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 1296 篇文献，本页显示第 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 2024-12-08 |
Prognosis Prediction of Diffuse Large B-Cell Lymphoma in 18F-FDG PET Images Based on Multi-Deep-Learning Models
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3390804
PMID:38635387
|
研究论文 | 本文提出了一种新的多深度学习模型，用于基于18F-FDG PET图像的弥漫性大B细胞淋巴瘤（DLBCL）的预后预测 | 本文提出了一种灵活的集成深度学习模型，通过选择预训练的深度学习模型构建多R-signature，用于预测无进展生存期（PFS）和总生存期（OS） | NA | 开发一种多参数模型，用于准确分层DLBCL患者的生存风险，并指导个性化治疗策略 | 弥漫性大B细胞淋巴瘤（DLBCL）患者的预后预测 | 计算机视觉 | 淋巴瘤 | 深度学习 | 多深度学习模型 | 图像 | 两个不同影像中心的数据集 | NA | NA | NA | NA |
| 402 | 2024-12-08 |
Multi-Resolution Wavelet Fractal Analysis and Subtask Training for Enhancing Few-Shot Noisy Brainwave Recognition
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3318419
PMID:37738183
|
研究论文 | 本文提出了一种基于多分辨率小波分形分析和子任务训练的框架，用于增强少量噪声脑电波识别 | 引入多分辨率数据分析和子任务学习方法，通过小波分形捕捉不同尺度的特征，并采用子任务训练提高模型的泛化能力 | NA | 提高基于脑电波的识别系统在噪声环境下的性能 | 脑电波数据 | 机器学习 | NA | 小波变换 | 深度学习模型 | 脑电波数据 | 少量样本 | NA | NA | NA | NA |
| 403 | 2024-12-08 |
GaitNet+ARL: A Deep Learning Algorithm for Interpretable Gait Analysis of Chronic Ankle Instability
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3383588
PMID:38557612
|
研究论文 | 本文提出了一种基于深度学习的慢性踝关节不稳（CAI）步态分析算法，结合了图神经网络（GNN）和注意力强化学习（ARL）模型 | 创新点在于结合了生物力学原理的图神经网络和注意力强化学习模型，显著提高了CAI识别的准确性 | NA | 旨在开发一种可解释的深度学习算法，用于慢性踝关节不稳的步态分析 | 慢性踝关节不稳患者和对照组的步态数据 | 机器学习 | 运动损伤 | 图神经网络（GNN），注意力强化学习（ARL） | GNN，ARL | 运动学数据 | NEU-CAI数据集，由立体摄影测量系统收集 | NA | NA | NA | NA |
| 404 | 2024-12-08 |
A Deep Learning Approach to Estimate Multi-Level Mental Stress From EEG Using Serious Games
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3395548
PMID:38687658
|
研究论文 | 本研究探讨了通过脑电图（EEG）系统和严肃游戏来估计用户在特定任务中的多层次心理压力的可行性 | 本研究创新性地结合了严肃游戏和深度学习神经网络，用于分类用户的心理压力水平，并展示了比现有技术更高的预测准确性 | NA | 评估通过脑电图系统和严肃游戏来估计用户心理压力水平的可行性 | 用户在特定任务中的心理压力水平 | 机器学习 | NA | 脑电图（EEG） | 门控循环单元（GRU） | 脑电图数据 | NA | NA | NA | NA | NA |
| 405 | 2024-12-08 |
A Residual U-Net Neural Network for Seismocardiogram Denoising and Analysis During Physical Activity
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3392532
PMID:38648146
|
研究论文 | 提出了一种基于U-Net架构的深度学习模型，用于在步行时去噪和分析心冲击图（SCG）信号 | 开发了一种新的深度学习模型，能够有效去除运动噪声并保留心脏信息，显著提高了心率和其他健康参数估计的准确性 | 实验仅在步行时进行，未涵盖其他运动或日常活动 | 提高在日常活动中使用可穿戴加速度计进行心脏健康监测的准确性 | 心冲击图（SCG）信号的去噪和分析 | 机器学习 | 心血管疾病 | 深度学习 | U-Net神经网络 | 信号 | 涉及多个数据集，包括导管和ICG衍生的PEP数据 | NA | NA | NA | NA |
| 406 | 2024-12-08 |
SMARTSeiz: Deep Learning With Attention Mechanism for Accurate Seizure Recognition in IoT Healthcare Devices
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3336935
PMID:38055360
|
研究论文 | 提出了一种结合卷积神经网络和循环神经网络以及注意力机制的混合方法，用于通过EEG信号分析自动识别癫痫发作 | 引入了注意力机制，专注于EEG数据的重要子集，从而提高了模型性能 | NA | 开发一种自动识别癫痫发作的计算机方法，以减少医生的手动工作量 | 通过EEG信号分析自动识别癫痫发作 | 机器学习 | NA | EEG信号分析 | CNN和RNN结合注意力机制 | EEG信号 | 使用了UCI癫痫发作识别数据集，包含五个类别：四个正常条件和一个异常发作条件 | NA | NA | NA | NA |
| 407 | 2024-12-08 |
MDDBranchNet: A Deep Learning Model for Detecting Major Depressive Disorder Using ECG Signal
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3390847
PMID:38954560
|
研究论文 | 提出了一种名为MDDBranchNet的深度学习模型，用于通过单通道ECG信号检测重度抑郁症 | 使用并行分支深度学习模型进行重度抑郁症的二分类，并引入了额外的ECG衍生信号（如R-R信号和水平可见图的度分布时间序列），提高了模型准确率约7% | 未提及具体限制 | 开发一种能够在日常生活中通过ECG信号早期检测重度抑郁症的深度学习模型 | 重度抑郁症的早期检测 | 机器学习 | 精神疾病 | 深度学习 | 并行分支深度学习模型 | ECG信号 | 未提及具体样本数量 | NA | NA | NA | NA |
| 408 | 2024-12-08 |
A Deep Learning Approach for Fear Recognition on the Edge Based on Two-Dimensional Feature Maps
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3392373
PMID:38648140
|
研究论文 | 本文提出了一种基于生理信号的可穿戴设备恐惧识别方法，通过创建二维特征图并使用深度学习模型进行分类 | 本文的创新点在于将图像处理中的深度学习模型应用于生理信号的恐惧识别，并验证了其在边缘设备上的可行性 | NA | 开发一种基于生理信号的恐惧识别方法，并验证其在边缘设备上的实时检测能力 | 可穿戴设备采集的生理信号 | 机器学习 | NA | 深度学习 | NA | 生理信号 | 两个不同数据集，WEMAC、WESAD 3-classes和WESAD 2-classes | NA | NA | NA | NA |
| 409 | 2024-12-08 |
Protecting Prostate Cancer Classification From Rectal Artifacts via Targeted Adversarial Training
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3384970
PMID:38954559
|
研究论文 | 本文提出了一种新的目标对抗训练策略，用于保护前列腺癌分类模型免受直肠伪影的影响 | 本文创新性地提出了基于临床先验知识生成具有直肠伪影模式的对抗样本，并通过联合训练提高模型的分类性能 | NA | 研究如何减少直肠伪影对前列腺癌分类模型的影响 | 前列腺癌分类模型 | 计算机视觉 | 前列腺癌 | 磁共振成像 (MRI) | 深度神经网络 (DNN) | 图像 | 多个前列腺癌分类模型 | NA | NA | NA | NA |
| 410 | 2024-12-08 |
Deep Learning-Enhanced Internet of Things for Activity Recognition in Post-Stroke Rehabilitation
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3332735
PMID:37963004
|
研究论文 | 本文提出了一种结合深度学习模型和物联网技术的方法，用于中风康复中的活动识别 | 本文提出了一种基于多传感器数据融合机制和双向长短时记忆网络（BiLSTM）的新框架，并引入了注意力机制和增强损失函数来优化学习过程 | NA | 提高中风患者康复过程中活动监测和识别的准确性 | 中风患者的日常活动数据 | 机器学习 | 中风 | 深度学习 | BiLSTM | 传感器数据 | 两个基准数据集 | NA | NA | NA | NA |
| 411 | 2024-12-08 |
Adaptive Multi-Dimensional Weighted Network With Category-Aware Contrastive Learning for Fine-Grained Hand Bone Segmentation
2024-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3391387
PMID:38640043
|
研究论文 | 本文提出了一种基于深度学习的儿科手骨分割方法，通过自适应多维加权网络和类别感知对比学习来提高分割精度 | 创新点在于自适应多维加权注意力机制和类别感知对比学习方法，有效挖掘细节特征并增强类别区分性能 | NA | 旨在提高3D超声中儿科手骨分割的准确性和分类性能 | 儿科手骨的3D超声图像 | 计算机视觉 | NA | 深度学习 | 自适应多维加权网络 | 3D超声图像 | 38个骨结构 | NA | NA | NA | NA |
| 412 | 2024-12-08 |
Compact biologically inspired camera with computational compound eye
2024-Jul, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2023-0782
PMID:39634310
|
研究论文 | 本文介绍了一种紧凑的生物启发相机，基于南美虾的复眼结构，实现了宽视场、高分辨率成像和敏感的三维运动轨迹重建 | 提出了一种深度学习架构，通过距离调节实现宽范围清晰成像，无需硬件或复杂前端设计，显著降低了系统复杂性和尺寸 | NA | 开发一种紧凑的生物启发相机，解决现有复眼相机与商用CMOS相机不兼容导致的散焦问题 | 南美虾的复眼结构 | 计算机视觉 | NA | 深度学习 | Unet变体和金字塔多尺度注意力模型 | 图像 | 271个视网膜单元 | NA | NA | NA | NA |
| 413 | 2024-12-08 |
Deep learning for optical tweezers
2024-Jul, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2024-0013
PMID:39634937
|
研究论文 | 本文探讨了深度学习在光学镊子中的应用，展示了其如何显著提升光学镊子的设计、校准和实时控制 | 深度学习在光学镊子中的应用提高了计算速度和多功能性，超越了传统方法 | NA | 探索深度学习如何改进光学镊子，并提供将其与光学捕获和操纵结合的指南 | 光学镊子及其在物理、生物和纳米技术中的应用 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 414 | 2024-12-07 |
Sequence of Morphological Changes Preceding Atrophy in Intermediate AMD Using Deep Learning
2024-Jul-01, Investigative ophthalmology & visual science
IF:5.0Q1
DOI:10.1167/iovs.65.8.30
PMID:39028907
|
研究论文 | 研究使用深度学习技术分析中间年龄相关性黄斑变性（iAMD）中在外丛状层（OPL）下沉之前发生的形态学变化序列 | 利用人工智能算法预测和量化iAMD转化为地理萎缩的形态学前兆，实现个性化风险分层 | NA | 研究iAMD中外丛状层下沉前的形态学变化序列 | 中间年龄相关性黄斑变性（iAMD）患者的外丛状层（OPL）下沉和视网膜色素上皮（RPE）及外层视网膜萎缩 | 计算机视觉 | 眼科疾病 | 深度学习 | NA | 图像 | 280只眼，140名患者 | NA | NA | NA | NA |
| 415 | 2024-12-02 |
Single-cell sequencing reveals novel proliferative cell type: a key player in renal cell carcinoma prognosis and therapeutic response
2024-Jul-25, Clinical and experimental medicine
IF:3.2Q2
DOI:10.1007/s10238-024-01424-x
PMID:39052149
|
研究论文 | 本研究利用单细胞RNA测序技术揭示了肾细胞癌中一种新型增殖细胞亚群，并探讨了其在患者预后和治疗反应中的作用 | 发现了名为“Prol”的高度增殖细胞亚群，并开发了一种基于人工智能网络的Prol特征，用于预测肾细胞癌的预后 | NA | 揭示肾细胞癌的分子异质性，并开发新的预后预测工具 | 肾细胞癌中的增殖细胞亚群及其在预后和治疗反应中的作用 | 数字病理学 | 肾细胞癌 | 单细胞RNA测序 | 人工智能网络（包括传统回归、机器学习和深度学习算法） | RNA | NA | NA | NA | NA | NA |
| 416 | 2024-12-01 |
[Research on the classification model of chronic sinusitis based on VGG]
2024-Jul, Lin chuang er bi yan hou tou jing wai ke za zhi = Journal of clinical otorhinolaryngology head and neck surgery
|
研究论文 | 研究基于VGG的慢性鼻窦炎分类模型，并评估其有效性 | 利用深度学习技术构建基于VGG的慢性鼻窦炎计算机辅助诊断模型，具有较高的分类性能和诊断效果 | NA | 构建和评估基于VGG的慢性鼻窦炎计算机辅助诊断模型 | 慢性鼻窦炎的分类和诊断 | 计算机视觉 | 鼻窦炎 | 深度学习 | VGG | 图像 | 5000帧已诊断的鼻窦CT图像，包括1000帧正常组和4000帧异常组 | NA | NA | NA | NA |
| 417 | 2024-11-27 |
Investigating chiral morphogenesis of gold using generative cellular automata
2024-Jul, Nature materials
IF:37.2Q1
DOI:10.1038/s41563-024-01889-x
PMID:38693448
|
研究论文 | 本文通过训练基于细胞自动机的人工神经网络，研究了金纳米颗粒的同手性形态生成机制 | 本文首次通过深度学习方法解释了金纳米颗粒的同手性形态生成过程，并预测了一种前所未有的交叉路径和相应的形态 | NA | 研究金纳米颗粒的同手性形态生成机制 | 金纳米颗粒的同手性形态生成 | 机器学习 | NA | 细胞自动机 | 人工神经网络 | 实验结果 | NA | NA | NA | NA | NA |
| 418 | 2024-11-19 |
Machine learning-based prediction of off-pump coronary artery bypass grafting-associated acute kidney injury
2024-Jul-30, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-24-711
PMID:39144311
|
研究论文 | 本研究旨在基于机器学习方法建立预测非体外循环冠状动脉搭桥术相关急性肾损伤的模型 | 本研究创新性地结合了术前和术中数据，通过迁移学习和特征融合，提高了预测模型的准确性 | 本研究的数据来源于单一医院，样本量有限，可能影响模型的普适性 | 建立预测非体外循环冠状动脉搭桥术相关急性肾损伤的模型 | 非体外循环冠状动脉搭桥术相关急性肾损伤 | 机器学习 | 心血管疾病 | 机器学习 | 梯度提升决策树（GBDT） | 时间序列数据 | 1,041名患者 | NA | NA | NA | NA |
| 419 | 2024-11-19 |
Insights into the Interaction Mechanisms of Peptide and Non-Peptide Inhibitors with MDM2 Using Gaussian-Accelerated Molecular Dynamics Simulations and Deep Learning
2024-Jul-18, Molecules (Basel, Switzerland)
DOI:10.3390/molecules29143377
PMID:39064955
|
研究论文 | 本研究结合高斯加速分子动力学模拟、深度学习和结合自由能计算，探讨了非肽类抑制剂K23和0Y7以及肽类抑制剂PDI6W和PDI与MDM2的相互作用机制 | 本研究首次将高斯加速分子动力学模拟与深度学习相结合，成功识别了MDM2的关键功能域，并揭示了抑制剂对MDM2结构灵活性和集体运动的影响 | 本研究主要基于模拟和计算，缺乏实验验证 | 探讨抑制剂与MDM2的相互作用机制，为癌症治疗提供理论支持 | 非肽类抑制剂K23和0Y7以及肽类抑制剂PDI6W和PDI与MDM2的相互作用 | 机器学习 | NA | 高斯加速分子动力学模拟、深度学习、分子力学-广义波恩表面积（MM-GBSA）和溶剂化相互作用能（SIE）计算 | 深度学习 | 分子动力学轨迹 | 4种抑制剂（K23、0Y7、PDI6W、PDI）与MDM2的相互作用 | NA | NA | NA | NA |
| 420 | 2024-11-19 |
Deep Learning Models for Abdominal CT Organ Segmentation in Children: Development and Validation in Internal and Heterogeneous Public Datasets
2024-07, AJR. American journal of roentgenology
DOI:10.2214/AJR.24.30931
PMID:38691411
|
研究论文 | 本文开发并验证了用于儿童腹部CT器官分割的深度学习模型，包括肝脏、脾脏和胰腺的分割 | 本文的创新点在于在儿童数据上验证了深度学习模型，并使用迁移学习方法在异质性公共数据集上进行预训练，然后在机构内部数据上进行微调，取得了优于仅使用内部数据训练的模型和公开模型的效果 | 本文的局限性在于胰腺分割的性能相对较差，尤其是在存在胰腺炎的情况下 | 本文的研究目的是开发和验证用于儿童腹部CT检查中肝脏、脾脏和胰腺分割的深度学习模型 | 本文的研究对象是儿童腹部CT图像中的肝脏、脾脏和胰腺 | 计算机视觉 | NA | 深度学习 | SegResNet, DynUNet, SwinUNETR | 图像 | 1731例CT检查（1504例用于训练，221例用于测试），包括来自三个内部机构儿科数据集（≤18岁，483例）和三个公共数据集（包括儿科和成人检查，1248例） | NA | NA | NA | NA |