型谷氨酸受体5。 | 机器学习 | NA | 物理基础的分子建模和深度学习技术 | 人工智能算法 | 分子结构 | NA |
| 326 | 2024-09-05 |
The Deep Learning Framework iCanTCR Enables Early Cancer Detection Using the T-cell Receptor Repertoire in Peripheral Blood
2024-Jun-04, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-23-0860
PMID:38536129
|
研究论文 | 本文开发了深度学习框架iCanTCR，用于基于T细胞受体（TCR）谱在早期检测癌症 | iCanTCR框架能够准确识别早期癌症患者，并能区分多种癌症类型 | NA | 开发一种基于TCR谱的深度学习框架，用于早期癌症检测 | T细胞受体（TCR）谱在早期癌症检测中的应用 | 机器学习 | NA | 深度学习 | 深度学习框架 | TCRβ序列 | 超过2000个公开可用的TCR谱，来自11种癌症和健康对照 |
| 327 | 2024-08-31 |
Using Vision Transformer for high robustness and generalization in predicting EGFR mutation status in lung adenocarcinoma
2024-Jun, Clinical & translational oncology : official publication of the Federation of Spanish Oncology Societies and of the National Cancer Institute of Mexico
IF:2.8Q2
DOI:10.1007/s12094-023-03366-4
PMID:38194018
|
研究论文 | 本文提出了一种使用视觉变换器（ViT）模型，通过非侵入性CT图像预测肺腺癌中EGFR突变状态的方法 | 采用基于自注意力机制的ViT-B/16模型，提高了预测EGFR突变状态的鲁棒性和泛化能力 | NA | 开发一种准确预测肺腺癌患者EGFR突变状态的深度学习模型 | 肺腺癌患者的CT图像及其EGFR突变状态 | 计算机视觉 | 肺腺癌 | NA | ViT | 图像 | 525名患者用于模型训练和验证，30名患者用于外部测试 |
| 328 | 2024-08-30 |
Radiomics diagnostic performance for predicting lymph node metastasis in esophageal cancer: a systematic review and meta-analysis
2024-Jun-12, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-024-01278-5
PMID:38867143
|
meta-analysis | 本文通过系统综述和荟萃分析评估了放射组学模型在预测食管癌淋巴结转移中的准确性 | 放射组学作为一种人工智能驱动的医学影像方法，具有变革性的潜力 | 当前影像方法在准确检测淋巴结转移方面存在局限性 | 评估放射组学模型预测食管癌淋巴结转移的准确性 | 食管癌患者的淋巴结转移预测 | digital pathology | 食管癌 | 放射组学 | NA | 影像 | 719名患者 |
| 329 | 2024-08-27 |
Federated Learning: A Cross-Institutional Feasibility Study of Deep Learning Based Intracranial Tumor Delineation Framework for Stereotactic Radiosurgery
2024-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28950
PMID:37572087
|
研究论文 | 本研究探讨了联邦学习（FL）在立体定向放射手术（SRS）中基于深度学习的颅内肿瘤勾画框架的跨机构可行性 | 提出了一种联邦学习方案，解决了多机构研究中数据分散和隐私保护的问题 | 在台中荣民总医院的数据中，集中学习（CL）在使用双参数时显著优于联邦学习（FL） | 探索联邦学习在立体定向放射手术中肿瘤勾画方案的可行性 | 506和118名年龄在15-88岁和22-85岁的前庭神经鞘瘤患者；1069和256名年龄在12-91岁和23-85岁的脑膜瘤患者；574和705名年龄在26-92岁和28-89岁的脑转移瘤患者 | 机器学习 | 颅内肿瘤 | 深度学习 | CNN | 图像 | 506和118名前庭神经鞘瘤患者，1069和256名脑膜瘤患者，574和705名脑转移瘤患者 |
| 330 | 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 |
| 331 | 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 |
| 332 | 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 |
| 333 | 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 |
| 334 | 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） |
| 335 | 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 |
| 336 | 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 |
| 337 | 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 |
| 338 | 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。 |
| 339 | 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 |
| 340 | 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 |