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 1163 篇文献，本页显示第 901 - 920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 901 | 2024-09-11 |
nnU-Net based segmentation and 3D reconstruction of uterine fibroids with MRI images for HIFU surgery planning
2024-Sep-06, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-024-01385-3
PMID:39243001
|
研究论文 | 本研究利用nnU-Net模型对子宫肌瘤进行MRI图像的分割和3D重建，以辅助HIFU手术规划 | 本研究引入了基于深度学习的nnU-Net模型，提供了一种成本效益高的方法，用于利用术前MRI图像对子宫肌瘤进行分割，并实现了分割目标的3D重建 | NA | 本研究旨在提高HIFU手术的安全性和有效性 | 本研究的对象是子宫肌瘤及其周围器官 | 计算机视觉 | 妇科疾病 | MRI | nnU-Net | 图像 | NA | NA | NA | NA | NA |
| 902 | 2024-09-11 |
Cross-modal deep learning model for predicting pathologic complete response to neoadjuvant chemotherapy in breast cancer
2024-Sep-05, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-024-00678-8
PMID:39237596
|
研究论文 | 本文提出了一种跨模态深度学习模型，用于预测乳腺癌患者在接受新辅助化疗后的病理完全缓解 | 该模型整合了来自活检样本的数字病理图像和多时相超声图像，以早期预测病理完全缓解状态 | NA | 开发一种早期且准确的预测方法，以评估新辅助化疗在乳腺癌中的效果 | 乳腺癌患者的新辅助化疗反应 | 数字病理学 | 乳腺癌 | 深度学习 | 跨模态多路径自动预测模型 | 图像 | NA | NA | NA | NA | NA |
| 903 | 2024-09-11 |
Intelligent tool wear prediction based on deep learning PSD-CVT model
2024-Sep-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-71795-4
PMID:39237695
|
研究论文 | 提出了一种基于深度学习的工具磨损预测模型PSD-CVT | 结合了功率谱密度（PSD）、卷积神经网络（CNN）和视觉变换器模型（ViT）的优势 | NA | 确保加工质量的可靠性，准确预测工具磨损 | 工具磨损预测 | 机器学习 | NA | 深度学习 | PSD-CVT | 信号 | PHM 2010数据集 | NA | NA | NA | NA |
| 904 | 2024-09-07 |
Correction: Utilizing deep learning model for assessing melanocytic density in resection margins of lentigo maligna
2024-Sep-05, Diagnostic pathology
IF:2.4Q2
DOI:10.1186/s13000-024-01545-7
PMID:39238025
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 905 | 2024-09-11 |
An experimental system for detection and localization of hemorrhage using ultra-wideband microwaves with deep learning
2024-Sep-05, Communications engineering
DOI:10.1038/s44172-024-00259-4
PMID:39242634
|
研究论文 | 本文介绍了一种使用超宽带微波和深度学习技术进行出血检测和定位的实验系统 | 开发了一种包含机器人导航系统的实验框架，使用超宽带微波阵列和深度神经网络进行出血的分类和定位 | 实验仅使用血样模拟物进行，尚未在真实人体中验证 | 探索使用超宽带微波和深度学习技术进行中风出血的快速、低成本检测和定位 | 出血的检测和定位 | 计算机视觉 | 中风 | 超宽带微波 | 深度神经网络 | 微波散射参数 | 8个元素的超宽带阵列，频率范围0.6-9.0 GHz，功率1 mW | NA | NA | NA | NA |
| 906 | 2024-09-11 |
Neural network-based processing and reconstruction of compromised biophotonic image data
2024-Sep-04, Light, science & applications
DOI:10.1038/s41377-024-01544-9
PMID:39237561
|
综述 | 本文深入探讨了通过故意损害生物光子成像中的测量指标，利用深度学习模型进行补偿的方法 | 本文介绍了通过故意损害测量指标（如点扩散函数、信噪比、采样密度和像素分辨率），利用深度学习网络进行补偿的创新方法 | NA | 探讨如何通过故意损害生物光子成像中的测量指标，利用深度学习模型进行补偿，以提高成像速度和简化硬件要求 | 生物光子成像中的测量指标，如点扩散函数、信噪比、采样密度和像素分辨率 | 计算机视觉 | NA | 深度学习 | 深度学习网络 | 图像 | NA | NA | NA | NA | NA |
| 907 | 2024-09-11 |
ChoroidSeg-ViT: A Transformer Model for Choroid Layer Segmentation Based on a Mixed Attention Feature Enhancement Mechanism
2024-Sep-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.9.7
PMID:39235399
|
研究论文 | 开发了一种基于混合注意力特征增强机制的Vision Transformer模型，用于光学相干断层扫描图像中脉络膜层的分割 | 提出了ChoroidSeg-ViT模型，通过集成局部增强特征提取和语义特征融合路径，实现了脉络膜层的精确分割 | NA | 开发一种新的Transformer模型，用于精确和自动分割脉络膜层 | 光学相干断层扫描图像中的脉络膜层 | 计算机视觉 | NA | 光学相干断层扫描 | Vision Transformer (ViT) | 图像 | 100张OCT B-扫描图像 | NA | NA | NA | NA |
| 908 | 2024-09-11 |
Generalizable Deep Learning for the Detection of Incomplete and Complete Retinal Pigment Epithelium and Outer Retinal Atrophy: A MACUSTAR Report
2024-Sep-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.9.11
PMID:39235402
|
研究论文 | 本研究开发了一种深度学习算法，用于检测和量化不完全和完全的视网膜色素上皮和外层视网膜萎缩（iRORA和cRORA），并在不同设备的光学相干断层扫描（OCT）数据上进行验证 | 本研究的创新点在于使用了领域适应（DA）模型，提高了算法在不同设备数据上的泛化能力，并结合分割模型进行iRORA/cRORA的检测 | 本研究的局限性在于对ZEISS OCTs的敏感性和特异性较低，且去除DA后对Spectralis OCTs的κw分数有所下降 | 本研究旨在开发一种能够跨设备检测和量化不完全和完全视网膜色素上皮和外层视网膜萎缩的深度学习算法，并在中间年龄相关性黄斑变性（iAMD）患者中进行验证 | 本研究的研究对象是中间年龄相关性黄斑变性（iAMD）患者的视网膜色素上皮和外层视网膜萎缩（iRORA和cRORA） | 计算机视觉 | 眼科疾病 | 光学相干断层扫描（OCT） | 深度学习算法 | 图像 | 168名中间年龄相关性黄斑变性（iAMD）患者 | NA | NA | NA | NA |
| 909 | 2024-09-11 |
The use of artificial intelligence in musculoskeletal ultrasound: a systematic review of the literature
2024-Sep, La Radiologia medica
DOI:10.1007/s11547-024-01856-1
PMID:39001961
|
综述 | 系统回顾了人工智能在肌肉骨骼超声中的应用，重点探讨了AI算法的类别和验证策略 | NA | 缺乏对外部数据集的独立临床验证 | 系统回顾人工智能在肌肉骨骼超声中的应用 | 肌肉骨骼超声中的AI算法和验证策略 | 计算机视觉 | NA | 人工智能 | 深度学习 (DL) 和传统机器学习 (ML) | 超声图像 | 16项研究，涉及2020年至2023年发表的论文 | NA | NA | NA | NA |
| 910 | 2024-09-11 |
Deep Deblurring in Teledermatology: Deep Learning Models Restore the Accuracy of Blurry Images' Classification
2024-Sep, Telemedicine journal and e-health : the official journal of the American Telemedicine Association
DOI:10.1089/tmj.2023.0703
PMID:38934135
|
研究论文 | 本文研究了深度学习模型在远程皮肤病学中对模糊图像的去模糊效果，以恢复分类准确性 | 本文提出了使用深度学习模型对模糊皮肤病图像进行去模糊处理，以提高诊断准确性和图像清晰度 | 研究仅使用了有限的公共数据集和医疗中心的图像，可能无法全面代表所有皮肤病学场景 | 确定深度学习模型对模糊图像去模糊后诊断准确性的恢复程度 | 模糊的皮肤病图像及其去模糊后的图像 | 计算机视觉 | 皮肤病 | 深度学习 | 深度学习模型 | 图像 | 19,191张皮肤图像，54张模糊皮肤图像，53张医疗中心的模糊皮肤病咨询照片 | NA | NA | NA | NA |
| 911 | 2024-09-11 |
Comparing code-free and bespoke deep learning approaches in ophthalmology
2024-Sep, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie
DOI:10.1007/s00417-024-06432-x
PMID:38446200
|
综述 | 本文综述了无代码深度学习（CFDL）在眼科领域的应用，并与定制深度学习（DL）方法进行了比较 | CFDL允许没有编码专业知识的临床医生构建高质量的人工智能模型，无需编写代码 | CFDL的讨论大多是单维度的，且适用性差距较大，需要多维度的分析和改进数据集质量、适用性问题和研究设计的不规范性 | 比较无代码深度学习和定制深度学习在眼科领域的优势 | 糖尿病视网膜病变筛查、视网膜多疾病分类、手术视频分类、眼科组学和资源管理等任务 | 机器学习 | NA | 深度学习 | 无代码深度学习（CFDL）和定制深度学习（DL） | 文本 | 10项相关研究 | NA | NA | NA | NA |
| 912 | 2024-09-10 |
SmartCADD: AI-QM Empowered Drug Discovery Platform with Explainability
2024-Sep-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00720
PMID:39177478
|
研究论文 | 介绍了一个名为SmartCADD的创新开源虚拟筛选平台，结合了深度学习、计算机辅助药物设计（CADD）和量子力学方法 | SmartCADD整合了多种独立技术，包括ADMET属性预测、从头2D和3D药效团建模、分子对接以及可解释AI机制 | NA | 解决AI在科学研究中因模型不透明、实施复杂和数据稀缺而面临的阻力 | 开发一个用户友好的Python框架，用于药物发现和虚拟筛选 | 计算机辅助药物设计 | HIV | 深度学习、量子力学 | NA | 分子数据 | NA | NA | NA | NA | NA |
| 913 | 2024-09-10 |
Hybrid Diffusion Model for Stable, Affinity-Driven, Receptor-Aware Peptide Generation
2024-Sep-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01020
PMID:39193724
|
研究论文 | 本文介绍了一种名为HYDRA的混合深度学习方法，用于生成针对特定受体的稳定、亲和力驱动的肽 | HYDRA结合了扩散模型的分布建模能力和结合亲和力最大化算法，用于从头设计针对各种目标受体的肽结合剂 | NA | 开发一种新的深度学习方法，用于设计针对特定受体的治疗性肽 | 治疗性肽及其与目标受体的结合 | 机器学习 | NA | 深度学习 | 扩散模型 | 肽序列 | NA | NA | NA | NA | NA |
| 914 | 2024-09-10 |
Conformations of KRAS4B Affected by Its Partner Binding and G12C Mutation: Insights from GaMD Trajectory-Image Transformation-Based Deep Learning
2024-Sep-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01174
PMID:39197061
|
研究论文 | 研究了KRAS4B与其伙伴结合及G12C突变对其构象动态的影响 | 采用高斯加速分子动力学模拟结合深度学习和主成分分析，揭示了G12C突变和伙伴结合对KRAS4B关键结构域接触的改变 | NA | 深入理解KRAS4B的功能 | KRAS4B的构象变化及其与伙伴结合和G12C突变的关系 | 生物信息学 | NA | 高斯加速分子动力学模拟 | 深度学习 | 分子动力学轨迹 | NA | NA | NA | NA | NA |
| 915 | 2024-09-10 |
High-quality AFM image acquisition of living cells by modified residual encoder-decoder network
2024-Sep, Journal of structural biology
IF:3.0Q3
DOI:10.1016/j.jsb.2024.108107
PMID:38906499
|
研究论文 | 提出了一种基于残差编码器-解码器的自适应注意力图像重建网络，用于提高原子力显微镜成像质量 | 结合深度学习技术和原子力显微镜成像，提出了一种新的网络结构，显著提高了图像重建质量和细胞识别率 | 未提及 | 提高原子力显微镜成像质量，以便更好地进行细胞研究和分析 | 活细胞的原子力显微镜图像 | 计算机视觉 | NA | 原子力显微镜 | 残差编码器-解码器网络 | 图像 | 未提及 | NA | NA | NA | NA |
| 916 | 2024-09-10 |
Challenges and opportunities in the development and clinical implementation of artificial intelligence based synthetic computed tomography for magnetic resonance only radiotherapy
2024-09, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110387
PMID:38885905
|
研究论文 | 本文讨论了基于人工智能的合成计算机断层扫描（sCT）在仅使用磁共振成像（MRI）的放射治疗中的开发和临床实施的挑战与机遇 | 本文提出了在没有共识的情况下，如何通过专家讨论来解决sCT在不同医院中的实施差异问题 | 本文主要集中在sCT的开发和实施方面，未深入探讨具体的算法和技术细节 | 探讨sCT在放射治疗中的临床应用及其面临的挑战 | 合成计算机断层扫描（sCT）在仅使用磁共振成像（MRI）的放射治疗中的应用 | 计算机视觉 | NA | 深度学习（DL） | NA | 图像 | NA | NA | NA | NA | NA |
| 917 | 2024-09-10 |
Artificial intelligence-assisted quantitative CT analysis of airway changes following SABR for central lung tumors
2024-09, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110376
PMID:38857700
|
研究论文 | 本文评估了一种基于人工智能的自动化评分方法，用于量化中央肺肿瘤患者接受立体定向消融放疗（SABR）后支气管变化 | 本文的创新点在于使用基于人工智能的气道自动分割技术，能够更早地检测到支气管狭窄/闭塞，并提高了检测率 | 本文的局限性在于仅在两个数据集上进行了验证，且样本量相对较小 | 研究目的是评估一种基于人工智能的自动化评分方法，用于量化中央肺肿瘤患者接受SABR后支气管变化 | 研究对象是接受SABR治疗的中央肺肿瘤患者 | 计算机视觉 | 肺癌 | 立体定向消融放疗（SABR） | 深度学习模型（MEDPSeg） | CT扫描图像 | 共59名患者，其中26名来自阿姆斯特丹大学医学中心（AUMC），33名来自彼得·麦克卡勒姆癌症中心（PMCC） | NA | NA | NA | NA |
| 918 | 2024-08-26 |
Correction: PSMA‑positive prostatic volume prediction with deep learning based on T2‑weighted MRI
2024-Sep, La Radiologia medica
DOI:10.1007/s11547-024-01829-4
PMID:39180615
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 919 | 2024-09-10 |
Ambulatory ECG noise reduction algorithm for conditional diffusion model based on multi-kernel convolutional transformer
2024-Sep-01, The Review of scientific instruments
DOI:10.1063/5.0222123
PMID:39248622
|
研究论文 | 本文提出了一种基于多核卷积变压器的条件扩散模型，用于动态心电图噪声抑制 | 引入条件噪声增强扩散模型网络，设计多核卷积变压器网络结构，并整合扩散模型逆过程实现噪声抑制 | NA | 提高动态心电图信号的清晰度，以便更准确地分析心血管疾病 | 动态心电图信号及其噪声干扰 | 计算机视觉 | 心血管疾病 | 深度学习 | 卷积变压器网络 | 心电图信号 | QT数据库和MIT-BIH噪声应激测试数据库 | NA | NA | NA | NA |
| 920 | 2024-09-09 |
AI-based seagrass morphology measurement
2024-Sep-05, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2024.122246
PMID:39241598
|
研究论文 | 本文开发了一种基于人工智能的机器学习模型，用于自动测量海草的形态参数 | 利用YOLO-v6深度学习模型自动分类和测量海草的形态参数，提高了测量效率和准确性 | NA | 研究海草的表型可塑性及其对环境压力的形态适应能力，以评估生态系统健康并制定保护策略 | 海草的形态参数，包括叶片、根茎和根的长度和宽度 | 计算机视觉 | NA | 机器学习 | YOLO-v6 | 图像 | 三种不同类型的海草对象 | NA | NA | NA | NA |