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 1164 篇文献，本页显示第 1021 - 1040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1021 | 2024-09-01 |
Feasibility study on the clinical application of CT-based synthetic brain T1-weighted MRI: comparison with conventional T1-weighted MRI
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-023-10534-1
PMID:38175218
|
研究论文 | 本研究旨在探讨基于CT的合成脑T1加权磁共振成像（MRI）与传统T1加权MRI在脑形态定量评估中的等效性 | 利用深度学习模型从CT数据生成合成T1加权成像（sT1WI），并评估其与传统T1加权MRI的等效性 | 研究中存在一些由于放射科医生测量差异导致的较差的协议 | 研究基于CT的合成T1加权MRI与传统T1加权MRI在脑形态定量评估中的等效性 | 35名接受脑部磁共振成像（MRI）和CT扫描的成年患者 | 计算机视觉 | NA | 深度学习模型 | 深度学习模型 | 图像 | 35名成年患者 | NA | NA | NA | NA |
| 1022 | 2024-09-01 |
Artificial intelligence in immunotherapy PET/SPECT imaging
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10637-3
PMID:38355986
|
综述 | 本文通过综述探讨了人工智能在PET/SPECT引导的免疫治疗患者管理中的应用 | 人工智能应用于PET/SPECT成像，主要用于预测免疫治疗患者的预后或肿瘤表型，这是基于治疗前基线图像构建的 | 需要进一步在大规模、前瞻性、多中心队列中验证模型，才能实现真正的临床应用 | 研究人工智能在PET/SPECT引导的免疫治疗中的作用，以识别可能获得持久临床益处或可能出现不可接受副作用的患者 | 免疫治疗患者及其PET/SPECT成像特征 | 计算机视觉 | 肺癌 | PET/SPECT成像 | 深度学习 | 图像 | 中位数（四分位数范围）样本量为63（157），主要关注肺癌、淋巴瘤和黑色素瘤 | NA | NA | NA | NA |
| 1023 | 2024-09-01 |
Learning CT-free attenuation-corrected total-body PET images through deep learning
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10647-1
PMID:38355987
|
研究论文 | 本研究利用深度学习技术生成无需CT的衰减校正全身PET图像，以减少PET成像中的电离辐射问题 | 本研究首次尝试通过深度学习生成无需CT的衰减校正全身PET图像，减少了对患者的辐射风险 | 未来工作需要在更多临床实践中验证该方法在全身PET/CT系统中的应用 | 开发一种无需CT的衰减校正方法，以减少全身PET/CT成像中的电离辐射 | 全身PET图像的衰减校正 | 机器学习 | NA | Cycle-GAN | 生成对抗网络 | 图像 | 122名受试者（29名女性和93名男性） | NA | NA | NA | NA |
| 1024 | 2024-09-01 |
Deep learning for automatic bowel-obstruction identification on abdominal CT
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10657-z
PMID:38388719
|
research paper | 本文旨在开发一种机器学习模型，用于自动识别腹部CT扫描中的疑似肠梗阻 | 开发了一种3D混合卷积神经网络，用于自动二分类（肠梗阻是/否）腹部CT扫描 | NA | 帮助放射科医生管理大量工作负载，从而实现更早的诊断和更好的患者治疗效果 | 腹部CT扫描中的疑似肠梗阻 | machine learning | NA | CT | 3D mixed convolutional neural network | image | 内部数据集包含1345个腹部CT扫描，外部数据集包含88个放射科医生注释的CT扫描 | NA | NA | NA | NA |
| 1025 | 2024-08-31 |
A personal view on the history of toxins: From ancient times to artificial intelligence
2024-Sep, Toxicon : official journal of the International Society on Toxinology
IF:2.6Q3
DOI:10.1016/j.toxicon.2024.108034
PMID:39038662
|
综述 | 本文回顾了从古代到现代，特别是结合人工智能技术，在生物活性物质发现和特性研究方面的进展 | 文章介绍了使用高端仪器和基于深度学习的人工智能计算方法的突破 | NA | 探讨生物活性物质的历史发展和当前的研究进展 | 植物、微生物和动物中的生物活性物质 | NA | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 1026 | 2024-08-31 |
Characterizing Sentinel Lymph Node Status in Breast Cancer Patients Using a Deep-Learning Model Compared With Radiologists' Analysis of Grayscale Ultrasound and Lymphosonography
2024-Sep-01, Ultrasound quarterly
IF:0.7Q4
DOI:10.1097/RUQ.0000000000000683
PMID:38958999
|
研究论文 | 本研究使用深度学习模型来区分乳腺癌患者中良性和恶性的前哨淋巴结（SLNs），并与放射科医生的评估进行比较 | 本研究采用AutoML开发的图像分类模型，展示了在平衡数据集上的改进诊断性能 | 放射科医生的表现并未受到数据集分布的影响，且读者间的一致性较低 | 评估深度学习模型在乳腺癌患者前哨淋巴结状态识别中的表现 | 乳腺癌患者的前哨淋巴结 | 机器学习 | 乳腺癌 | 超声检查 | AutoML | 图像 | 79名乳腺癌患者，217个前哨淋巴结 | NA | NA | NA | NA |
| 1027 | 2024-08-07 |
Predicting tumour origin with cytology-based deep learning: hype or hope?
2024-Sep, Nature reviews. Clinical oncology
DOI:10.1038/s41571-024-00906-x
PMID:38773339
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1028 | 2024-08-30 |
A Deep Learning Framework for Analysis of the Eustachian Tube and the Internal Carotid Artery
2024-Sep, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.789
PMID:38686594
|
研究论文 | 本文介绍了一种深度学习框架，用于从CT扫描中自动分割咽鼓管和颈内动脉，并计算两者之间的距离 | 这是首个端到端的深度学习管道，用于自动分割咽鼓管和颈内动脉，并分析这些结构之间的距离 | NA | 开发一种深度学习管道，自动分割咽鼓管和颈内动脉，并利用这些分割结果计算结构间的距离 | 咽鼓管和颈内动脉 | 计算机视觉 | NA | CT扫描 | nnU-Net | 3D模型 | 30个CT扫描，60对咽鼓管和颈内动脉 | NA | NA | NA | NA |
| 1029 | 2024-08-30 |
Recent advances in artificial intelligent strategies for tissue engineering and regenerative medicine
2024-Sep, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.70016
PMID:39189880
|
综述 | 本文综述了人工智能策略在组织工程和再生医学领域的最新进展 | 结合组织工程和人工智能，创造了一种新的生物医学技术进步，特别是在深度学习方面，提供了改善科学理解和临床结果的机会 | NA | 探讨人工智能在组织工程和再生医学中的应用潜力 | 组织工程和再生医学中的支架、细胞、组织和器官的设计、制造和评估 | 机器学习 | NA | 人工智能 | 深度学习 | NA | NA | NA | NA | NA | NA |
| 1030 | 2024-08-30 |
PRONTO-TK: a user-friendly PROtein Neural neTwOrk tool-kit for accessible protein function prediction
2024-Sep, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqae112
PMID:39193069
|
研究论文 | 本文介绍了一个名为PRONTO-TK的用户友好型蛋白质神经网络工具包，用于实现基于神经网络的复杂蛋白质功能预测工作流程的普及 | PRONTO-TK提供了一个图形用户界面，使即使编程经验有限的研究人员也能利用最先进的深度学习架构进行蛋白质功能注释 | NA | 旨在普及基于神经网络的蛋白质功能预测工具，使更多研究人员能够使用 | 蛋白质功能预测工具PRONTO-TK | 机器学习 | NA | 深度学习 | 神经网络 | 蛋白质数据 | NA | NA | NA | NA | NA |
| 1031 | 2024-08-29 |
Osteoporotic vertebral compression fracture (OVCF) detection using artificial neural networks model based on the AO spine-DGOU osteoporotic fracture classification system
2024-Sep, North American Spine Society journal
DOI:10.1016/j.xnsj.2024.100515
PMID:39188670
|
研究论文 | 本文评估了基于AO脊柱-DGOU骨质疏松性骨折分类系统的人工神经网络模型在骨质疏松性椎体压缩骨折（OVCF）检测中的潜力。 | 利用深度学习的人工神经网络模型快速自动识别和可视化OVCF。 | NA | 评估人工神经网络在OVCF检测中的潜力。 | 骨质疏松性椎体压缩骨折（OVCF）的检测、分类和分级。 | 机器学习 | 骨质疏松症 | 深度学习 | ANN | CT图像 | 训练数据集包含934张CT图像，测试数据集包含116张CT图像。 | NA | NA | NA | NA |
| 1032 | 2024-08-28 |
Diagnostic accuracy of CT-based radiomics and deep learning for predicting lymph node metastasis in esophageal cancer
2024-Sep, Clinical imaging
IF:1.8Q3
DOI:10.1016/j.clinimag.2024.110225
PMID:38905878
|
meta-analysis | 本文通过系统综述和荟萃分析，评估了基于CT的放射组学和深度学习在预测食管癌淋巴结转移中的诊断准确性 | 结合放射组学和深度学习与CT成像，为食管癌淋巴结转移的诊断提供了新的方法，有望革新预后评估和治疗计划 | 需要进一步的多中心研究与独立验证以确认结果并促进更广泛的临床应用 | 研究旨在提高食管癌淋巴结转移的诊断准确性 | 食管癌淋巴结转移的诊断 | digital pathology | 食管癌 | CT-based radiomics, deep learning | DL | image | 12项研究被综述，其中7项被纳入荟萃分析 | NA | NA | NA | NA |
| 1033 | 2024-08-28 |
MOCNN: A Multiscale Deep Convolutional Neural Network for ERP-Based Brain-Computer Interfaces
2024-Sep, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2024.3390805
PMID:38713574
|
研究论文 | 本文提出了一种多尺度深度卷积神经网络（MOCNN），用于基于事件相关电位（ERP）的脑-机接口（BCI），通过多尺度特征融合提高分类性能 | 引入八度卷积的广义概念到ERP-BCI领域，通过分支宽度优化和多尺度信息交互有效提取时空特征 | NA | 提高基于ERP的脑-机接口的分类性能 | ERP信号的多尺度时空特征 | 机器学习 | NA | 深度学习 | CNN | 信号 | 两个公共数据集和一个自收集的ERP数据集 | NA | NA | NA | NA |
| 1034 | 2024-08-27 |
An integrated CBLA-Net with fractional discrete wavelet transform and frequency-based CARS to predict heavy metal elements by XRF
2024-Sep-22, Analytica chimica acta
IF:5.7Q1
DOI:10.1016/j.aca.2024.343073
PMID:39182974
|
研究论文 | 本文提出了一种综合框架，用于通过XRF预测土壤中重金属元素的浓度，包括预处理、变量选择和决策制定 | 引入了基于分数离散小波变换的最优去噪方法和基于频率的竞争自适应重加权采样算法进行特征选择，并设计了一种新的深度学习网络CBLA-Net，用于精确估计重金属元素浓度 | NA | 提高通过XRF技术预测土壤中重金属元素浓度的准确性 | 土壤中的重金属元素浓度 | 机器学习 | NA | XRF | CBLA-Net | 光谱数据 | 未具体说明样本数量 | NA | NA | NA | NA |
| 1035 | 2024-08-27 |
In vivo ultrasound localization microscopy for high-density microbubbles
2024-Sep, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2024.107410
PMID:39084108
|
研究论文 | 本文介绍了一种结合Transformer和U-Net架构的深度学习框架ULM-TransUNet，用于提高高密度微泡条件下的超声定位显微成像质量 | 提出了ULM-TransUNet框架，能够学习重叠微泡的复杂数据模式，提高定位精度 | 目前仅通过数值模拟和体内实验验证，尚未在临床广泛应用 | 旨在提高高密度微泡条件下的超声定位显微成像性能 | 高密度微泡的超声定位显微成像 | 计算机视觉 | NA | 超声定位显微成像（ULM） | Transformer和U-Net | 图像 | 具体样本数量未在摘要中提及 | NA | NA | NA | NA |
| 1036 | 2024-08-27 |
Spectral analysis enhanced net (SAE-Net) to classify breast lesions with BI-RADS category 4 or higher
2024-Sep, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2024.107406
PMID:39047350
|
research paper | 本文提出了一种名为SAE-Net的新型网络，结合组织微观结构信息与形态学信息，用于提高高级别乳腺病变的识别 | SAE-Net通过结合灰度图像分支和光谱模式分支，能够同时学习图像形态学特征和超声射频信号的微观结构特征 | NA | 提高乳腺超声筛查中高级别乳腺病变的识别准确性 | 乳腺病变，特别是BI-RADS分类为4级或以上的病变 | computer vision | breast cancer | NA | CNN | image | NA | NA | NA | NA | NA |
| 1037 | 2024-08-27 |
Deep coherence learning: An unsupervised deep beamformer for high quality single plane wave imaging in medical ultrasound
2024-Sep, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2024.107408
PMID:39094387
|
研究论文 | 本文提出了一种新的无监督学习方法——深度相干学习（DCL），用于提高医学超声中单平面波成像（PWI）的质量 | 提出的DCL-based深度学习波束形成器（DL-DCL）能够从低质量的单平面波数据中生成高质量的PWI，并具有通用波束形成能力 | NA | 旨在通过深度学习技术提高医学超声中单平面波成像的质量 | 医学超声中的单平面波成像 | 计算机视觉 | NA | 深度学习 | 深度相干学习（DCL） | 图像 | 使用公开数据集进行了模拟、幻影和体内研究 | NA | NA | NA | NA |
| 1038 | 2024-08-27 |
A Multiscale Connected UNet for the Segmentation of Lung Cancer Cells in Pathology Sections Stained Using Rapid On-Site Cytopathological Evaluation
2024-Sep, The American journal of pathology
DOI:10.1016/j.ajpath.2024.05.011
PMID:38897537
|
研究论文 | 本研究提出了一种基于深度学习的分割算法，用于快速现场细胞病理学评估（ROSE），以提高内镜超声引导下经支气管针吸活检（EBUS-TBNA）手术中的诊断效率 | 该算法通过使用CUNet3+网络模型，能够准确分割ROSE染色病理切片中的癌细胞团簇，并在准确性上优于传统的分割算法 | NA | 提高肺癌早期检测的准确性 | 肺癌细胞在ROSE染色病理切片中的分割 | 数字病理学 | 肺癌 | 深度学习 | CUNet3+ | 图像 | 内部测试数据集 | NA | NA | NA | NA |
| 1039 | 2024-08-27 |
Deep Learning Classification and Quantification of Pejorative and Nonpejorative Architectures in Resected Hepatocellular Carcinoma from Digital Histopathologic Images
2024-Sep, The American journal of pathology
DOI:10.1016/j.ajpath.2024.05.007
PMID:38879083
|
研究论文 | 本研究利用基于ResNet34的监督式深度学习方法，对680张全切片图像（WSIs）进行分析，构建了一种算法用于识别和量化肝细胞癌切除标本中的有害和非有害结构 | 本研究首次采用深度学习技术识别和量化肝细胞癌中的有害结构，并验证了其在预测复发风险中的有效性 | 研究仅在一个外部医院的数据集上进行了验证，需要进一步在更多数据集上验证其泛化能力 | 开发一种基于人工智能的特征的复合预测算法，用于早期肝细胞癌切除后的复发预测 | 肝细胞癌切除标本中的有害和非有害结构 | 数字病理学 | 肝细胞癌 | 深度学习 | ResNet34 | 图像 | 680张全切片图像（WSIs）来自107个肝切除标本，以及29个来自另一个医院的肝细胞癌样本 | NA | NA | NA | NA |
| 1040 | 2024-08-27 |
Deep learning based diagnosis of PTSD using 3D-CNN and resting-state fMRI data
2024-Sep, Psychiatry research. Neuroimaging
|
研究论文 | 本研究使用基于深度学习的三维卷积神经网络（3D-CNN）和静息态功能磁共振成像（rs-fMRI）数据来诊断创伤后应激障碍（PTSD） | 本研究首次使用3D-CNN模型对rs-fMRI数据进行分析，显示出比其他六种机器学习技术更高的分类准确率 | NA | 旨在通过分类PTSD患者与健康对照来准确检测PTSD | PTSD患者与健康对照的rs-fMRI扫描数据 | 机器学习 | 心理疾病 | 功能磁共振成像（fMRI） | 三维卷积神经网络（3D-CNN） | 图像 | 19名PTSD男性患者和24名健康对照男性 | NA | NA | NA | NA |