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 941 - 960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 941 | 2024-08-07 |
Symmetry of constellation diagram-based intelligent SNR estimation for visible light communications
2024-Jun-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.525115
PMID:38824347
|
research paper | 本文提出了一种基于星座图对称性的可见光通信智能信噪比估计方案 | 引入了点归一化和象限归一化两种数据增强方法，提高了信噪比估计的准确性 | NA | 提高可见光通信中信噪比估计的准确性 | 可见光通信系统的信噪比性能 | machine learning | NA | NA | deep learning frameworks | image | 使用了不同数量的星座点（如32, 64, 128, 256, 512, 1024, 2048）进行实验 | NA | NA | NA | NA |
| 942 | 2024-08-07 |
The Use of Deep Learning Software in the Detection of Voice Disorders: A Systematic Review
2024-Jun, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.636
PMID:38168017
|
综述 | 本文综述了深度学习在利用声学和喉镜输入检测声音障碍中的应用，比较了特定神经网络的准确性，并评估了它们与专家临床视觉检查的有效性 | 深度学习模型在检测声音病理方面表现出高准确性，特别是CNN在评估喉镜图像和MLP在评估声学输入方面最为有效 | 尽管深度学习方法在有限的比较中优于专家临床检查，但仍需进一步研究以整合外部验证 | 总结深度学习在声音障碍检测中的应用，并评估其与传统临床检查的比较效果 | 声音障碍的检测 | 机器学习 | NA | 深度学习 | CNN, MLP | 图像, 声学数据 | 34项研究符合纳入标准，其中18项专注于声音分析，15项专注于图像分析，1项两者兼有 | NA | NA | NA | NA |
| 943 | 2024-08-07 |
Deep Learning for Automated Image Segmentation of the Middle Ear: A Scoping Review
2024-Jun, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.758
PMID:38667630
|
综述 | 本文是一篇综述，旨在全面回顾使用卷积神经网络（CNN）从计算机断层扫描（CT）图像中自动分割中耳的文献 | 综述了多种架构在利用CNN分割中耳方面的表现，并提出了针对最难分割的镫骨结构，建议开发一种在锥束CT上训练的架构以提高空间分辨率 | 对于最难分割的镫骨结构，现有的最高Dice相似系数为0.84，仍有改进空间 | 进行一项全面的文献综述，描述使用CNN从CT扫描中自动分割中耳的情况 | 中耳的自动图像分割 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | 共分析了10项研究，包含866个扫描图像用于模型训练/测试 | NA | NA | NA | NA |
| 944 | 2024-08-07 |
Prognostic impact and causality of age on oncological outcomes in women with endometrial cancer: a multimethod analysis of the randomised PORTEC-1, PORTEC-2, and PORTEC-3 trials
2024-Jun, The Lancet. Oncology
DOI:10.1016/S1470-2045(24)00142-6
PMID:38701815
|
研究论文 | 本研究通过多方法分析PORTEC-1、PORTEC-2和PORTEC-3随机试验的数据，探讨年龄对子宫内膜癌患者预后影响的因果关系 | 使用先进的统计和因果推断技术，首次证实年龄是子宫内膜癌预后的独立因果因素 | NA | 探讨年龄是否为子宫内膜癌预后的因果因素 | 1801名参与PORTEC-1、PORTEC-2和PORTEC-3随机试验的子宫内膜癌患者 | NA | 子宫内膜癌 | 非参数测试、多变量竞争风险分析、深度学习因果推断模型AutoCI | 深度学习因果推断模型AutoCI | 临床病理和分子特征数据 | 1801名患者，包括714名中风险、427名高-中风险和660名高风险子宫内膜癌患者 | NA | NA | NA | NA |
| 945 | 2024-08-07 |
Conceptualizing future groundwater models through a ternary framework of multisource data, human expertise, and machine intelligence
2024-Jun-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2024.121679
PMID:38696982
|
研究论文 | 本文开发了一种三元框架，结合多源数据、人类专业知识和机器智能，以提高地下水模型的可持续性和预测能力 | 提出了一种结合多源数据、人类专业知识和机器智能的三元框架，以克服传统地下水模型中的挑战 | 现有机器驱动方法在可解释性和泛化能力方面存在局限 | 概念化可持续水管理实践，增强对地下水系统的理解和预测能力 | 地下水模型 | NA | NA | 机器智能，特别是深度学习 | NA | 多源数据 | NA | NA | NA | NA | NA |
| 946 | 2024-08-07 |
A comprehensive assessment of machine learning algorithms for enhanced characterization and prediction in orodispersible film development
2024-Jun-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2024.124188
PMID:38705248
|
研究论文 | 本文探讨了机器学习算法在口腔分散膜开发中的应用，以提高其特性和预测能力 | 本研究展示了机器学习模型在预测口腔分散膜机械特性方面的高准确性，并揭示了配方变量间的复杂交互作用 | 本研究为初步研究，可能需要进一步的实验验证和模型优化 | 探索机器学习方法在口腔分散膜特性分析中的应用，以指导药物开发 | 口腔分散膜及其机械特性 | 机器学习 | NA | 机器学习算法 | 支持向量机、随机森林、深度学习 | 实验数据 | 大量实验数据 | NA | NA | NA | NA |
| 947 | 2024-08-07 |
Advances in Clinical Care with Contemporary Cardiac SPECT
2024-Jun, Journal of medical imaging and radiation sciences
IF:1.3Q3
DOI:10.1016/j.jmir.2024.02.024
PMID:38553298
|
综述 | 本文综述了当代心脏单光子发射计算机断层扫描（SPECT）在临床应用中的最新进展 | 介绍了数字SPECT技术、超低剂量成像、深度学习算法在冠状动脉造影和SPECT CT中的应用，以及无源发射衰减校正等新技术 | NA | 探讨心脏SPECT成像技术的临床应用和效果 | 心脏SPECT成像技术及其在多种心脏疾病诊断和治疗中的应用 | 数字病理学 | 心血管疾病 | SPECT成像 | 深度学习算法 | 图像 | NA | NA | NA | NA | NA |
| 948 | 2024-08-07 |
Deep learning for low-data drug discovery: Hurdles and opportunities
2024-06, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2024.102818
PMID:38669740
|
综述 | 本文综述了在药物发现领域中，深度学习在低数据情况下的应用及其面临的挑战和机遇 | 探讨了在低数据环境下利用深度学习的新方法，并预测了未来研究方向 | 深度学习在药物发现中的应用常受限于某些任务的小数据情况 | 分析低数据学习在药物发现中的障碍和优势，并预测未来研究方向 | 药物发现领域中的深度学习应用 | 机器学习 | NA | 深度学习 | NA | NA | 低数据情况 | NA | NA | NA | NA |
| 949 | 2024-08-07 |
New methods for drug synergy prediction: A mini-review
2024-06, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2024.102827
PMID:38705070
|
综述 | 本文探讨了基于高通量组合筛选的药物组合协同预测新方法 | 介绍了自2021年以来发表的超过三十种基于深度学习技术的机器学习方法 | 涉及新药物或细胞线的预测场景仍未达到准确的预测水平 | 旨在通过突出核心技术、数据来源、输入数据类型和协同评分以及预测场景和评估协议，将这些文章置于统一的视角下 | 药物组合协同预测方法 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 950 | 2024-08-07 |
Deep learning framework for peak detection at the intact level of therapeutic proteins
2024-Jun, Journal of separation science
IF:2.8Q2
DOI:10.1002/jssc.202400051
PMID:38819868
|
研究论文 | 本文研究了一种深度学习框架，用于在治疗性蛋白质的整体水平上进行峰值检测 | 采用卷积神经网络（CNN）模型进行峰值识别，其性能优于传统的部分最小二乘判别分析（PLS-DA）和局部加权回归（LWR） | NA | 开发一种自动化的峰值检测方法，以提高治疗性蛋白质分析中的真阳性率 | 单克隆抗体的异质变体（糖型） | 机器学习 | NA | 液相色谱-质谱法 | CNN | 质谱数据 | NA | NA | NA | NA | NA |
| 951 | 2024-08-07 |
Convolutional Neural Network-Based Deep Learning Engine for Mastoidectomy Instrument Recognition and Movement Tracking
2024-Jun, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.733
PMID:38520201
|
研究论文 | 开发一种基于卷积神经网络的计算机视觉模型，用于识别和追踪乳突切除术中的手术器械——钻头和吸引灌洗器 | 利用特征金字塔网络和DETECTRON技术开发了一种乳突切除术器械追踪模块，能够生成钻头和吸引灌洗器的运动方向和距离图 | NA | 开发和验证一种计算机视觉模型，用于识别和追踪乳突切除术中的手术器械 | 乳突切除术中的钻头和吸引灌洗器 | 计算机视觉 | NA | 卷积神经网络 | CNN | 视频 | 10个1分钟的视频，包含900帧图像，用于训练和测试模型 | NA | NA | NA | NA |
| 952 | 2024-08-07 |
Application of machine learning for antibiotic resistance in water and wastewater: A systematic review
2024-Jun, Chemosphere
IF:8.1Q1
|
综述 | 本文系统回顾了机器学习方法在解决水与废水中抗生素抗性问题中的应用 | 本文首次系统分析了机器学习在抗生素抗性问题中的应用，并指出了深度学习和其他方法的潜在应用前景 | 目前机器学习在抗生素抗性问题中的应用主要集中在浅层学习，深度学习和其他方法的应用较少 | 探讨机器学习方法在解决水与废水中抗生素抗性问题中的应用 | 水与废水中的抗生素抗性问题 | 机器学习 | NA | 机器学习方法 | 人工神经网络、决策树、贝叶斯方法 | NA | 12个应用案例，其中11个使用浅层学习，1个使用深层学习 | NA | NA | NA | NA |
| 953 | 2024-08-07 |
An efficient Fusion-Purification Network for Cervical pap-smear image classification
2024-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2024.108199
PMID:38728830
|
研究论文 | 本文提出了一种高效的融合净化网络，用于宫颈涂片图像分类 | 本文创新性地引入了宫颈净化瓶颈模块，以增强宫颈细胞特征的判别性并解决融合后的数据冗余和偏差问题 | 现有方法忽视了全局形态信息的重要性，导致特征表示能力不足 | 旨在提高宫颈细胞图像分类的效率和准确性 | 宫颈细胞图像 | 计算机视觉 | 宫颈疾病 | 深度学习 | 融合净化网络 | 图像 | 涉及两个真实世界数据集 | NA | NA | NA | NA |
| 954 | 2024-08-07 |
Improved PAA algorithm for breast mass detection in mammograms
2024-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2024.108211
PMID:38744058
|
研究论文 | 本文通过改进概率锚点分配（PAA）算法，提高了乳腺X线摄影中乳腺肿块检测的准确性 | 本文提出了一种改进的PAA算法，通过优化主干网络、特征融合模块和密集检测头，有效提高了乳腺肿块检测的TPR并降低了FPPI | NA | 提高乳腺X线摄影中乳腺肿块检测的准确性 | 乳腺X线摄影中的乳腺肿块 | 计算机视觉 | 乳腺癌 | 深度学习 | PAA算法 | 图像 | INbreast数据集 | NA | NA | NA | NA |
| 955 | 2024-08-07 |
Point based weakly semi-supervised biomarker detection with cross-scale and label assignment in retinal OCT images
2024-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2024.108229
PMID:38761413
|
研究论文 | 本文提出了一种基于点的弱半监督生物标志物检测网络，用于在视网膜OCT图像中进行生物标志物检测，通过点标注减少边界框级别的标注工作，并引入跨尺度特征增强模块和动态标签分配策略提高检测性能 | 提出了一种新的弱半监督对象检测方法，使用点标注减少边界框级别的标注工作；引入了跨尺度特征增强模块和动态标签分配策略，以处理生物标志物的大尺度变化和外观不明显的问题 | NA | 旨在克服现有深度学习方法在检测视网膜OCT图像中生物标志物时遇到的挑战，提高检测的准确性和效率 | 视网膜OCT图像中的生物标志物 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 使用了5%、10%和50%的全标注数据集进行实验 | NA | NA | NA | NA |
| 956 | 2024-08-07 |
Deep Learning Method for Rapid Simultaneous Multistructure Temporal Bone Segmentation
2024-Jun, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.764
PMID:38769857
|
研究论文 | 开发并验证了一种深度学习算法，用于从临床计算机断层扫描（CT）数据集中自动分割关键的颞骨结构 | 使用先进的深度学习算法（SwinUNETR）进行快速的多结构颞骨分割 | NA | 提高耳科手术的术前评估和术中指导 | 颞骨内的多个结构 | 计算机视觉 | NA | 深度学习 | SwinUNETR | CT扫描图像 | 325个临床CT扫描数据集，分为训练集260个和测试集65个 | NA | NA | NA | NA |
| 957 | 2024-08-07 |
Deep learning facilitates efficient optimization of antisense oligonucleotide drugs
2024-Jun-11, Molecular therapy. Nucleic acids
DOI:10.1016/j.omtn.2024.102208
PMID:38803420
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 958 | 2024-08-07 |
Usefulness of pituitary high-resolution 3D MRI with deep-learning-based reconstruction for perioperative evaluation of pituitary adenomas
2024-Jun, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-024-03315-0
PMID:38374411
|
研究论文 | 评估深度学习重建的T1加权3D快速自旋回波序列（CUBE）在增强MRI中描绘垂体腺瘤和鞍旁区域的诊断价值 | 使用深度学习重建的CUBE序列在描绘垂体腺瘤和鞍旁区域方面显著优于未使用深度学习重建的CUBE、1毫米2D T1WI和SPGR序列 | NA | 评估深度学习重建技术在增强MRI中对垂体腺瘤和鞍旁区域的诊断价值 | 24名垂体腺瘤或残留肿瘤患者 | 计算机视觉 | 垂体腺瘤 | 深度学习重建（DLR） | NA | MRI图像 | 24名患者 | NA | NA | NA | NA |
| 959 | 2024-08-07 |
Deep Learning based Retinal Vessel Caliber Measurement and the Association with Hypertension
2024-06, Current eye research
IF:1.7Q3
DOI:10.1080/02713683.2024.2319755
PMID:38407139
|
研究论文 | 本文开发了一种基于深度学习的视网膜血管口径自动测量方法，并评估了视网膜血管口径与高血压的关联 | 提出的深度学习方法在效率上显著优于半自动软件，并可应用于人群筛查和风险评估 | NA | 开发一种高效且全自动的视网膜血管口径测量方法，并评估其与高血压的关联 | 来自北京两个来源的受试者，包括同仁医院的高血压病例对照研究和北京大学第一医院的社区动脉粥样硬化队列研究 | 计算机视觉 | 心血管疾病 | 深度学习 | 深度学习模型 | 图像 | 来自同仁医院和北京大学第一医院的受试者 | NA | NA | NA | NA |
| 960 | 2024-08-07 |
Automated AI-based grading of neuroendocrine tumors using Ki-67 proliferation index: comparative evaluation and performance analysis
2024-Jun, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03045-8
PMID:38409645
|
研究论文 | 本文提出了一种基于人工智能的方法，用于自动化计算和分级神经内分泌肿瘤的Ki-67增殖指数 | 采用U-Net架构进行图像分割，并通过颜色空间信息和其他特征识别Ki-67阳性或阴性细胞，实现肿瘤的自动化分级 | NA | 开发一种辅助病理学家自动化计算和分级Ki-67增殖指数的人工智能方法 | 神经内分泌肿瘤的Ki-67增殖指数 | 数字病理学 | 神经内分泌肿瘤 | U-Net | CNN | 图像 | 来自Necmettin Erbakan大学Meram医学院病理学系的数据集 | NA | NA | NA | NA |