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 1162 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 | 2024-11-27 |
Three-Dimensional Dense Reconstruction: A Review of Algorithms and Datasets
2024-Sep-10, Sensors (Basel, Switzerland)
DOI:10.3390/s24185861
PMID:39338606
|
综述 | 本文综述了三维密集重建的算法和数据集 | 讨论了深度学习方法在三维密集重建中的应用 | 动态或复杂环境下的三维重建仍是一个未解决的挑战 | 全面概述经典的三维密集重建技术及其在深度学习中的应用 | 三维密集重建算法和数据集 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 402 | 2024-11-26 |
Deep learning prediction of survival in patients with heart failure using chest radiographs
2024-Sep, The international journal of cardiovascular imaging
DOI:10.1007/s10554-024-03177-w
PMID:38969836
|
研究论文 | 本研究开发并验证了一种使用胸部X光片进行深度学习生存预测模型，用于预测心力衰竭患者的生存率 | 本研究首次使用深度学习模型结合胸部X光片和临床参数，显著提高了心力衰竭患者生存预测的准确性 | 本研究样本量较小，且仅限于特定时间段和机构的患者数据 | 开发和验证一种基于胸部X光片的深度学习生存预测模型，用于心力衰竭患者的生存预测 | 心力衰竭患者及其胸部X光片 | 计算机视觉 | 心血管疾病 | 深度学习 | 深度学习模型 | 图像 | 353名心力衰竭患者 | NA | NA | NA | NA |
| 403 | 2024-11-26 |
USE OF ARTIFICIAL INTELLIGENCE IN THE DIAGNOSIS AND TREATMENT OF ORTHOPEDIC DISEASES: LITERATURE REVIEW
2024-Sep, Georgian medical news
PMID:39580822
|
综述 | 本文综述了人工智能技术在骨科疾病诊断和治疗中的应用 | 本文总结了人工智能在骨科疾病诊断和治疗中的有效性 | NA | 综述和分析人工智能在肌肉骨骼系统疾病诊断和治疗中的应用 | 骨科疾病的诊断和治疗 | 机器学习 | NA | 机器学习、深度学习、虚拟现实 | 神经网络 | 图像 | 348篇出版物，其中201篇可公开获取 | NA | NA | NA | NA |
| 404 | 2024-11-24 |
RiceSNP-BST: a deep learning framework for predicting biotic stress-associated SNPs in rice
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae599
PMID:39562160
|
研究论文 | 本文介绍了一种名为RiceSNP-BST的深度学习框架，用于预测水稻中与生物胁迫相关的单核苷酸多态性（SNPs） | 该框架通过整合多维特征，成功创新了数据集，提供了比现有最先进方法更高的精度，并在独立测试集和跨物种数据集上表现良好 | NA | 开发一种能够准确和快速识别水稻基因组中与生物胁迫相关的SNPs的深度学习框架 | 水稻基因组中与生物胁迫相关的SNPs | 机器学习 | NA | 深度学习 | 卷积神经网络 | DNA序列 | NA | NA | NA | NA | NA |
| 405 | 2024-11-23 |
PENTAGON: Physics-enhanced neural network for volumetric flame chemiluminescence tomography
2024-Sep-09, Optics express
IF:3.2Q2
DOI:10.1364/OE.536550
PMID:39572993
|
研究论文 | 本文提出了一种物理增强的神经网络PENTAGON，用于体积火焰化学发光断层成像 | 通过结合数据先验和正向成像模型，PENTAGON能够准确预测3D光学场，即使在投影视图减少到三个的情况下也能克服数据驱动深度学习方法的泛化限制 | NA | 开发一种新的神经网络框架，用于解决体积断层成像中的逆问题 | 火焰化学发光断层成像 | 计算机视觉 | NA | 神经网络 | 神经网络 | 光学场数据 | NA | NA | NA | NA | NA |
| 406 | 2024-11-23 |
Terahertz image enhancement based on a multiscale feature extraction network
2024-Sep-09, Optics express
IF:3.2Q2
DOI:10.1364/OE.529260
PMID:39572999
|
研究论文 | 本文提出了一种基于多尺度特征提取网络的太赫兹图像增强方法 | 利用生成对抗网络结构进行深度学习，通过引入金字塔池化残差密集块模块进行特征融合提取，设计并应用了超分辨率网络 | 未提及 | 提高太赫兹图像的质量，包括去噪和分辨率提升 | 变形的金属太赫兹图像 | 计算机视觉 | NA | 生成对抗网络 (GAN) | 超分辨率生成对抗网络 (SRGAN) | 图像 | 未提及 | NA | NA | NA | NA |
| 407 | 2024-11-23 |
Speckle denoising based on Swin-UNet in digital holographic interferometry
2024-Sep-09, Optics express
IF:3.2Q2
DOI:10.1364/OE.533142
PMID:39573047
|
研究论文 | 本文提出了一种基于Swin-UNet的数字全息干涉测量中的散斑去噪方法 | 通过将模拟的高斯噪声和散斑噪声进行多路复用，模拟了复杂的噪声环境，并提出了基于Swin-UNet的去噪方法 | 本文的实验主要基于模拟数据，实际应用中的效果需要进一步验证 | 解决数字全息干涉测量中散斑噪声对相位图质量的影响问题 | 数字全息干涉测量中的散斑噪声 | 计算机视觉 | NA | 数字全息干涉测量 | Swin-UNet | 图像 | 1100张开放源代码的全息断层扫描噪声图像和25张来自DATABASE的散斑图像 | NA | NA | NA | NA |
| 408 | 2024-11-23 |
Multi-level efficient 3D image reconstruction model based on ViT
2024-Sep-09, Optics express
IF:3.2Q2
DOI:10.1364/OE.535211
PMID:39573080
|
研究论文 | 提出了一种基于视觉变换器（ViT）的多层次高效3D图像重建模型 | 利用ViT的自注意力机制捕捉全局和局部特征，并通过生成对抗网络（GAN）提高在高噪声和低光子环境下的重建质量和鲁棒性 | NA | 解决单光子激光雷达在高质量3D重建中面临的高噪声、低精度和长推理时间问题 | 单光子激光雷达的3D图像重建 | 计算机视觉 | NA | 视觉变换器（ViT）、生成对抗网络（GAN） | 视觉变换器（ViT）、生成对抗网络（GAN） | 图像 | NA | NA | NA | NA | NA |
| 409 | 2024-11-23 |
Interpreting forces as deep learning gradients improves quality of predicted protein structures
2024-09-03, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2023.12.011
PMID:38104241
|
研究论文 | 本文提出了一种利用分子动力学力场训练深度学习蛋白质结构预测模型的新方法，以提高预测结构的质量和物理直观性 | 引入了一种名为OpenMM-Loss的自定义PyTorch损失函数，该函数表示预测结构的势能，并可应用于任何全原子蛋白质结构表示 | NA | 提高深度学习模型预测蛋白质结构的质量和物理直观性，使其更适合下游任务 | 蛋白质结构预测模型 | 机器学习 | NA | 分子动力学力场 | 深度学习模型 | 蛋白质结构 | NA | NA | NA | NA | NA |
| 410 | 2024-11-22 |
Deep learning automatic semantic segmentation of glioblastoma multiforme regions on multimodal magnetic resonance images
2024-Sep, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03205-z
PMID:38849632
|
研究论文 | 本研究评估了深度学习算法在自动化分割多模态磁共振图像中胶质母细胞瘤区域的有效性 | 本研究采用了3D U-Net神经网络算法，并增加了残差块，以提高分割精度 | 本研究仅在BraTS2021数据集和PerProGlio队列中进行了验证，未来需要在更多数据集上进行验证 | 评估深度学习算法在自动化分割多模态磁共振图像中胶质母细胞瘤区域的有效性 | 胶质母细胞瘤的四个不同区域：增强肿瘤、瘤周水肿、非增强/坏死肿瘤和总肿瘤 | 计算机视觉 | 脑肿瘤 | 磁共振成像 | 3D U-Net | 图像 | 训练集包含1251名患者的多模态磁共振图像，测试集包含50名胶质母细胞瘤患者 | NA | NA | NA | NA |
| 411 | 2024-11-20 |
Nmix: a hybrid deep learning model for precise prediction of 2'-O-methylation sites based on multi-feature fusion and ensemble learning
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae601
PMID:39550226
|
研究论文 | 介绍了一种名为Nmix的混合深度学习模型，用于精确预测RNA的2'-O-甲基化位点 | 采用了多特征融合和集成学习方法，结合一维/二维卷积神经网络、自注意力机制和残差连接，显著提高了预测性能 | NA | 开发一种精确预测RNA 2'-O-甲基化位点的计算工具 | 人类RNA的2'-O-甲基化位点 | 机器学习 | NA | 深度学习 | 混合深度学习模型 | RNA序列 | 包含实验验证的Nm位点的最大低冗余数据集 | NA | NA | NA | NA |
| 412 | 2024-11-20 |
Philosophy of cognitive science in the age of deep learning
2024 Sep-Oct, Wiley interdisciplinary reviews. Cognitive science
DOI:10.1002/wcs.1684
PMID:38773731
|
研究论文 | 本文探讨了深度学习对认知科学哲学的影响 | 深度神经网络在克服旧连接主义模型的局限性方面取得了显著进展 | 深度神经网络的比较评估仍存在方法论挑战 | 探讨深度学习与认知科学哲学之间的关联 | 深度学习技术及其对认知科学哲学的影响 | 机器学习 | NA | 深度学习 | 深度神经网络 | NA | NA | NA | NA | NA | NA |
| 413 | 2024-11-17 |
SpaDiT: diffusion transformer for spatial gene expression prediction using scRNA-seq
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae571
PMID:39508444
|
研究论文 | 开发了一种名为SpaDiT的深度学习框架，用于利用scRNA-seq数据进行空间基因表达预测 | 提出了SpaDiT框架，通过利用scRNA-seq数据和ST数据之间的共享基因作为潜在表示，提高了空间基因表达预测的准确性 | NA | 解决空间转录组学数据中未检测到的基因数量多，应用价值受限的问题 | 空间转录组学数据和单细胞RNA测序数据 | 机器学习 | NA | scRNA-seq | Transformer | 基因表达数据 | NA | NA | NA | NA | NA |
| 414 | 2024-11-17 |
Graph domain adaptation-based framework for gene expression enhancement and cell type identification in large-scale spatially resolved transcriptomics
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae576
PMID:39508445
|
研究论文 | 介绍了一种基于图域适应的深度学习框架SpaGDA，用于增强大规模空间转录组学中的基因表达和细胞类型识别 | 提出了一种新的深度学习框架SpaGDA，通过从参考单细胞RNA测序数据中无偏地转移知识，实现了基因表达插补和细胞类型识别 | NA | 克服当前空间转录组学技术在基因检测灵敏度和基因通量方面的限制，提高基因测量的精度和覆盖率 | 空间转录组学数据中的基因表达和细胞类型识别 | 机器学习 | NA | 深度学习 | 图域适应框架 | 空间转录组学数据 | 三个不同生物背景的空间转录组学数据集 | NA | NA | NA | NA |
| 415 | 2024-11-17 |
Adversarial regularized autoencoder graph neural network for microbe-disease associations prediction
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae584
PMID:39528423
|
研究论文 | 提出了一种对抗正则化自编码器图神经网络算法，用于预测微生物与疾病之间的关联 | 引入了一种对抗正则化自编码器图神经网络嵌入模型，以解决传统GraphSAGE自编码器在捕捉全局信息方面的固有限制 | NA | 预测微生物与疾病之间的关联，以理解致病机制并指导预防和治疗策略 | 微生物与疾病之间的关联 | 机器学习 | NA | 图神经网络 | 对抗正则化自编码器 | 网络 | 在Human Microbe-Disease Association Database (HMDAD)和Disbiome数据库上进行了五折交叉验证 | NA | NA | NA | NA |
| 416 | 2024-11-17 |
SpaGIC: graph-informed clustering in spatial transcriptomics via self-supervised contrastive learning
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae578
PMID:39541189
|
研究论文 | 本文介绍了一种名为SpaGIC的新型图神经网络框架，结合图卷积网络和自监督对比学习技术，用于空间转录组学中的聚类分析 | SpaGIC通过最大化图结构中边和局部邻域的互信息，以及最小化空间相邻点的嵌入距离，学习有意义的潜在嵌入 | NA | 开发一种能够有效利用空间信息进行空间转录组学分析的新方法 | 空间转录组学数据中的空间域识别、数据去噪、可视化和轨迹推断 | 机器学习 | NA | 图卷积网络、自监督对比学习 | 图神经网络 | 基因表达数据 | 七个空间转录组学数据集 | NA | NA | NA | NA |
| 417 | 2024-11-09 |
Predicting disease-associated microbes based on similarity fusion and deep learning
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae550
PMID:39504483
|
研究论文 | 本文提出了一种基于深度学习的计算方法SGJMDA，用于预测微生物与疾病之间的关联 | SGJMDA通过融合多种相似性和使用图卷积网络提取特征信息，构建异构网络并计算嵌入的线性相关系数，从而推断潜在的微生物-疾病关联 | NA | 提高对疾病发病机制和治疗的理解，为生物医学筛选提供指导 | 微生物与疾病之间的关联 | 生物信息学 | NA | 深度学习 | 图卷积网络 | 网络数据 | NA | NA | NA | NA | NA |
| 418 | 2024-11-07 |
Deep learning model for protein multi-label subcellular localization and function prediction based on multi-task collaborative training
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae568
PMID:39489606
|
研究论文 | 提出了一种基于多任务协同训练的深度学习模型DeepMTC，用于蛋白质的多标签亚细胞定位和功能预测 | DeepMTC通过多任务协同训练消除了对已知基因本体（GO）数据库的依赖，并利用预训练语言模型和图变换器模块提高了预测准确性 | NA | 解决现有计算模型在蛋白质亚细胞定位预测中的局限性，提高预测准确性和可解释性 | 蛋白质的亚细胞定位和功能 | 机器学习 | NA | 深度学习 | 多任务协同训练模型 | 蛋白质序列 | NA | NA | NA | NA | NA |
| 419 | 2024-11-07 |
Semi-supervised learning with pseudo-labeling compares favorably with large language models for regulatory sequence prediction
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae560
PMID:39489607
|
研究论文 | 本文提出了一种基于伪标签的半监督学习方法，用于预测调控序列，并展示了其与大型语言模型相比的优势 | 提出了一种基于伪标签的半监督学习方法，结合Noisy Student算法提高了伪标签数据的置信度预测，适用于训练任何神经网络架构 | 未提及 | 缓解监督学习在预测分子过程中因功能数据有限而面临的限制 | 非编码单核苷酸多态性的分子过程预测 | 机器学习 | NA | 半监督学习 | 神经网络架构 | DNA序列 | 未提及具体数量，但提到利用了来自众多基因组的无标签DNA序列 | NA | NA | NA | NA |
| 420 | 2024-11-04 |
GGN-GO: geometric graph networks for predicting protein function by multi-scale structure features
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae559
PMID:39487084
|
研究论文 | 提出了一种几何图网络（GGN-GO）用于通过多尺度结构特征预测蛋白质功能 | 通过几何向量感知器将原子和残基级别的多尺度几何结构特征转换为向量表示，并引入图注意力池化层和对比学习增强图表示的判别能力 | 未提及 | 解决传统方法在蛋白质功能注释中的成本和时间问题，以及现有深度学习方法在捕捉细粒度几何结构特征和长程依赖性方面的不足 | 蛋白质功能预测 | 机器学习 | NA | 几何图网络（GGN-GO） | 图卷积网络（GCN） | 蛋白质结构数据 | 未提及 | NA | NA | NA | NA |