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 441 - 460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 441 | 2024-11-02 |
Exploring the Low-Dose Limit for Focal Hepatic Lesion Detection with a Deep Learning-Based CT Reconstruction Algorithm: A Simulation Study on Patient Images
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01080-3
PMID:38502435
|
研究论文 | 本研究探讨了在肝部病变检测中，使用基于深度学习的重建算法AIIR在CT成像中的最低剂量限制 | 本研究首次评估了AIIR算法在低剂量CT成像中对肝部病变检测的效果，并展示了其在剂量减少60%的情况下仍能保持与常规剂量HIR相当的图像质量 | 本研究仅基于模拟数据，未在实际临床环境中验证AIIR算法的有效性 | 研究在肝部病变检测中，使用AIIR算法进行CT成像的最大可实现剂量减少 | 40名患者的98个临床确诊的肝部病变 | 计算机视觉 | 肝病 | CT成像 | 深度学习 | 图像 | 40名患者，98个肝部病变 | NA | NA | NA | NA |
| 442 | 2024-11-02 |
Active Learning in Brain Tumor Segmentation with Uncertainty Sampling and Annotation Redundancy Restriction
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01037-6
PMID:38514595
|
研究论文 | 本文比较了不同的主动学习策略，通过使用真实临床数据集对脑肿瘤进行分割，提出了一种减少所需数据量的框架 | 提出了基于不确定性采样和标注冗余限制的主动学习框架，显著减少了脑肿瘤分割所需的标注数据量 | 仅限于脑肿瘤分割任务，未探讨其他医学影像任务 | 研究如何通过主动学习策略减少深度学习模型在脑肿瘤分割中的标注负担 | 脑肿瘤的磁共振成像扫描 | 计算机视觉 | 脑肿瘤 | 主动学习 | U-net | 图像 | 638个多机构脑肿瘤磁共振成像扫描 | NA | NA | NA | NA |
| 443 | 2024-11-02 |
Deep Convolutional Neural Network for Dedicated Regions-of-Interest Based Multi-Parameter Quantitative Ultrashort Echo Time (UTE) Magnetic Resonance Imaging of the Knee Joint
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01089-8
PMID:38548992
|
研究论文 | 提出了一种基于感兴趣区域的深度学习卷积神经网络，用于加速膝关节的超短回波时间磁共振成像的多参数定量分析 | 开发了一种端到端的深度学习卷积神经网络（RMQ-Net），能够自动进行多组织分割和弛豫时间映射，显著加速了定量超短回波时间磁共振成像 | NA | 加速膝关节的超短回波时间磁共振成像的多参数定量分析 | 膝关节的超短回波时间磁共振成像 | 计算机视觉 | 骨关节炎 | 超短回波时间磁共振成像 | 卷积神经网络 | 图像 | 65名人类受试者，包括20名正常对照组、29名疑似轻度骨关节炎患者和16名中重度骨关节炎患者 | NA | NA | NA | NA |
| 444 | 2024-11-02 |
End-to-End Multi-task Learning Architecture for Brain Tumor Analysis with Uncertainty Estimation in MRI Images
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01009-w
PMID:38565728
|
研究论文 | 本文提出了一种端到端的脑肿瘤分析多任务学习架构，结合不确定性估计，用于MRI图像中的胶质瘤分类、分割和生存预测 | 本文的创新点在于开发了一个端到端的多任务学习架构，结合特征注意力模块和不确定性估计，能够同时进行胶质瘤的分类、分割和生存预测 | 本文的局限性在于实验仅使用了BraTS挑战数据集，未来需要验证模型在其他数据集上的泛化能力 | 本文的研究目的是开发一种能够自动化脑肿瘤分析过程的AI解决方案，减少主观和客观误差，提高诊断效率 | 本文的研究对象是胶质瘤，一种致命的脑肿瘤 | 计算机视觉 | 脑肿瘤 | 多任务学习 | NA | 图像 | 使用了2019和2020年BraTS挑战数据集，包含多个MRI序列 | NA | NA | NA | NA |
| 445 | 2024-11-02 |
A Comparative Analysis of Deep Learning-Based Approaches for Classifying Dental Implants Decision Support System
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01086-x
PMID:38565730
|
研究论文 | 本研究旨在通过基于深度学习的计算机诊断系统实现牙科植入物品牌的自主识别 | 本研究采用了28种不同的深度学习模型，包括18种卷积神经网络（CNN）模型和10种视觉变换器模型，并展示了ConvNeXt架构的小模型在分类准确性上的显著优势 | NA | 提供一种有效的解决方案，用于自主识别牙科植入物品牌，并评估该系统在临床实践中的潜力 | 牙科植入物品牌分类 | 计算机视觉 | NA | 深度学习 | 卷积神经网络（CNN）和视觉变换器 | 图像 | 1258张全景放射影像，来自2012年至2023年间在Erciyes大学牙科学院接受植入治疗的患者的六种不同植入系统 | NA | NA | NA | NA |
| 446 | 2024-11-02 |
A Classification-Based Adaptive Segmentation Pipeline: Feasibility Study Using Polycystic Liver Disease and Metastases from Colorectal Cancer CT Images
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01072-3
PMID:38587766
|
研究论文 | 本文研究了一种基于分类的自适应分割工作流程，用于区分不同病理图像并将其路由到特定的分割模型 | 提出了一种基于深度学习分类器的工作流程，能够自动分类图像并将其路由到适当的分割模型，从而提高分割精度 | 研究仅限于肝囊肿和结直肠癌肝转移的CT图像，未来需验证其在其他病理图像上的适用性 | 探索构建一种能够高效地将图像路由到特定训练的分割模型的可行性 | 肝囊肿和结直肠癌肝转移的CT图像 | 计算机视觉 | NA | 深度学习 | 分类器 | 图像 | 700张CT图像，包括350张肝囊肿图像和350张结直肠癌肝转移图像 | NA | NA | NA | NA |
| 447 | 2024-11-02 |
Automated Pulmonary Tuberculosis Severity Assessment on Chest X-rays
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01052-7
PMID:38587769
|
研究论文 | 本文提出了三种基于深度学习的方法来自动评估胸部X光片上的肺结核严重程度 | 本文创新性地使用YOLOV5n和DenseNet121模型来检测病变区域和预测空洞的存在，并通过不同的深度学习模型组合来预测Timika评分 | 本文未详细讨论模型的可解释性问题，且仅使用了三个数据集进行泛化评估 | 开发自动评估肺结核严重程度的方法，以优化资源分配和监测治疗反应 | 胸部X光片上的肺结核病变 | 计算机视觉 | 肺结核 | 深度学习 | DenseNet121, YOLOV5n | 图像 | 三个独立的数据集 | NA | NA | NA | NA |
| 448 | 2024-11-02 |
Pure Vision Transformer (CT-ViT) with Noise2Neighbors Interpolation for Low-Dose CT Image Denoising
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01108-8
PMID:38622385
|
研究论文 | 本文提出了一种基于纯视觉变换器（ViT）和Noise2Neighbors插值的低剂量CT图像去噪方法 | 使用纯视觉变换器（ViT）替代传统的卷积神经网络（CNN），并结合Noise2Neighbors插值操作，提高了低剂量CT图像去噪的效果 | NA | 解决卷积神经网络在医学图像处理中的局限性，特别是低剂量CT图像去噪问题 | 低剂量CT图像的去噪效果 | 计算机视觉 | NA | 视觉变换器（ViT） | 视觉变换器（ViT） | 图像 | 五个包含低剂量CT和正常剂量CT图像对的不同的数据集 | NA | NA | NA | NA |
| 449 | 2024-11-02 |
Synthetic Low-Energy Monochromatic Image Generation in Single-Energy Computed Tomography System Using a Transformer-Based Deep Learning Model
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01111-z
PMID:38637424
|
研究论文 | 本研究提出了一种基于Transformer深度学习模型SwinUNETR，从单能CT图像生成合成低能虚拟单色图像的方法 | 首次使用Transformer模型SwinUNETR从单能CT图像生成合成低能虚拟单色图像，提高了图像质量 | 仅在头部和颈部放射治疗患者数据上进行了验证，需要进一步验证其在其他部位和疾病中的适用性 | 探索从单能CT图像生成合成低能虚拟单色图像的方法，以提高图像质量和扩大受益人群 | 头部和颈部放射治疗患者的CT图像 | 计算机视觉 | NA | NA | Transformer | 图像 | 85名患者，其中70名用于模型构建，15名用于预测 | NA | NA | NA | NA |
| 450 | 2024-11-02 |
A Semi-Supervised Learning Framework for Classifying Colorectal Neoplasia Based on the NICE Classification
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01123-9
PMID:38653910
|
研究论文 | 本文提出了一种基于SimCLR的半监督学习框架，用于根据NICE分类对结直肠肿瘤进行分类 | 利用SimCLR模型在自监督学习阶段使用大量未标记数据进行预训练，然后在有限的标记数据上进行微调，显著提高了分类性能 | 尽管性能优于传统监督学习模型和初级内镜医师，但仍略逊于高级内镜医师 | 开发一种半监督学习框架，以提高在有限标记数据情况下的结直肠肿瘤分类性能 | 结直肠肿瘤的分类 | 计算机视觉 | 结直肠肿瘤 | SimCLR | ResNet | 图像 | 大量未标记数据和有限的标记数据 | NA | NA | NA | NA |
| 451 | 2024-11-02 |
Super-resolution Deep Learning Reconstruction Cervical Spine 1.5T MRI: Improved Interobserver Agreement in Evaluations of Neuroforaminal Stenosis Compared to Conventional Deep Learning Reconstruction
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01112-y
PMID:38671337
|
研究论文 | 本研究探讨了超分辨率深度学习重建（SR-DLR）与传统深度学习重建（DLR）在1.5T颈椎MRI神经孔狭窄评估中的观察者间一致性 | 本研究首次比较了SR-DLR与DLR在神经孔狭窄评估中的观察者间一致性，并发现SR-DLR显著优于DLR | 本研究为回顾性研究，样本量较小，且仅限于1.5T颈椎MRI | 研究SR-DLR与DLR在神经孔狭窄评估中的观察者间一致性 | 39名接受1.5T颈椎MRI的患者 | 计算机视觉 | NA | 超分辨率深度学习重建（SR-DLR） | 深度学习模型 | 图像 | 39名患者 | NA | NA | NA | NA |
| 452 | 2024-11-02 |
Development of a Secure Web-Based Medical Imaging Analysis Platform: The AWESOMME Project
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01110-0
PMID:38689149
|
研究论文 | 本文开发了一个安全的基于Web的医学影像分析平台，名为AWESOMME项目，旨在通过深度学习模型预测骨肉瘤患者的治疗反应 | 该平台涵盖了医学影像处理的各个步骤，包括可视化、分割、特征提取和辅助诊断，并支持机器学习模型的测试和使用 | NA | 开发一个易于访问且安全的Web平台，用于医学影像分析和机器学习模型的应用 | 骨肉瘤患者的医学影像数据 | 计算机视觉 | 骨肉瘤 | 深度学习 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 453 | 2024-11-02 |
Letter to the Editor Regarding Article "Prior to Initiation of Chemotherapy, Can We Predict Breast Tumor Response? Deep Learning Convolutional Neural Networks Approach Using a Breast MRI Tumor Dataset"
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01129-3
PMID:38689150
|
comments | 对一篇使用深度学习卷积神经网络预测乳腺癌化疗反应的文章提出质疑 | NA | 怀疑训练和测试数据集之间存在无意中的数据泄露 | 质疑前述文章中报告的结果是否因数据泄露所致 | 乳腺癌化疗反应预测 | machine learning | breast cancer | convolutional neural network | CNN | MRI | NA | NA | NA | NA | NA |
| 454 | 2024-11-02 |
Automatic Skeleton Segmentation in CT Images Based on U-Net
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01127-5
PMID:38689152
|
研究论文 | 本文提出了一种基于U-Net架构的神经网络模型，用于从二维计算机断层扫描（CT）切片中自动分割骨骼 | 本文的创新点在于使用U-Net架构进行骨骼分割，并取得了较高的Jaccard指数（IoU）和Dice指数 | 本文的局限性在于仅使用了77张CT图像进行训练和测试，样本量较小 | 本文的研究目的是开发一种自动化的骨骼分割方法，以辅助临床评估骨骼结构的形态变化 | 本文的研究对象是CT图像中的骨骼结构 | 计算机视觉 | NA | NA | U-Net | 图像 | 77张CT图像 | NA | NA | NA | NA |
| 455 | 2024-11-02 |
Robust Ensemble of Two Different Multimodal Approaches to Segment 3D Ischemic Stroke Segmentation Using Brain Tumor Representation Among Multiple Center Datasets
2024-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01099-6
PMID:38693333
|
研究论文 | 本文提出了一种结合两种多模态方法的集成模型，用于在多中心数据集上进行3D缺血性脑卒中分割 | 利用脑肿瘤数据进行迁移学习，并结合不同训练方案的多模态MR图像，显著提高了分割性能 | NA | 提高在多中心数据集上进行缺血性脑卒中分割的准确性和鲁棒性 | 缺血性脑卒中病灶的分割 | 计算机视觉 | 脑卒中 | 扩散加权成像（DWI）和表观扩散系数（ADC）MR成像 | nnU-Net | 图像 | 846个扫描数据 | NA | NA | NA | NA |
| 456 | 2024-10-30 |
Artificial intelligence-based power market price prediction in smart renewable energy systems: Combining prophet and transformer models
2024-Oct-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e38227
PMID:39469701
|
研究论文 | 本文开发了一种结合Prophet和Transformer模型的混合时间序列预测模型，用于电力市场价格预测 | 引入Stacking优化策略，结合传统时间序列方法和深度学习模型，提高了电力市场价格预测的准确性和稳定性 | 未提及具体限制 | 开发一种新的电力市场价格预测方法，支持智能可再生能源系统的可靠和灵活运行 | 电力市场价格预测 | 机器学习 | NA | 深度学习 | Transformer | 时间序列数据 | 四个电力市场数据集 | NA | NA | NA | NA |
| 457 | 2024-10-30 |
Vehicular Mini-LED backlight display inspection based on residual global context mechanism
2024-Oct-29, Frontiers of optoelectronics
IF:4.1Q2
DOI:10.1007/s12200-024-00140-4
PMID:39467917
|
研究论文 | 本文提出了一种基于残差全局上下文机制的车辆Mini-LED背光显示检测方法 | 本文提出了高分辨率网络（Hrnet）与混合扩张卷积和密集上采样卷积（MDC-DUC）模块以及残差全局上下文注意力（RGCA）模块结合的新模型，显著提高了Mini-LED背光显示的质量检测精度 | NA | 提高车辆Mini-LED背光显示的质量检测精度 | 车辆Mini-LED背光显示的质量检测 | 计算机视觉 | NA | 深度学习 | 高分辨率网络（Hrnet） | 图像 | NA | NA | NA | NA | NA |
| 458 | 2024-10-30 |
Tracer-Separator: A Deep Learning Model for Brain PET Dual-Tracer (18F-FDG and Amyloid) Separation
2024-Oct-29, Clinical nuclear medicine
IF:9.6Q1
DOI:10.1097/RLU.0000000000005511
PMID:39468375
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于分离脑部PET双示踪剂（18F-FDG和淀粉样蛋白）图像 | 本研究首次采用无卷积的transformer架构SwinUNETR，实现了从模拟双示踪剂成像的加和扫描中合成真实的FDG和FBP/FMM图像 | NA | 本研究旨在通过先进的成像技术简化诊断过程，提高患者治疗效果 | 研究对象包括120名从认知正常到轻度认知障碍、痴呆和其他精神障碍的患者 | 计算机视觉 | NA | PET成像 | SwinUNETR | 图像 | 120名患者 | NA | NA | NA | NA |
| 459 | 2024-10-30 |
DNA breathing integration with deep learning foundational model advances genome-wide binding prediction of human transcription factors
2024-Oct-28, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkae783
PMID:39271116
|
研究论文 | 本文开发了一种多模态深度学习模型EPBDxDNABERT-2，用于预测人类转录因子与DNA的结合 | 本文创新性地将DNA呼吸特征与DNABERT-2基础模型结合，显著提高了转录因子结合预测的准确性 | NA | 确定转录因子结合与DNA呼吸之间的精确关系 | 人类转录因子与DNA的结合 | 机器学习 | NA | ChIP-Seq | 深度学习模型 | 基因组数据 | 690个ChIP-seq实验结果，涵盖161种不同的转录因子和91种人类细胞类型 | NA | NA | NA | NA |
| 460 | 2024-10-30 |
A deep learning-based method enables the automatic and accurate assembly of chromosome-level genomes
2024-Oct-28, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkae789
PMID:39287126
|
研究论文 | 本文介绍了一种基于深度学习的方法AutoHiC，用于自动和准确地组装染色体级别的基因组 | AutoHiC利用Hi-C数据进行自动化工作流程和迭代错误校正，显著提高了基因组组装的连续性和准确性 | NA | 解决染色体级别基因组组装中的错误校正和序列锚定问题 | 染色体级别基因组组装 | 基因组学 | NA | Hi-C技术 | 深度学习 | 基因组数据 | 300多种物种的数据 | NA | NA | NA | NA |