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 861 - 880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 861 | 2024-08-05 |
Developing BioNavi for Hybrid Retrosynthesis Planning
2024-Jul-22, JACS Au
IF:8.5Q1
DOI:10.1021/jacsau.4c00228
PMID:39055138
|
研究论文 | 本文提出了一种名为BioNavi的模型，用于设计混合合成路径。 | BioNavi通过创新多任务学习和反应模板，提高了合成路径设计的可解释性。 | 未提及特定的限制 | 研究目的是开发一个有效的混合合成路径设计工具。 | 研究对象为合成路径，包括化学合成和生物合成。 | 数字路径学 | NA | 深度学习 | 多任务学习 | 数据集 | 多个数据集，具体样本数未提及 | NA | NA | NA | NA |
| 862 | 2024-08-05 |
Learning generalizable AI models for multi-center histopathology image classification
2024-Jul-19, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-024-00652-4
PMID:39030380
|
研究论文 | 本研究提出了一种新的对抗性傅里叶领域适应方法，用于多中心的组织病理图像分类 | 提出了对抗性傅里叶领域适应（AIDA）方法，利用傅里叶变换的优势改善深度学习模型的泛化能力 | 现有技术在有效性和可区分性方面存在局限 | 提升临床病理学中AI模型的诊断准确性与效率 | 涉及四种癌症（卵巢癌、胸膜癌、膀胱癌和乳腺癌）的亚型分类任务 | 数字病理学 | 卵巢癌, 胸膜癌, 膀胱癌, 乳腺癌 | 对抗性领域适应, 傅里叶变换 | 卷积神经网络（CNN） | 图像 | 共涉及1113例卵巢癌, 247例胸膜癌, 422例膀胱癌和482例乳腺癌 | NA | NA | NA | NA |
| 863 | 2024-08-05 |
Absolute permeability estimation from microtomography rock images through deep learning super-resolution and adversarial fine tuning
2024-Jul-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-67367-1
PMID:39030317
|
研究论文 | 本文提出了一种通过深度学习超分辨率和对抗微调来估计微断层岩石图像的绝对渗透率 | 使用超分辨率模型提升低分辨率图像质量，并结合代理模型替代数值模拟，以估算感兴趣的岩石物理属性 | 未提及具体限制因素 | 旨在提高碳捕集与储存过程中对地下储层物理性质的准确估计 | 针对地下储层岩石的物理特性进行研究，重点在于渗透率的估算 | 数字岩石物理 | NA | X射线微断层成像 | GAN | 图像 | DeePore数据集 | NA | NA | NA | NA |
| 864 | 2024-08-05 |
Enhancing global maritime traffic network forecasting with gravity-inspired deep learning models
2024-Jul-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-67552-2
PMID:39030401
|
研究论文 | 本文开发了一种新的物理启发模型，用于预测全球港口区域间的海洋运输交通 | 该研究将变压器技术引入重力模型，重建短期和长期依赖关系，从而提高了风险分析的可行性，并实现了比传统深度重力模型提高超过10%的精度 | 模型的适用性可能受限于特定数据源的可用性和准确性 | 旨在通过运输网络评估非本地水生物种的扩散风险 | 研究对象是港口区域间的海洋运输流量 | 计算机视觉 | NA | 物理启发模型 | 变压器 | NA | NA | NA | NA | NA | NA |
| 865 | 2024-08-05 |
SENSE-PPI reconstructs interactomes within, across, and between species at the genome scale
2024-Jul-19, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2024.110371
PMID:39055916
|
研究论文 | 本文介绍了一种名为SENSE-PPI的深度学习模型，用于高效重建蛋白质-蛋白质相互作用网络 | SENSE-PPI利用最新一代的蛋白质语言模型和递归神经网络，能在功能相似的蛋白质中区分具体相互作用，且在跨物种预测中表现出高准确性和灵活性 | 对于系统发育上更远的模型和非模型生物，其性能下降较大，但是信号变化很缓慢 | 研究蛋白质-蛋白质相互作用网络，以揭示细胞系统的生物机制 | 涉及成千上万的蛋白质，尤其是在功能上相似的蛋白质 | 计算生物学 | NA | 蛋白质语言模型，递归神经网络 | 深度学习模型 | 蛋白质序列 | 可测试10,000种蛋白质 | NA | NA | NA | NA |
| 866 | 2024-08-05 |
Risk prediction of heart diseases in patients with breast cancer: A deep learning approach with longitudinal electronic health records data
2024-Jul-19, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2024.110329
PMID:39055938
|
研究论文 | 本研究开发并评估了六种心脏疾病风险预测模型，使用真实世界电子健康记录数据。 | 提出了结合可训练衰减机制的LSTM-D模型，以处理长短期记忆模型中的缺失值，并通过NLP方法提取乳腺癌表型，增强预测效果。 | 未提到具体的研究限制。 | 准确预测乳腺癌患者的心脏疾病风险，为临床决策支持和患者安全提供帮助。 | 本研究以乳腺癌患者为研究对象，评估六种心脏疾病的风险。 | 机器学习 | 心血管疾病 | 电子健康记录（EHRs） | LSTM | 结构化和非结构化数据 | NA | NA | NA | NA | NA |
| 867 | 2024-08-05 |
Prediction of recurrence risk in endometrial cancer with multimodal deep learning
2024-Jul, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-024-02993-w
PMID:38789645
|
研究论文 | 本研究开发了HECTOR，一个基于多模态深度学习的预后模型，用于预测子宫内膜癌的远处复发风险 | HECTOR模型基于全切片图像和肿瘤分期，超越了目前的金标准，并能够识别具有显著不同预后的患者 | 当前研究未提及模型在其他癌症类型中的适用性 | 本研究旨在改善子宫内膜癌的个性化辅助治疗策略 | 研究对象为来自八个子宫内膜癌队列共2072名患者的数据 | 数字病理学 | 子宫内膜癌 | 深度学习 | NA | 全切片图像 | 2072名患者 | NA | NA | NA | NA |
| 868 | 2024-08-05 |
Quantifying Geographic Atrophy in Age-Related Macular Degeneration: A Comparative Analysis Across 12 Deep Learning Models
2024-Jul-01, Investigative ophthalmology & visual science
IF:5.0Q1
DOI:10.1167/iovs.65.8.42
PMID:39046755
|
研究论文 | 这篇文章研究了12种深度学习模型在年龄相关性黄斑变性中对地理萎缩进行分割的表现 | 探索多种AI架构组合以寻找最有效的地理萎缩分割方法 | 文章未提及具体的模型限制和数据集的多样性问题 | 确定用于地理萎缩分割的最有效的AI架构 | 12种不同的AI架构组合 | 计算机视觉 | 老年性疾病 | 深度学习 | FPN, UNet, PSPNet, EfficientNet, ResNet, VGG, Mix Vision Transformer | 图像 | 601幅FAF图像用于训练，156幅FAF图像用于验证 | NA | NA | NA | NA |
| 869 | 2024-08-05 |
Automated detection of fatal cerebral haemorrhage in postmortem CT data
2024-Jul, International journal of legal medicine
IF:2.2Q1
DOI:10.1007/s00414-024-03183-6
PMID:38329584
|
研究论文 | 本文提出了一种自动检测致命脑出血的三维PMCT数据的方法 | 引入了基于深度学习的分类算法，能够在法医成像中有效识别致命脑出血 | 研究基于单一机构的病例数据，样本量相对较小 | 旨在通过PMCT数据支持法医病理学的死亡原因评估 | 回顾性选择了81个PMCT病例作为研究对象 | 数字病理学 | NA | PMCT | CNN和DenseNet | 三维图像 | 81个PMCT病例 | NA | NA | NA | NA |
| 870 | 2024-08-05 |
A deep learning-based method for the detection and segmentation of breast masses in ultrasound images
2024-Jul-26, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad61b6
PMID:38986480
|
研究论文 | 本文提出了一种基于深度学习的方法，用于超声图像中乳腺肿块的检测和分割 | 本研究开发了一种结合YOLOv5网络和Global-Local策略的新型卷积神经网络框架 | 本研究未提及算法在其他类型的医学影像中的适用性 | 本研究旨在提高超声图像中乳腺肿块的检测和分割的准确性 | 研究对象为乳腺超声图像中的肿块 | 计算机视觉 | 乳腺癌 | 深度学习 | 卷积神经网络 | 图像 | 本研究使用了包含28,477张乳腺超声图像的USTC数据集进行训练和测试 | NA | NA | NA | NA |
| 871 | 2024-08-05 |
Efficient determination of Born-effective charges, LO-TO splitting, and Raman tensors of solids with a real-space atom-centered deep learning approach
2024-Jul-25, Journal of physics. Condensed matter : an Institute of Physics journal
DOI:10.1088/1361-648X/ad64a2
PMID:39019077
|
研究论文 | 本文介绍了一种名为radnet的深度神经网络框架，能够准确预测固体中的极化和电子介电常数张量 | 提出了一种新的深度学习方法，解决了现有机器学习模型在周期性系统中对拉曼预测的限制 | 未提及具体的局限性 | 旨在提高固体中拉曼预测的准确性和效率 | 研究对象包括GaAs和BN材料 | 机器学习 | NA | 深度卷积神经网络 | 深度神经网络 | 固体材料的电子介电常数张量和拉曼光谱 | 两个典型示例: GaAs和BN | NA | NA | NA | NA |
| 872 | 2024-08-05 |
Precise Localization for Anatomo-Physiological Hallmarks of the Cervical Spine by Using Neural Memory Ordinary Differential Equation
2024-Jul-25, International journal of neural systems
IF:6.6Q1
DOI:10.1142/S0129065724500564
PMID:39049777
|
研究论文 | 本文提出了一种用于颈椎解剖生理标志精准定位的深度神经网络架构 | 创新性地采用神经记忆常微分方程，并引入多分辨率聚焦模块以提高关键点预测精度 | 在处理医疗图像时，算法仍然受到颈椎数据集固有变异性的限制 | 改善颈椎生理解剖关键点的定位精度 | 专注于颈椎X光图像中的关键点定位 | 计算机视觉 | NA | 神经记忆常微分方程 | 深度神经网络 | 图像 | 包含经过骨科专家注释的X光图像的数据集 | NA | NA | NA | NA |
| 873 | 2024-08-05 |
Relationship evolution shapes inter-brain synchrony in affective sharing: The role of self-expansion
2024-Jul-25, Brain structure & function
IF:2.7Q3
DOI:10.1007/s00429-024-02841-0
PMID:39052095
|
研究论文 | 这项研究探讨了人际关系的发展如何影响非语言社会情感互动中的脑间同步现象 | 通过采用基于EEG的超扫描技术，探讨了自我扩展模型在社交互动中的适用性，并发现随着关系的发展，脑间耦合发生了变化 | 该研究的样本规模和人际关系的多样性未被详细说明 | 研究人际关系演变对社交互动中脑间同步性的影响 | 被试的二人组在七个月时间内的社交互动 | 自然语言处理 | NA | EEG超扫描技术 | 深度学习模型 | 脑电图 数据 | 二人组，在七个月内的互动 | NA | NA | NA | NA |
| 874 | 2024-08-05 |
Multimodal deep learning using on-chip diffractive optics with in situ training capability
2024-Jul-23, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-50677-3
PMID:39043669
|
研究论文 | 该文章提出了一种基于芯片衍射光学的可训练的衍射光学神经网络芯片，支持多模态深度学习 | 提出了一种可训练的TDONN芯片，能够同时处理视觉、音频和触觉数据，突破了传统光学深度学习在数据模态方面的限制 | 当前的研究主要集中在四类分类任务上，可能无法扩展到更复杂或更多模态的数据集 | 探索在光学领域实现多模态深度学习的可行性 | 针对不同模态（视觉、音频和触觉）的分类任务进行研究 | 机器学习 | NA | 衍射光学 | 神经网络 | 多模态数据 | NA | NA | NA | NA | NA |
| 875 | 2024-08-05 |
A multi-classifier system integrated by clinico-histology-genomic analysis for predicting recurrence of papillary renal cell carcinoma
2024-Jul-23, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-50369-y
PMID:39043664
|
研究论文 | 本研究开发了一种通过临床、组织学和基因组分析整合的多分类器系统，以准确预测乳头状肾细胞癌的复发 | 该多分类器系统结合了lncRNA基础分类器、深度学习全幻灯片图像分类器和临床病理分类器，显著提高了复发无生存期的预测准确性 | NA | 提高乳头状肾细胞癌术后复发的预测准确性 | 局部（I-III期）的乳头状肾细胞癌患者 | 数字病理学 | 肾癌 | 深度学习 | 多分类器系统 | 图像 | NA | NA | NA | NA | NA |
| 876 | 2024-08-05 |
CapsEnhancer: An Effective Computational Framework for Identifying Enhancers Based on Chaos Game Representation and Capsule Network
2024-Jul-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00546
PMID:38946113
|
研究论文 | 本文提出了一种名为CapsEnhancer的深度学习框架，用于识别增强子及其强度 | 这是首次将计算机视觉方法应用于增强子识别任务 | NA | 旨在通过计算方法提高增强子识别的效率 | 针对非编码DNA中的增强子进行研究 | 数字病理学 | NA | 深度学习 | 胶囊网络 | 图像 | NA | NA | NA | NA | NA |
| 877 | 2024-08-05 |
Pre-gating and contextual attention gate - A new fusion method for multi-modal data tasks
2024-Jul-17, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2024.106553
PMID:39053303
|
研究论文 | 本文提出了一种新颖的预门控和上下文注意力门（PCAG）模块，用于多模态学习 | 引入了两个在深度学习模型中不同信息处理层次操作的门控机制，从而改善多模态数据的融合 | 未提及特定的局限性 | 探讨提高多模态学习性能的新方法 | 多模态数据和跨模态交互 | 机器学习 | NA | NA | NA | 分类任务相关数据 | 八个多模态分类任务 | NA | NA | NA | NA |
| 878 | 2024-08-05 |
Towards energy efficiency: A comprehensive review of deep learning-based photovoltaic power forecasting strategies
2024-Jul-15, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e33419
PMID:39050417
|
综述 | 本文系统评审了基于深度学习的光伏功率预测策略，分析了现有文献中的关键要素和差异。 | 提出了一种全面的文献审查，首次将不同模型和预测指标进行系统比较，并强调了数据集的一致性问题。 | 未能提供跨域的基准数据集和标准化性能评价单位，限制了研究的全面性。 | 研究光伏功率预测中的深度学习方法及其现状。 | 选择了发表于2022和2023年的36个相关案例研究进行分析和比较。 | 机器学习 | NA | 深度学习 | 人工神经网络单元、递归单元、卷积单元和转换单元 | 时间序列 | 36个研究案例 | NA | NA | NA | NA |
| 879 | 2024-08-05 |
Automatic detection, segmentation, and classification of primary bone tumors and bone infections using an ensemble multi-task deep learning framework on multi-parametric MRIs: a multi-center study
2024-Jul, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-10506-5
PMID:38127073
|
研究论文 | 本文开发了一种集成多任务深度学习框架，用于自动检测、分割和分类原发性骨肿瘤和骨感染 | 提出的框架结合多参数MRI和临床特征，显著提高了单模态模型的分类能力 | 研究为回顾性，样本数据来自多个中心，可能存在数据和结果的一致性问题 | 研究的目的是提高原发性骨肿瘤和骨感染的自动检测和分类能力 | 749名来自两个医院的原发性骨肿瘤和骨感染患者 | 数字病理学 | NA | 多参数MRI | 集成多任务深度学习 | 影像 | 749名患者 | NA | NA | NA | NA |
| 880 | 2024-08-05 |
CT-based deep learning model for predicting hospital discharge outcome in spontaneous intracerebral hemorrhage
2024-Jul, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-10505-6
PMID:38127074
|
研究论文 | 该文章旨在使用基于CT图像的深度学习模型预测自发性脑内出血患者的功能结局。 | 文章创新地将临床表现、CT图像和放射特征结合起来，建立了深度学习模型，以提高自发性脑内出血患者功能预后的准确性。 | 由于该研究为回顾性双中心研究，结果可能受到数据收集和样本选择的局限性影响。 | 研究的目的是利用深度学习模型预测自发性脑内出血患者的功能结果。 | 研究对象为604名自发性脑内出血患者。 | 数字病理学 | 脑血管疾病 | 深度学习 | 3D卷积模型与极端梯度提升(XGBoost)模型 | CT图像 | 总共有604名自发性脑内出血患者参与本研究，其中450名为训练集，50名为测试集，104名为外部验证集 | NA | NA | NA | NA |