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 1161 篇文献，本页显示第 361 - 380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 361 | 2024-11-29 |
The Adversarial Robust and Generalizable Stereo Matching for Infrared Binocular Based on Deep Learning
2024-Oct-22, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging10110264
PMID:39590728
|
研究论文 | 本文提出了一种基于深度学习的红外双目立体匹配方法，旨在提高算法在复杂条件下的鲁棒性和泛化能力 | 该方法无需大型红外图像数据集，能够无缝适应任何特定红外相机，并扩展到标准双目图像，适用于红外和可见光立体图像 | NA | 提高深度学习方法在红外双目图像立体匹配中的鲁棒性和泛化能力 | 红外双目图像和可见光双目图像的立体匹配 | 计算机视觉 | NA | 多尺度census变换 | 堆叠沙漏子网络 | 图像 | 广泛使用的自动驾驶数据集 | NA | NA | NA | NA |
| 362 | 2024-11-29 |
Robust Real-Time Cancer Tracking via Dual-Panel X-Ray Images for Precision Radiotherapy
2024-Oct-22, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering11111051
PMID:39593711
|
研究论文 | 本研究提出了一种基于深度学习的实时无标记肺肿瘤跟踪方法，利用正交X射线投影图像进行精确的肿瘤定位 | 创新性地结合了混合变形模型与3D薄板样条变换的数据增强技术，以及基于Transformer的分割网络和CNN回归网络，实现了高精度的肿瘤跟踪 | NA | 提高肺癌放疗中肿瘤定位的精确性和实时性 | 肺癌肿瘤的实时跟踪和定位 | 计算机视觉 | 肺癌 | X射线成像 | Transformer, CNN | 图像 | 使用The Cancer Imaging Archive的患者数据和动态胸腔模型数据进行评估 | NA | NA | NA | NA |
| 363 | 2024-11-29 |
Deep-learning-based Attenuation Correction for 68Ga-DOTATATE Whole-body PET Imaging: A Dual-center Clinical Study
2024-Oct-07, Molecular imaging and radionuclide therapy
IF:0.9Q4
DOI:10.4274/mirt.galenos.2024.86422
PMID:39373140
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于68Ga-DOTATATE全身PET图像的衰减校正 | 提出了一种基于深度学习的衰减校正方法，避免了使用CT进行衰减校正带来的额外辐射剂量 | 使用不同中心的数据集时，PSNR和SSIM值较低 | 开发一种基于深度学习的衰减校正模型，以减少患者辐射剂量 | 68Ga-DOTATATE全身PET图像的衰减校正 | 计算机视觉 | NA | 深度学习 | 残差网络 | 图像 | 118名患者 | NA | NA | NA | NA |
| 364 | 2024-11-29 |
Determining individual suitability for neoadjuvant systemic therapy in breast cancer patients through deep learning
2024-Oct, Clinical & translational oncology : official publication of the Federation of Spanish Oncology Societies and of the National Cancer Institute of Mexico
IF:2.8Q2
DOI:10.1007/s12094-024-03459-8
PMID:38678522
|
研究论文 | 本文通过深度学习模型评估乳腺癌患者对新辅助系统治疗的个体适应性 | 提出了基于深度学习的个性化治疗推荐模型BITES，显著提高了治疗效果 | 需要在临床环境中进一步验证模型，并深入研究更多患者特征和结果指标 | 评估乳腺癌患者对新辅助系统治疗的个体反应，提出个性化治疗建议 | 乳腺癌患者及其对新辅助系统治疗的反应 | 机器学习 | 乳腺癌 | 深度学习 | BITES模型 | 患者数据 | 94,487名女性乳腺癌患者 | NA | NA | NA | NA |
| 365 | 2024-11-27 |
Application of multimodal deep learning and multi-instance learning fusion techniques in predicting STN-DBS outcomes for Parkinson's disease patients
2024-Oct, Neurotherapeutics : the journal of the American Society for Experimental NeuroTherapeutics
IF:5.6Q1
DOI:10.1016/j.neurot.2024.e00471
PMID:39419638
|
研究论文 | 本研究利用多模态深度学习和多实例学习融合技术预测帕金森病患者STN-DBS治疗效果 | 开发了一种新的2.5D深度学习方法，结合多切片表示提取详细的ROI特征，并通过多实例学习融合技术整合多个切片的预测结果，提升了模型性能 | 本研究为回顾性研究，样本量有限，未来需在前瞻性研究中验证模型效果 | 提高帕金森病患者STN-DBS治疗效果预测的准确性，支持个性化治疗计划 | 127名接受STN-DBS治疗的帕金森病患者 | 机器学习 | 帕金森病 | 多实例学习融合技术 | 深度学习模型 | 医学影像数据 | 127名帕金森病患者 | NA | NA | NA | NA |
| 366 | 2024-11-27 |
The Role of Artificial Intelligence and Machine Learning in Cardiovascular Imaging and Diagnosis: Current Insights and Future Directions
2024-Oct, Cureus
DOI:10.7759/cureus.72311
PMID:39583537
|
综述 | 本文综述了人工智能和机器学习在心血管影像和诊断中的应用现状及未来发展方向 | 人工智能和机器学习技术显著提升了心血管影像的诊断准确性和效率 | NA | 探讨人工智能和机器学习在心血管影像中的应用、优势、挑战及未来发展方向 | 心血管疾病诊断和影像分析 | 机器学习 | 心血管疾病 | NA | 卷积神经网络（CNN） | 影像 | NA | NA | NA | NA | NA |
| 367 | 2024-11-24 |
Contributing to the prediction of prognosis for treated hepatocellular carcinoma: Imaging aspects that sculpt the future
2024-Oct-27, World journal of gastrointestinal surgery
IF:1.8Q2
DOI:10.4240/wjgs.v16.i10.3377
PMID:39575286
|
研究论文 | 本文介绍了一种新的列线图模型，用于预测接受射频消融和经动脉化疗栓塞治疗的肝细胞癌（HCC）的预后，并强调了影像学方面，特别是磁共振成像（MRI）和放射组学，在提高预测准确性中的作用 | 本文提出了将多参数MRI和深度学习放射组学模型与临床因素结合，以提高HCC治疗预后预测的准确性 | NA | 提高肝细胞癌治疗预后的预测准确性 | 接受射频消融和经动脉化疗栓塞治疗的肝细胞癌患者 | 数字病理学 | 肝癌 | 磁共振成像（MRI） | 深度学习模型 | 影像数据 | NA | NA | NA | NA | NA |
| 368 | 2024-11-24 |
Facial recognition for disease diagnosis using a deep learning convolutional neural network: a systematic review and meta-analysis
2024-Oct-18, Postgraduate medical journal
IF:3.6Q1
DOI:10.1093/postmj/qgae061
PMID:39102373
|
meta-analysis | 本文系统综述和元分析了基于深度学习卷积神经网络的面部识别技术在罕见畸形疾病和面瘫等疾病诊断中的应用 | 本文通过系统综述和元分析，评估了深度学习在面部识别疾病诊断中的准确性和适用性 | 本文仅分析了过去十年内的22篇文献，样本量和疾病种类可能存在局限性 | 评估基于深度学习网络的面部识别技术在疾病诊断中的有效性和适用性 | 罕见畸形疾病和面瘫等疾病的诊断 | 计算机视觉 | NA | 深度学习卷积神经网络 | CNN | 图像 | 57,539例样本，其中43,301例为疾病样本 | NA | NA | NA | NA |
| 369 | 2024-11-24 |
AnNoBrainer, An Automated Annotation of Mouse Brain Images using Deep Learning
2024-Oct, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-024-09679-1
PMID:39107460
|
研究论文 | 开发了一种名为AnNoBrainer的开源软件工具，利用深度学习、图像配准和标准皮质脑模板来自动标注小鼠脑部图像中的各个脑区 | AnNoBrainer通过自动化标注显著减少了标注时间和提高了标注的准确性和可重复性 | NA | 解决神经科学数字病理学中手动标注脑部图像的效率问题 | 小鼠脑部图像的自动标注 | 数字病理学 | NA | 深度学习 | NA | 图像 | 来自转基因小鼠模型的病理切片 | NA | NA | NA | NA |
| 370 | 2024-11-24 |
Anatomic Interpretability in Neuroimage Deep Learning: Saliency Approaches for Typical Aging and Traumatic Brain Injury
2024-Oct, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-024-09694-2
PMID:39503843
|
研究论文 | 本研究比较了七种基于归因的显著性方法，以增强深度神经网络在估计生物脑龄时的解剖学解释性 | 本研究首次系统比较了多种显著性方法在典型衰老和创伤性脑损伤情况下的表现，并评估了它们在捕捉已知脑老化解剖特征方面的能力 | 研究仅限于磁共振成像数据，且样本主要为成年人群，可能限制了结果的普适性 | 探讨不同显著性方法在深度神经网络估计生物脑龄时的解剖学解释性 | 典型衰老和轻度创伤性脑损伤成年人的脑部磁共振成像数据 | 计算机视觉 | 创伤性脑损伤 | 磁共振成像 | 深度神经网络 | 图像 | 13,394名认知正常成年人和214名轻度创伤性脑损伤成年人 | NA | NA | NA | NA |
| 371 | 2024-11-23 |
Deep learning and genetic algorithm driven accelerated design for frequency-multiplexed complex-amplitude coding meta-hologram
2024-Oct-21, Optics express
IF:3.2Q2
DOI:10.1364/OE.538487
PMID:39573662
|
研究论文 | 本文提出了一种利用深度学习和遗传算法加速设计频率复用复杂振幅编码超表面全息图的方法 | 该方法能够设计出支持双频2比特振幅和任意相位调制的超原子，显著降低了设计难度并实现了优异的低串扰性能 | 目前仅限于左旋圆偏振波的调制，未来可扩展到其他偏振状态 | 旨在突破传统超表面的功能限制，实现多通道通信中的高效设计和高质量全息重建 | 频率复用超表面及其在多通道通信、数据存储和完美全息术中的应用 | NA | NA | 深度学习 遗传算法 | NA | NA | NA | NA | NA | NA | NA |
| 372 | 2024-11-23 |
Orbital angular momentum superimposed mode recognition based on multi-label image classification
2024-Oct-21, Optics express
IF:3.2Q2
DOI:10.1364/OE.541716
PMID:39573669
|
研究论文 | 本文提出了一种基于多标签图像分类的轨道角动量叠加模式识别方法 | 开发了一种结合多标签图像分类的识别方法，用于准确识别多轨道角动量叠加模式涡旋光束 | 目前主要集中在单轨道角动量模式和±l叠加双轨道角动量模式的识别，对多轨道角动量叠加模式的研究较少 | 提高轨道角动量叠加模式在接收端的准确识别能力 | 轨道角动量叠加模式涡旋光束 | 机器学习 | NA | 多标签图像分类 | 渐进通道-空间注意力模型（PCSA） | 图像 | 数值模拟和实验获取的三轨道角动量和四轨道角动量叠加模式涡旋光束的强度分布图数据集 | NA | NA | NA | NA |
| 373 | 2024-11-22 |
VONet: A deep learning network for 3D reconstruction of organoid structures with a minimal number of confocal images
2024-Oct-11, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2024.101063
PMID:39569212
|
研究论文 | 本文介绍了一种基于深度学习的3D重建网络VONet，用于从少量共聚焦图像中重建类器官结构 | VONet能够从少量z堆栈图像中重建完整的3D结构，并能预测传统共聚焦显微镜无法观察到的深层焦平面区域的结构 | NA | 开发一种高效且经济的3D重建方法，用于类器官结构的成像 | 类器官结构的3D重建 | 计算机视觉 | NA | 深度学习 | 全卷积神经网络 | 图像 | 超过39,000个虚拟类器官 | NA | NA | NA | NA |
| 374 | 2024-11-23 |
Prediction of adverse drug reactions using demographic and non-clinical drug characteristics in FAERS data
2024-10-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-74505-2
PMID:39384938
|
研究论文 | 研究利用机器学习模型基于FAERS数据中的非临床和人口统计学特征预测药物不良反应 | 首次结合人口统计学和非临床数据进行药物不良反应预测，并识别出最重要的影响因素 | 模型性能仍有提升空间，且仅限于30种常见且严重的药物不良反应 | 开发基于人口统计学和非临床数据的药物不良反应预测模型，并识别关键影响因素 | 30种常见且严重的药物不良反应 | 机器学习 | NA | 随机森林 (RF) 和深度学习 (DL) | 随机森林模型和深度学习模型 | 人口统计学数据和非临床数据 | 2012年至2023年间报告给FDA的30种常见且严重的药物不良反应数据 | NA | NA | NA | NA |
| 375 | 2024-11-23 |
JQR-Net: joint quantitative reconstruction network for dual-modal photoacoustic and optical coherence tomography imaging
2024-Oct-07, Optics express
IF:3.2Q2
DOI:10.1364/OE.537966
PMID:39573570
|
研究论文 | 本文提出了一种用于双模态光声和光学相干断层扫描成像的联合定量重建网络，以实现更精确和全面的组织特征分析 | 首次设计了一种深度学习模型，能够同时从双模态成像信号中重建多个组织特征参数，促进深入的组织表征 | NA | 开发一种深度学习方法，用于双模态光声和光学相干断层扫描成像中的联合定量重建 | 光声诱导的压力信号和背散射的光学相干断层扫描信号 | 计算机视觉 | NA | 深度学习 | 深度神经网络 | 图像 | NA | NA | NA | NA | NA |
| 376 | 2024-11-23 |
Physical prior-guided deep learning for SIM reconstruction: modeling object-to-image degradation
2024-Oct-07, Optics express
IF:3.2Q2
DOI:10.1364/OE.537692
PMID:39573583
|
研究论文 | 本文提出了一种基于物理先验指导的深度学习方法，用于结构化光照显微镜（SIM）重建，通过建模物体到图像的退化过程 | 本文创新性地将物体到图像平面的退化过程嵌入到重建网络中，通过物理先验约束的可学习点扩散函数（PSF）参数，将传统的图像到图像数据模式映射转换为物体到图像平面的退化映射 | NA | 解决深度学习在SIM重建中由于训练样本不足导致的可信度低和泛化能力差的问题 | 结构化光照显微镜（SIM）图像重建 | 计算机视觉 | NA | 深度学习 | OIDN（物体到图像平面退化网络） | 图像 | NA | NA | NA | NA | NA |
| 377 | 2024-11-23 |
High-quality and high-speed computer-generated holography via deep-learning-assisted bidirectional error diffusion method
2024-Oct-07, Optics express
IF:3.2Q2
DOI:10.1364/OE.535193
PMID:39573602
|
研究论文 | 本文提出了一种基于深度学习的双向误差扩散方法，用于生成高质量和高速度的计算机生成全息图 | 本文提出了一种名为BERDNet的神经网络，用于实时生成高质量的相位全息图，并通过数据损失和物理损失约束训练过程 | NA | 打破相位全息图生成过程中质量和速度之间的权衡 | 相位全息图的生成 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | NA | NA | NA | NA | NA |
| 378 | 2024-11-23 |
Improving drug-target interaction prediction through dual-modality fusion with InteractNet
2024-Oct, Journal of bioinformatics and computational biology
IF:0.9Q4
DOI:10.1142/S0219720024500240
PMID:39573831
|
研究论文 | 提出了一种新的深度学习框架，通过双模态融合改进药物-靶点相互作用的预测 | 结合蛋白质的结构信息和序列特征，通过双模态融合提供全面的特征表示，并引入了自掩码注意力机制 | NA | 加速新药开发过程中药物-靶点相互作用的准确预测 | 药物-靶点相互作用 | 机器学习 | NA | 图卷积网络、多头注意力机制 | 深度学习框架 | 蛋白质结构信息、序列特征 | 多个公共数据集 | NA | NA | NA | NA |
| 379 | 2024-11-22 |
Resting-State Electroencephalogram Depression Diagnosis Based on Traditional Machine Learning and Deep Learning: A Comparative Analysis
2024-Oct-23, Sensors (Basel, Switzerland)
DOI:10.3390/s24216815
PMID:39517712
|
综述 | 本文比较了传统机器学习和深度学习方法在基于静息状态脑电图的抑郁症诊断中的应用 | 本文综述了传统机器学习和深度学习方法在抑郁症诊断中的应用，并提出了潜在的解决方案 | 本文主要讨论了当前研究的挑战，但未提供具体的实验数据或模型评估 | 提高抑郁症诊断的准确性，并促进计算精神病学领域的发展 | 静息状态脑电图数据和抑郁症诊断 | 机器学习 | 抑郁症 | 脑电图 | 传统机器学习、深度学习 | 脑电图数据 | NA | NA | NA | NA | NA |
| 380 | 2024-11-22 |
A deep learning framework combining molecular image and protein structural representations identifies candidate drugs for pain
2024-Oct-21, Cell reports methods
IF:4.3Q2
DOI:10.1016/j.crmeth.2024.100865
PMID:39341201
|
研究论文 | 本文介绍了一种结合分子图像和蛋白质结构表示的深度学习框架，用于识别疼痛候选药物 | 提出了LISA-CPI框架，结合了无监督深度学习分子图像表示和AlphaFold2算法，相较于现有模型在平均绝对误差上提高了约20% | NA | 开发一种新的计算药物发现工具，用于治疗疼痛和其他复杂疾病 | 化合物-蛋白质相互作用，特别是针对G蛋白偶联受体 | 机器学习 | 疼痛 | 深度学习 | LISA-CPI | 图像，蛋白质结构 | 104,969个配体和33个G蛋白偶联受体 | NA | NA | NA | NA |