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 1160 篇文献，本页显示第 521 - 540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 521 | 2024-11-04 |
Prediction of femoral head collapse in osteonecrosis using deep learning segmentation and radiomics texture analysis of MRI
2024-Oct-31, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-024-02722-w
PMID:39482688
|
研究论文 | 本研究旨在基于磁共振成像（MRI）的影像组学分析，构建一个自动预测股骨头坏死（ONFH）中股骨头塌陷的流程 | 本研究首次结合深度学习分割模型和影像组学纹理分析，自动预测股骨头坏死中的股骨头塌陷 | 需要进一步研究以确定该方法的临床适用性及其在治疗决策中的潜在作用 | 构建一个自动预测股骨头坏死中股骨头塌陷的流程 | 股骨头坏死中的股骨头塌陷 | 计算机视觉 | 骨科疾病 | 影像组学分析 | 深度学习模型 | MRI图像 | 222例股骨头MRI图像用于分割模型开发，206例用于预后预测模型开发 | NA | NA | NA | NA |
| 522 | 2024-11-04 |
A modified deep learning method for Alzheimer's disease detection based on the facial submicroscopic features in mice
2024-Oct-31, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-024-01305-0
PMID:39482695
|
研究论文 | 本文提出了一种改进的深度学习方法，用于基于小鼠面部亚微观特征检测阿尔茨海默病 | 开发并优化了一种多层循环残差卷积神经网络模型，专门用于识别小鼠面部图像中的AD相关亚微观特征 | 研究仅限于小鼠实验，尚未在人类中验证 | 验证基于小鼠面部图像的深度学习模型在阿尔茨海默病检测中的可行性和准确性 | 小鼠面部图像中的阿尔茨海默病相关亚微观特征 | 计算机视觉 | 阿尔茨海默病 | 深度学习 | 多层循环残差卷积神经网络 | 图像 | 两组小鼠：正常对照组和阿尔茨海默病组 | NA | NA | NA | NA |
| 523 | 2024-11-04 |
Enhancing the differential diagnosis of small pulmonary nodules: a comprehensive model integrating plasma methylation, protein biomarkers, and LDCT imaging features
2024-Oct-31, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-024-05723-5
PMID:39482707
|
研究论文 | 本研究提出了一种综合模型，通过整合血浆甲基化、蛋白质生物标志物和低剂量CT（LDCT）影像特征，以提高小肺结节的鉴别诊断 | 本研究的创新点在于整合了多种分子和影像特征，开发了一种基于深度学习的分类器，显著提高了肺结节的良恶性鉴别准确性 | 本研究的局限性在于样本量相对较小，且未涵盖所有可能的肺结节类型 | 本研究旨在提高小肺结节的良恶性鉴别诊断准确性 | 本研究的对象是直径在5-30毫米之间的肺结节 | 数字病理学 | 肺癌 | 甲基化测序、蛋白质分析、CT成像 | 深度学习 | 甲基化数据、蛋白质数据、影像数据 | 419名参与者 | NA | NA | NA | NA |
| 524 | 2024-11-04 |
[Small-scale cross-layer fusion network for classification of diabetic retinopathy]
2024-Oct-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202403016
PMID:39462652
|
研究论文 | 本文提出了一种改进的残差网络模型，用于对糖尿病视网膜病变进行五级分类 | 通过在残差网络的第一层使用三个较小的卷积替代单个卷积以减少计算负荷，引入混合注意力机制以关注病变的关键特征，并使用跨层融合卷积替代传统残差结构以更好地提取病变形态特征 | NA | 提高糖尿病视网膜病变的分类准确性和辅助诊断效率 | 糖尿病视网膜病变的五级分类 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | 残差网络 | 图像 | APTOS2019数据集 | NA | NA | NA | NA |
| 525 | 2024-11-04 |
[Construction of a prediction model for induction of labor based on a small sample of clinical indicator data]
2024-Oct-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202403033
PMID:39462670
|
研究论文 | 本研究旨在基于小样本临床指标数据构建引产结果预测模型 | 使用最大信息系数（MIC）进行特征选择，并比较了基于小样本的支持向量机（SVM）模型与基于大样本的全连接神经网络（FCNN）模型在引产结果预测中的表现 | 研究样本量较小，仅包含90名孕妇的数据 | 分析与引产相关的临床指标，并开发和评估基于小样本数据的预测模型 | 引产结果的预测 | 机器学习 | NA | 支持向量机（SVM），最大信息系数（MIC） | 支持向量机（SVM），全连接神经网络（FCNN） | 临床指标数据 | 90名孕妇 | NA | NA | NA | NA |
| 526 | 2024-11-04 |
[Research progress of breast pathology image diagnosis based on deep learning]
2024-Oct-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202311061
PMID:39462677
|
研究论文 | 本文综述了基于深度学习的乳腺病理图像诊断的研究进展 | 深度学习技术在乳腺病理图像分类任务中优于传统检测方法 | 讨论了深度学习在乳腺癌症病理图像诊断中的挑战和未来展望 | 综述深度学习在乳腺病理图像诊断中的应用进展 | 乳腺病理图像的多尺度特征提取、细胞特征分析和分类 | 数字病理 | 乳腺癌 | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 527 | 2024-11-04 |
[Research progress on electronic health records multimodal data fusion based on deep learning]
2024-Oct-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202310011
PMID:39462676
|
综述 | 本文介绍了基于深度学习的电子健康记录多模态数据融合的方法和发展趋势 | 本文总结了不同医疗模态数据融合的深度学习方法，并讨论了多模态医疗数据融合的难点和发展方向 | NA | 探讨基于深度学习的电子健康记录多模态数据融合方法及其在临床应用中的潜力 | 电子健康记录中的结构化数据、图像和文本等多模态数据 | 机器学习 | NA | 深度学习 | NA | 多模态数据 | NA | NA | NA | NA | NA |
| 528 | 2024-11-04 |
[Advances in the diagnosis of prostate cancer based on image fusion]
2024-Oct-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202403054
PMID:39462678
|
综述 | 本文综述了近年来国内外关于医学图像融合的相关文献，分类介绍了图像融合技术，并分析比较了传统融合算法和深度学习融合算法的原理和工作流程 | 本文总结了图像融合算法的优缺点，并展望了医学图像融合算法的未来发展趋势 | NA | 全面研究医学图像融合方法 | 前列腺癌的诊断 | 数字病理学 | 前列腺癌 | 图像融合 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 529 | 2024-11-04 |
[A review on depth perception techniques in organoid images]
2024-Oct-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202404036
PMID:39462675
|
综述 | 本文综述了器官芯片图像深度感知技术，介绍了器官芯片培养机制及其在深度感知中的应用概念，并回顾了四种深度感知算法的关键进展 | 本文总结了多种器官图像的深度感知技术，并展望了基于深度学习方法的器官芯片的未来发展趋势 | NA | 促进深度感知技术在器官芯片图像中的应用 | 器官芯片图像的深度感知技术 | 计算机视觉 | NA | 深度学习算法 | 深度模型 | 图像 | NA | NA | NA | NA | NA |
| 530 | 2024-11-04 |
Radiomics and Clinical Data for the Diagnosis of Incidental Pulmonary Nodules and Lung Cancer Screening: Radiolung Integrative Predictive Model
2024-Oct, Archivos de bronconeumologia
IF:8.7Q1
DOI:10.1016/j.arbres.2024.05.027
PMID:38876917
|
研究论文 | 研究评估了将临床数据与基于深度学习的放射组学模型结合用于预测肺结节恶性程度的效果 | 首次将临床数据与深度学习放射组学模型结合，提高了肺结节恶性程度的预测性能 | 研究样本量较小，可能影响结果的普适性 | 提高肺结节和肺癌的早期诊断准确性 | 肺结节和肺癌的恶性程度预测 | 计算机视觉 | 肺癌 | 深度学习 | 卷积神经网络 | 图像 | 97个肺结节，来自93名患者 | NA | NA | NA | NA |
| 531 | 2024-11-02 |
Automatic plant phenotyping analysis of Melon (Cucumis melo L.) germplasm resources using deep learning methods and computer vision
2024-Oct-30, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-024-01293-1
PMID:39472934
|
研究论文 | 本文利用深度学习和计算机视觉技术对甜瓜种质资源进行自动表型分析 | 本文构建了一个深度学习算法框架，结合多种模型（DANet、RTMDet、RTMPose、MobileSAM），实现了甜瓜果实和果梗的高效准确分割，并设计了一系列特征提取算法，成功获取了11个甜瓜表型特征 | NA | 加速甜瓜育种过程，提高其市场竞争力 | 甜瓜种质资源的外观表型分析 | 计算机视觉 | NA | 深度学习 | DANet、RTMDet、RTMPose、MobileSAM | 图像 | 117个甜瓜品种，来自两个年度 | NA | NA | NA | NA |
| 532 | 2024-11-02 |
Deep learning-based segmentation of kidneys and renal cysts on T2-weighted MRI from patients with autosomal dominant polycystic kidney disease
2024-Oct-30, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-024-00520-7
PMID:39477840
|
研究论文 | 本文开发并测试了一种基于深度学习的算法，用于自动分割常染色体显性多囊肾病患者的肾脏和肾囊肿 | 本文首次使用深度学习算法自动分割肾脏和肾囊肿，并展示了其在评估总肾体积和囊肿指数方面的潜力 | 算法在处理非常大的肾体积和囊肿时存在低估问题，这可能是由于训练数据集中此类样本不足 | 开发和测试一种自动分割肾脏和肾囊肿的深度学习算法，以评估其在常染色体显性多囊肾病患者中的应用 | 常染色体显性多囊肾病患者的肾脏和肾囊肿 | 计算机视觉 | 肾病 | 深度学习 | NA | 图像 | 164名常染色体显性多囊肾病患者 | NA | NA | NA | NA |
| 533 | 2024-11-02 |
Ancient Yi Script Handwriting Sample Repository
2024-Oct-30, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03918-5
PMID:39477968
|
研究论文 | 本文收集了2922个常用古彝文字的手写单字样本，并完成了连续手写文本采样，测试了不同深度学习网络模型下的识别性能 | 提出了古彝文字的自动采样方法，并完成了手写样本的自动切割和标注 | NA | 研究古彝文字的手写识别和生成 | 古彝文字的手写样本 | 自然语言处理 | NA | 深度学习 | 深度学习网络模型 | 文本 | 2922个手写单字样本，427,939个有效字符，250人参与连续手写文本采样 | NA | NA | NA | NA |
| 534 | 2024-11-02 |
Image tampering detection based on RDS-YOLOv5 feature enhancement transformation
2024-Oct-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-76388-9
PMID:39477969
|
研究论文 | 提出了一种基于RDS-YOLOv5特征增强变换的图像篡改检测方法 | 引入了多通道特征增强融合算法和改进的RDS-YOLOv5深度学习模型，并引入了非线性损失度量来优化模型训练过程 | NA | 提高图像篡改检测技术的泛化能力和实际性能 | 图像篡改检测 | 计算机视觉 | NA | 深度学习 | RDS-YOLOv5 | 图像 | 6187张包含拼接、移除和复制移动三种篡改形式的图像 | NA | NA | NA | NA |
| 535 | 2024-11-02 |
Sign language recognition using modified deep learning network and hybrid optimization: a hybrid optimizer (HO) based optimized CNNSa-LSTM approach
2024-Oct-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-76174-7
PMID:39477993
|
研究论文 | 本文提出了一种基于混合优化器的优化CNNSa-LSTM网络，用于手语识别 | 本文提出了一种新的深度学习模型CNNSa-LSTM，结合了卷积神经网络、自注意力和长短期记忆网络，用于手语识别。此外，还提出了一种基于河马优化算法和路径查找算法的混合优化器 | NA | 改进聋人与公众之间的实时交流 | 手语识别模型 | 计算机视觉 | NA | 深度学习 | CNNSa-LSTM | 图像 | NA | NA | NA | NA | NA |
| 536 | 2024-11-02 |
Lightweight and efficient deep learning models for fruit detection in orchards
2024-10-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-76662-w
PMID:39477987
|
研究论文 | 本文研究了果园环境中苹果的准确识别，构建了一个包含不同场景的水果数据集，并提出了一种实时轻量级检测网络ELD | 提出了EGSS模块和MCAttention模块，用于解决特征提取和分类问题，并采用了注意力机制构建新的特征提取网络，增强了模型的抗干扰能力 | NA | 研究密集目标、遮挡和自然环境对实际应用场景的影响 | 果园中的苹果识别 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 包含不同场景的水果数据集 | NA | NA | NA | NA |
| 537 | 2024-11-02 |
BASE: a web service for providing compound-protein binding affinity prediction datasets with reduced similarity bias
2024-Oct-30, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-024-05968-3
PMID:39478454
|
研究论文 | 本文介绍了一个名为BASE的网络服务，用于提供减少相似性偏差的化合物-蛋白质结合亲和力预测数据集 | 提出了BASE网络服务，通过减少蛋白质相似性来降低数据集偏差，从而提高预测模型的泛化能力和鲁棒性 | NA | 研究化合物-蛋白质结合亲和力预测中的数据集偏差，并提出解决方案 | 化合物-蛋白质结合亲和力预测数据集的偏差 | 机器学习 | NA | 多层感知器模型 | 多层感知器 | 化合物和蛋白质特征数据 | 分析了八个结合亲和力数据库 | NA | NA | NA | NA |
| 538 | 2024-11-02 |
Size-Resolved Shape Evolution in Inorganic Nanocrystals Captured via High-Throughput Deep Learning-Driven Statistical Characterization
2024-Oct-29, ACS nano
IF:15.8Q1
DOI:10.1021/acsnano.4c09312
PMID:39425689
|
研究论文 | 本研究通过深度学习辅助的统计分析，揭示了CoO纳米晶体在亚纳米尺度上的复杂形状演变和生长机制 | 本研究首次通过高吞吐量统计分析，揭示了纳米晶体尺寸依赖的形状演变，并引入了“起始半径”概念，描述了这些过渡发生的临界尺寸阈值 | NA | 揭示纳米晶体合成中的尺寸依赖形状演变及其生长机制 | CoO纳米晶体 | NA | NA | 高分辨率电子显微镜成像 | 深度学习 | 图像 | 441,067个纳米晶体 | NA | NA | NA | NA |
| 539 | 2024-11-02 |
Fusing convolutional learning and attention-based Bi-LSTM networks for early Alzheimer's diagnosis from EEG signals towards IoMT
2024-10-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77876-8
PMID:39472526
|
研究论文 | 本文提出了一种融合卷积学习和基于注意力的双向长短期记忆网络模型，用于从脑电信号中早期诊断阿尔茨海默病，并探讨其在医疗物联网中的应用 | 本文的创新点在于提出了CL-ATBiLSTM模型，结合卷积层、注意力机制和双向长短期记忆网络，能够更全面地分析脑电信号，区分阿尔茨海默病、轻度认知障碍和健康对照组 | NA | 本文的研究目的是探索脑电信号在阿尔茨海默病早期诊断中的潜力，并提出一种新的深度学习模型来提高诊断准确性 | 本文的研究对象是阿尔茨海默病、轻度认知障碍和健康对照组的脑电信号 | 机器学习 | 阿尔茨海默病 | 离散小波变换 | 卷积神经网络、双向长短期记忆网络 | 脑电信号 | Figshare数据集中包含阿尔茨海默病、轻度认知障碍和健康对照组的样本 | NA | NA | NA | NA |
| 540 | 2024-11-02 |
Exploiting common patterns in diverse cancer types via multi-task learning
2024-Oct-29, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-024-00700-z
PMID:39472543
|
研究论文 | 本研究利用深度学习和多任务学习方法，从高维医学数据中提取特征向量，探索不同癌症类型间的共享模式，以提高癌症预后预测的准确性 | 本研究首次将多任务学习应用于跨癌症类型的预后预测，通过整合RNA测序和临床数据，显著提高了预测性能 | 本研究仅使用了三个癌症数据集，且外部验证数据集较少，未来需要更多数据集验证其泛化能力 | 提高癌症预后预测的准确性，探索不同癌症类型间的共享机制 | 乳腺癌、肺癌和结肠癌的RNA测序和临床数据 | 机器学习 | 癌症 | RNA测序 | 多任务双模态神经网络 | 文本 | 三个癌症数据集：乳腺癌、肺癌和结肠癌，外部验证数据集为小细胞肺癌 | NA | NA | NA | NA |