深度学习在生物医药领域中的应用

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,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!

Sample Image
添加微信请说明来意
Sample Image
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10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。

当前筛选条件: [分区不过滤] [IF不过滤] [发表日期:202410-202410] [清除筛选条件]
当前共找到 1172 篇文献,本页显示第 261 - 280 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
261 2024-11-20
A Surface-based deep learning approach for cortical shape analysis
2024-Oct-29, bioRxiv : the preprint server for biology
研究论文 本文应用基于球谐函数的卷积神经网络(SPHARM-Net)对MRI衍生的脑形态学指标进行分析,预测年龄、性别和阿尔茨海默病(AD)诊断 本文提出了一种基于球谐函数的卷积神经网络(SPHARM-Net),无需显式定义邻域大小,实现了旋转等变性 本文仅在健康成年人和AD患者样本中进行了验证,未来工作将扩展到更复杂的任务如情绪障碍分类 研究如何利用深度学习技术从脑部图像中预测临床因素 MRI衍生的脑形态学指标,包括顶点皮质曲率、凸度、厚度和表面积 计算机视觉 阿尔茨海默病 球谐函数卷积神经网络 卷积神经网络 图像 健康成年人样本量为32,979,AD患者样本量为1,213
262 2024-11-20
Application of deblur technology for improving the clarity of digital subtractive angiography
2024-Oct, Interventional neuroradiology : journal of peritherapeutic neuroradiology, surgical procedures and related neurosciences IF:1.5Q3
研究论文 本文提出了一种基于深度学习的去模糊技术,用于提高数字减影血管造影(DSA)图像的清晰度 本文创新性地使用了深度学习方法来去模糊大焦点DSA图像,以获得更清晰和锐利的脑血管DSA图像 本文的局限性在于仅使用了52对配对的血管造影图像进行训练,且测试集仅包括10个身体模型和80张临床图像 研究目的是开发一种新的基于深度学习的方法,以提高大焦点DSA图像的清晰度 研究对象是数字减影血管造影(DSA)图像 计算机视觉 NA 深度学习 残差密集块(RDBs) 图像 训练集包括52对配对图像,超过350,000个裁剪的补丁;测试集包括10个身体模型和80张临床图像
263 2024-11-20
Short-length SSVEP data extension by a novel generative adversarial networks based framework
2024-Oct, Cognitive neurodynamics IF:3.1Q2
研究论文 本文提出了一种基于生成对抗网络(GAN)的端到端信号变换网络TEGAN,用于扩展短时稳态视觉诱发电位(SSVEP)信号的长度 引入了两阶段训练策略和LeCam-divergence正则化项来规范GAN的训练过程,显著提高了传统频率识别方法和基于深度学习方法的性能 NA 旨在解决SSVEP信号在实际应用中因数据量和长度不足而影响频率识别性能的问题 短时稳态视觉诱发电位(SSVEP)信号 脑机接口 NA 生成对抗网络(GAN) 生成对抗网络(GAN) 信号 两个公开的SSVEP数据集(4类和12类数据集)
264 2024-11-20
Motor imagery decoding using source optimized transfer learning based on multi-loss fusion CNN
2024-Oct, Cognitive neurodynamics IF:3.1Q2
研究论文 本文提出了一种基于多损失融合卷积神经网络(MF-CNN)的源优化迁移学习方法(SOTL),用于解码多类运动想象任务 首次提出多损失融合卷积神经网络(MF-CNN)和源优化迁移学习(SOTL),优化源模型以提高目标模型的性能 NA 提高运动想象任务的分类准确性,并验证其在卒中患者康复训练中的应用 16名健康受试者和16名卒中患者的运动想象数据 机器学习 卒中 迁移学习 卷积神经网络(CNN) 运动想象数据 32名受试者(16名健康受试者和16名卒中患者)
265 2024-11-20
Multiresolution feature fusion for smart diagnosis of schizophrenia in adolescents using EEG signals
2024-Oct, Cognitive neurodynamics IF:3.1Q2
研究论文 本文提出了一种基于多分辨率特征融合的自动化诊断模型,用于从脑电图信号中高效诊断青少年精神分裂症 本文创新性地结合了卷积神经网络和集成袋装树模型,融合深度学习和手工特征,实现了优于现有方法的分类性能 NA 开发一种高效的自动化诊断系统,用于青少年精神分裂症的早期检测 青少年精神分裂症患者和健康对照组的脑电图信号 计算机视觉 精神分裂症 经验小波变换和经验模态分解 卷积神经网络和集成袋装树 脑电图信号 84名青少年,其中45名精神分裂症患者和39名健康对照组
266 2024-11-20
Research progress of epileptic seizure prediction methods based on EEG
2024-Oct, Cognitive neurodynamics IF:3.1Q2
研究论文 本文介绍了基于EEG的癫痫发作预测方法的设计过程,并总结了当前研究中的常用方法和数据库 本文比较了深度学习算法与传统机器学习方法在癫痫发作预测中的优缺点,为研究人员提供了新技术和新思路 当前算法无法应用于临床,本文总结了其局限性并提出了改进建议 实现癫痫发作的早期预测和干预,以提高患者的生活质量 基于头皮EEG和颅内EEG的癫痫发作预测研究 数字病理学 癫痫 EEG 深度学习算法 EEG数据 NA
267 2024-11-20
Attention-based cross-frequency graph convolutional network for driver fatigue estimation
2024-Oct, Cognitive neurodynamics IF:3.1Q2
研究论文 本文提出了一种基于注意力机制的跨频图卷积网络(ACF-GCN),用于通过脑电图(EEG)信号估计驾驶员的反应时间 创新点在于引入了多注意力机制来检测EEG通道在不同频率之间的长程依赖关系,并结合图卷积网络进行驾驶员反应时间的估计 NA 研究目的是通过EEG信号提高驾驶员疲劳水平的估计精度 研究对象是驾驶员的脑电图信号及其反应时间 机器学习 NA 脑电图(EEG) 图卷积网络(GCN) 脑电图信号 使用了公开数据集进行验证
268 2024-11-20
Lattice 123 pattern for automated Alzheimer's detection using EEG signal
2024-Oct, Cognitive neurodynamics IF:3.1Q2
研究论文 本文提出了一种基于晶格结构的特征工程框架,用于使用脑电图信号自动识别阿尔茨海默病 创新性地应用概率函数生成Lattice123模式,并结合多级离散小波变换进行多层次特征提取 需要在大规模多样化的数据库上验证其有效性 开发一种自动识别阿尔茨海默病的新方法 阿尔茨海默病和脑电图信号 数字病理学 阿尔茨海默病 多级离散小波变换 NA 脑电图信号 未明确提及具体样本数量
269 2024-11-20
Can artificial intelligence aid the urologists in detecting bladder cancer?
2024 Oct-Dec, Indian journal of urology : IJU : journal of the Urological Society of India IF:1.3Q3
研究论文 本文探讨了人工智能在膀胱癌检测中的应用,特别是通过膀胱镜检查辅助泌尿科医生识别恶性区域 本文展示了基于人工智能的膀胱镜检查系统在膀胱癌检测中的潜力,通过深度学习算法处理大量图像和视频数据 尽管人工智能在膀胱癌检测中显示出潜力,但其应用仍存在疑问,未来研究应集中在确定哪些患者群体能从准确识别膀胱癌中获益最大 探讨人工智能在膀胱癌检测中的应用潜力 膀胱癌的检测和识别 计算机视觉 膀胱癌 深度学习算法 NA 图像和视频 五项研究的数据被用于分析
270 2024-11-19
Molecular mechanism underlying effect of D93 and D289 protonation states on inhibitor-BACE1 binding: exploration from multiple independent Gaussian accelerated molecular dynamics and deep learning
2024-Oct, SAR and QSAR in environmental research IF:2.3Q3
研究论文 研究探讨了D93和D289质子化状态对抑制剂与BACE1结合的影响及其分子机制 整合了多重独立的高斯加速分子动力学模拟、深度学习和分子力学广义波恩表面积方法,揭示了D93和D289质子化对抑制剂结合的影响 NA 阐明D93和D289质子化对抑制剂与BACE1结合的影响及其分子机制,为阿尔茨海默病的药物设计提供理论支持 BACE1蛋白、抑制剂OV6和4B2 分子动力学 阿尔茨海默病 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方法 深度学习 分子动力学轨迹 NA
271 2024-11-18
Automated Speech Analysis for Risk Detection of Depression, Anxiety, Insomnia, and Fatigue: Algorithm Development and Validation Study
2024-Oct-31, Journal of medical Internet research IF:5.8Q1
研究论文 研究开发并验证了一种基于语音分析的算法,用于检测和估计抑郁症、焦虑症、失眠和疲劳的风险 该研究不仅关注单一症状,还考虑了症状的共存和相互作用,并引入了不确定性估计和公平性评估,以提高临床应用的安全性 模型在不同年龄组和教育水平上的公平性表现较差 探讨移动设备收集的语音数据在检测和估计抑郁症、焦虑症、疲劳和失眠方面的预测潜力 抑郁症、焦虑症、失眠和疲劳 机器学习 NA 语音活动检测、特征提取和模型训练 深度学习模型 语音数据 865名健康成年人
272 2024-11-18
Multiparametric MRI based deep learning model for prediction of early recurrence of hepatocellular carcinoma after SR following TACE
2024-Oct-08, Journal of cancer research and clinical oncology IF:2.7Q3
研究论文 本文开发并验证了一种结合深度学习和临床数据的模型,用于预测接受TACE后肝细胞癌患者的早期复发 本文创新性地将深度学习特征与临床数据结合,构建了一个预测肝细胞癌患者早期复发的诺模图模型 NA 开发和验证一种结合深度学习和临床数据的模型,用于预测肝细胞癌患者的早期复发 接受TACE后肝细胞癌患者的早期复发风险 机器学习 肝癌 MRI 深度学习模型 影像数据 511名接受SR后TACE的患者
273 2024-11-17
Diagnosis of Pancreatic Ductal Adenocarcinoma Using Deep Learning
2024-Oct-31, Sensors (Basel, Switzerland)
研究论文 本研究利用深度学习网络分析病理图像,以准确诊断胰腺癌,特别是胰腺导管腺癌(PDAC) 本研究引入了多种先进的迁移学习模型,包括InceptionV3、DenseNet、ResNet、VGG、EfficientNet和一个专门设计的深度神经网络,并进行了比较分析以选择最准确的算法 NA 利用人工智能技术进行胰腺癌的早期诊断和检测,以提高患者治疗效果 胰腺导管腺癌(PDAC)的病理图像 计算机视觉 胰腺癌 深度学习算法 卷积神经网络(CNN) 图像 包含PDAC和/或慢性胰腺炎诊断病例的新数据集,并通过图像复制和创建不同维度的第二个数据集进行增强
274 2024-11-17
MR_NET: A Method for Breast Cancer Detection and Localization from Histological Images Through Explainable Convolutional Neural Networks
2024-Oct-31, Sensors (Basel, Switzerland)
研究论文 本文提出了一种基于可解释卷积神经网络的乳腺癌症检测和定位方法 引入了名为MR_Net的新型深度学习模型,旨在提供更准确的乳腺癌检测和定位,并通过生成热图提供可解释的预测结果 未提及具体限制 开发一种能够早期和准确检测乳腺癌的方法,以提高治疗效果和生存率 乳腺组织病理图像 计算机视觉 乳腺癌 卷积神经网络 CNN 图像 未提及具体样本数量
275 2024-11-17
Enhancing Underwater SLAM Navigation and Perception: A Comprehensive Review of Deep Learning Integration
2024-Oct-31, Sensors (Basel, Switzerland)
综述 本文综述了水下SLAM技术,特别是深度学习方法的整合,以提高水下导航和感知性能 本文详细评估了深度学习在水下图像处理和感知中的应用研究,并比较了标准和基于深度学习的SLAM系统 NA 探讨如何通过深度学习方法改进水下SLAM系统的性能 水下SLAM技术及其与深度学习方法的整合 计算机视觉 NA 深度学习 GAN, CNN, LSTM 图像 NA
276 2024-11-17
Deep Learning Approaches for the Assessment of Germinal Matrix Hemorrhage Using Neonatal Head Ultrasound
2024-Oct-31, Sensors (Basel, Switzerland)
研究论文 本研究提出了一种基于YOLOv8模型的深度学习方法,用于自动评估新生儿头部超声图像中的生发基质出血(GMH) 本研究采用了YOLOv8模型进行GMH分级,并结合迁移学习和数据增强技术,显著提高了诊断的准确性和效率 NA 开发一种自动化的方法来提高新生儿生发基质出血的诊断准确性 新生儿头部超声图像中的生发基质出血 计算机视觉 NA 深度学习 YOLOv8 图像 586名婴儿的超声图像
277 2024-11-17
AI-Guided Cancer Therapy for Patients with Coexisting Migraines
2024-Oct-31, Cancers IF:4.5Q1
综述 本文探讨了人工智能在癌症患者个性化治疗中的应用,特别是针对同时患有偏头痛的癌症患者 本文介绍了人工智能技术如机器学习、深度学习和自然语言处理在发现癌症和偏头痛的遗传和分子生物标志物中的应用,以及这些技术在预测偏头痛对癌症治疗影响方面的潜力 本文指出在数据整合、临床验证和伦理考虑方面仍存在挑战 本文旨在探讨人工智能在癌症患者个性化治疗中的应用,特别是针对同时患有偏头痛的癌症患者 本文主要研究对象是同时患有偏头痛的癌症患者 机器学习 NA 机器学习、深度学习、自然语言处理 NA NA NA
278 2024-11-17
Unveiling Artificial Intelligence's Power: Precision, Personalization, and Progress in Rheumatology
2024-Oct-31, Journal of clinical medicine IF:3.0Q1
综述 本文综述了人工智能(AI)在风湿病学中的应用及其在诊断、治疗个性化和预后预测方面的潜在影响 AI,包括机器学习和深度学习,正在革新风湿病学的诊断、治疗个性化和预后预测 存在数据隐私问题和模型泛化性问题等挑战 探讨AI在风湿病学中的应用及其潜在影响 AI在风湿病学中的诊断、治疗个性化和预后预测 机器学习 风湿病 NA 卷积神经网络(CNN) 图像 NA
279 2024-11-17
A New Deep Learning Methodology for Alarm Supervision in Marine Power Stations
2024-Oct-30, Sensors (Basel, Switzerland)
研究论文 本文提出了一种新的深度学习方法,用于海运电站的警报监控,旨在减少船员的工作压力并预防事故 开发了一种用户友好的图像识别工具,作为船员操作的视觉传感器,以适应船员的具体需求 研究结果仅适用于三层卷积神经网络和平衡数据的情况 开发一种能够减少船员工作压力的图像识别工具,作为预防工作风险的手段 海运电站的警报监控和船员的工作压力 计算机视觉 NA 卷积神经网络 (CNN) 卷积神经网络 (CNN) 图像 NA
280 2024-11-17
Decoding Brain Signals from Rapid-Event EEG for Visual Analysis Using Deep Learning
2024-Oct-30, Sensors (Basel, Switzerland)
研究论文 本研究开发了一种深度学习模型,用于解码受试者对快速事件视觉刺激的响应,并探讨了影响EEG视觉分类任务低准确性的主要因素 提出了多类、多通道特征融合模型(MCCFF),显著提高了EEG视觉分类的准确性,达到33.17% NA 提高EEG信号在视觉分类任务中的准确性 快速事件视觉刺激下的EEG信号 机器学习 NA 深度学习 多类、多通道特征融合模型(MCCFF) EEG信号 40个对象类别,每个类别1000张图像
回到顶部