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 801 - 820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 801 | 2024-10-16 |
Deep geometric learning for intracranial aneurysm detection: towards expert rater performance
2024-Oct-14, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020905
PMID:37833055
|
研究论文 | 本文提出了一种新颖的无模态限制的两步法用于颅内动脉瘤检测，旨在达到专家评级水平 | 本文提出了一种新颖的无模态限制的两步法，结合了nnU-Net和PointNet++模型，用于颅内动脉瘤的检测 | NA | 提高颅内动脉瘤检测的敏感性和减少误报率，达到专家评级水平 | 颅内动脉瘤的检测 | 计算机视觉 | NA | 深度学习 | nnU-Net, PointNet++ | 图像 | 1054个MRA扫描和2174个CTA扫描 | NA | NA | NA | NA |
| 802 | 2024-10-16 |
AI-Guided Design of MALDI Matrices: Exploring the Electron Transfer Chemical Space for Mass Spectrometric Analysis of Low-Molecular-Weight Compounds
2024-Oct-14, Journal of the American Society for Mass Spectrometry
IF:3.1Q1
DOI:10.1021/jasms.4c00186
PMID:39402868
|
研究论文 | 本文提出了一种基于人工智能的目标导向生成模型，用于设计适用于电子转移过程的MALDI矩阵，以优化低分子量化合物的质谱分析 | 本文首次利用计算化学数据和人工智能生成模型，探索了电子转移化学空间，以设计优化的MALDI矩阵 | 研究结果需要通过实验验证，目前尚未合成和测试生成的化合物 | 开发一种新的方法，利用人工智能生成模型设计适用于电子转移过程的MALDI矩阵 | 电子转移MALDI矩阵的设计和优化 | 机器学习 | NA | MALDI MS | RNN | 分子结构数据 | 30种已报道的电子转移矩阵，生成了82753种化合物 | NA | NA | NA | NA |
| 803 | 2024-10-16 |
Data-driven solutions and parameter estimations of a family of higher-order KdV equations based on physics informed neural networks
2024-Oct-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-74600-4
PMID:39396058
|
研究论文 | 本文研究了基于物理信息神经网络（PINN）的高阶KdV方程的数据驱动解和参数估计 | 采用sine激活函数的PINN框架在学习和参数估计方面表现出更高的精度 | 方程的复杂性影响PINN方法的准确性和效率 | 探索PINN在解决高阶非线性偏微分方程（NLPDEs）中的应用 | 高阶KdV方程的数据驱动解和参数估计 | 机器学习 | NA | 物理信息神经网络（PINN） | 神经网络 | 数值数据 | NA | NA | NA | NA | NA |
| 804 | 2024-10-16 |
A dataset of 0.05-degree leaf area index in China during 1983-2100 based on deep learning network
2024-Oct-11, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03948-z
PMID:39394222
|
研究论文 | 本文基于深度学习网络生成了1983-2100年中国0.05度分辨率的叶面积指数（LAI）数据集 | 首次生成了高分辨率的LAI数据集，揭示了中国未来情景下的潜在植被变化 | NA | 生成高空间分辨率的LAI数据集，用于研究中国历史和未来情景下的植被变化 | 叶面积指数（LAI）数据集 | 地球与环境科学 | NA | 深度学习 | LAI Downscaling Network (LAIDN) | 叶面积指数数据 | 1983-2100年间的月度数据，包括历史时期（1983-2014）和未来情景（2015-2100，包括SSP-126, SSP-245, SSP-370, SSP-585） | NA | NA | NA | NA |
| 805 | 2024-10-16 |
Machine Learning and Deep Learning Models for Predicting Noncovalent Inhibitors of AmpC β-Lactamase
2024-Oct-08, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.4c03834
PMID:39398163
|
研究论文 | 研究开发了用于预测AmpC β-内酰胺酶非共价抑制剂的机器学习和深度学习模型 | 开发了支持向量机、随机森林和前馈神经网络分类模型，用于预测AmpC β-内酰胺酶的非共价抑制剂 | 模型的交叉验证准确率在80%到82%之间，组合模型达到83% | 开发新的非共价抑制剂，以应对标准β-内酰胺抑制剂的耐药性问题 | AmpC β-内酰胺酶的非共价抑制剂 | 机器学习 | NA | 机器学习、深度学习 | 支持向量机、随机森林、前馈神经网络 | 化合物数据集 | 大量化合物数据集 | NA | NA | NA | NA |
| 806 | 2024-10-16 |
Proton spot dose estimation based on positron activity distributions with neural network
2024-Oct, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17297
PMID:38984805
|
研究论文 | 本研究评估了三种经典神经网络模型（RNN、U-Net和Transformer）在质子剂量估计中的有效性，并探讨了这些模型的特点，为临床实践中选择合适的模型提供了有价值的见解 | 本研究首次将深度学习技术应用于从正电子活性分布中估计质子剂量，展示了其在体内质子剂量监测和引导质子治疗中的潜力 | 研究仅使用了四个头部的CT图像进行模拟，样本量较小，且仅在脑部和鼻咽部进行了验证 | 评估不同神经网络模型在质子剂量估计中的性能，并探讨其在临床实践中的应用潜力 | 质子剂量估计的神经网络模型性能 | 机器学习 | NA | Geant4模拟 | RNN, U-Net, Transformer | 正电子活性分布 | 四个头部的CT图像，其中三个用于训练，一个用于测试 | NA | NA | NA | NA |
| 807 | 2024-10-16 |
Generating 3D images of VMAT plans for predictive models and activation maps associated with plan deliverability
2024-Oct, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17298
PMID:38978162
|
研究论文 | 本文提出了一种基于深度学习的预测模型，通过生成3D图像来估计VMAT计划的执行可行性，并可视化与计划执行相关的控制点特定区域 | 本文的创新点在于通过生成3D图像来反映VMAT计划的复杂性，并使用DenseNet模型进行预测，提供了控制点特定的信息 | 本文的局限性在于样本量相对较小，且仅针对左右乳房的VMAT治疗进行了研究 | 本文的研究目的是开发一种能够预测VMAT计划执行可行性的模型，并提供与计划执行相关的控制点特定信息 | 本文的研究对象是VMAT计划的执行可行性及其相关的控制点信息 | 机器学习 | NA | 深度学习 | DenseNet | 图像 | 259例左乳房和190例右乳房VMAT治疗病例，其中235例和166例用于训练，24例用于测试 | NA | NA | NA | NA |
| 808 | 2024-10-16 |
A multiscale 3D network for lung nodule detection using flexible nodule modeling
2024-Oct, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17283
PMID:38949577
|
研究论文 | 本文提出了一种多尺度3D无锚点深度学习网络（M3N）用于肺结节检测，利用可调节结节建模（ANM）技术 | 本文的创新点在于提出了多尺度3D无锚点深度学习网络（M3N），并引入了可调节结节建模（ANM）和点选择策略（PSS），以加速各向异性表示的学习过程 | 本文的局限性在于其性能和准确性需要在临床环境中进一步验证 | 本文的研究目的是开发一种更鲁棒和通用的肺结节检测系统，减少对先验知识的依赖 | 本文的研究对象是肺结节及其在CT扫描中的检测 | 计算机视觉 | 肺癌 | 深度学习 | 3D无锚点深度学习网络 | CT扫描图像 | LUNA 16数据集中的样本 | NA | NA | NA | NA |
| 809 | 2024-10-16 |
Preoperative CT-based radiomics and deep learning model for predicting risk stratification of gastric gastrointestinal stromal tumors
2024-Oct, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17276
PMID:38935330
|
研究论文 | 本文探讨了基于术前CT影像的放射组学和深度学习模型用于预测胃肠道间质瘤的风险分层 | 本文创新性地结合了CT形态学、放射组学和深度学习特征，构建了一个综合模型用于预测胃肠道间质瘤的术前风险分层 | 本文的局限性在于样本量相对较小，且依赖于手动分割肿瘤区域 | 研究目的是建立并评估一个机器学习模型，用于术前预测胃肠道间质瘤的风险分层 | 研究对象是193例胃肠道间质瘤 | 机器学习 | 胃肠道间质瘤 | 放射组学、深度学习 | 支持向量机、卷积神经网络 | 影像 | 193例胃肠道间质瘤 | NA | NA | NA | NA |
| 810 | 2024-10-16 |
Automatic localization of anatomical landmarks in head cine fluoroscopy images via deep learning
2024-Oct, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17349
PMID:39140650
|
研究论文 | 本文提出了一种基于深度学习的自动定位头部X射线影像中解剖标志点的方法 | 本文首次提出了一种基于深度学习的方法，用于在随机准直和放大的2D头部X射线影像中自动定位3D解剖标志点 | 本文仅在合成图像和临床X射线影像上进行了验证，尚未在实际临床环境中广泛应用 | 开发一种方法，用于在X射线引导介入手术中自动定位解剖标志点，以实现个性化的辐射剂量测量 | 头部X射线影像中的解剖标志点 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 800,000张伪2D合成图像和135个回顾性收集的头部CT体积数据 | NA | NA | NA | NA |
| 811 | 2024-10-16 |
AI diagnostics in bone oncology for predicting bone metastasis in lung cancer patients using DenseNet-264 deep learning model and radiomics
2024-Oct, Journal of bone oncology
IF:3.1Q2
DOI:10.1016/j.jbo.2024.100640
PMID:39399584
|
研究论文 | 本研究旨在利用影像组学和深度学习预测肺癌患者的骨转移 | 通过整合先进的影像技术和人工智能，提高预测准确性和临床决策 | NA | 预测肺癌患者的骨转移 | 肺癌患者的骨转移 | 计算机视觉 | 肺癌 | 影像组学 | DenseNet-264 | 影像 | NA | NA | NA | NA | NA |
| 812 | 2024-10-16 |
Code-Free Machine Learning Solutions for Microscopy Image Processing: Deep Learning
2024-Oct, Tissue engineering. Part A
DOI:10.1089/ten.TEA.2024.0014
PMID:38556835
|
综述 | 本文综述了适用于显微图像处理的无需编程的深度学习方法 | 重点介绍了适用于缺乏编程经验的生物学家的深度学习算法，并提供了无需编码的开放平台访问方式 | 未对算法进行比较，而是描述了它们擅长解决的问题 | 探讨适用于显微图像处理的深度学习方法，特别是那些无需编程经验的方法 | 显微图像处理算法及其在生物学领域的应用 | 计算机视觉 | NA | 深度学习 | 人工神经网络 | 图像 | NA | NA | NA | NA | NA |
| 813 | 2024-10-15 |
NRIMD, a Web Server for Analyzing Protein Allosteric Interactions Based on Molecular Dynamics Simulation
2024-Oct-14, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00783
PMID:38991149
|
研究论文 | NRIMD是一个基于分子动力学模拟分析蛋白质变构相互作用的网络服务器 | NRIMD是首个提供分子动力学模拟中长程相互作用综合分析的在线服务，显著降低了使用深度学习预测蛋白质长程相互作用的门槛 | NA | 开发一个用于分析蛋白质中长程变构相互作用的网络服务器 | 蛋白质中的长程变构相互作用 | 生物信息学 | NA | 分子动力学模拟 | 图神经网络 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 814 | 2024-10-15 |
FCSSL: fusion enhanced contrastive self-supervised learning method for parallel MRI reconstruction
2024-Oct-14, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad6d28
PMID:39116910
|
研究论文 | 提出了一种融合增强的对比自监督学习方法FCSSL，用于并行MRI重建，无需全采样数据集和线圈敏感性图 | 引入了一种基于两对重下采样掩码的对比学习框架，设计了一种自监督学习方式的适应性融合网络，显著提高了重建质量 | 未提及具体限制 | 解决在无法或成本高昂获取全采样数据集的情况下，使用深度学习进行MRI重建的问题 | 并行MRI重建 | 计算机视觉 | NA | 对比自监督学习 | 适应性融合网络 | 图像 | 使用膝关节数据集进行实验，具体样本数量未提及 | NA | NA | NA | NA |
| 815 | 2024-10-15 |
MHIPM: Accurate Prediction of Microbe-Host Interactions Using Multiview Features from a Heterogeneous Microbial Network
2024-Oct-14, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01296
PMID:39289839
|
研究论文 | 本文提出了一种基于深度学习的方法MHIPM，用于预测微生物与宿主之间的相互作用 | MHIPM利用多源生物信息和异构微生物网络，结合ESM-2和doc2vec模型以及自注意力机制，提取多视角特征，并通过GraphSAGE模型捕捉网络中的特征，实现了对微生物-宿主相互作用的高精度预测 | NA | 通过计算方法优先筛选微生物-宿主相互作用，以便进一步进行生物实验验证 | 微生物与宿主之间的相互作用 | 机器学习 | NA | 深度学习 | GraphSAGE | 蛋白质序列 | 涉及人类蛋白质、病毒、噬菌体和致病菌的异构微生物网络 | NA | NA | NA | NA |
| 816 | 2024-10-15 |
The Development and Application of KinomePro-DL: A Deep Learning Based Online Small Molecule Kinome Selectivity Profiling Prediction Platform
2024-Oct-14, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00595
PMID:39320984
|
研究论文 | 本文介绍了一种基于深度学习的在线小分子激酶选择性分析预测平台KinomePro-DL的开发与应用 | 开发了一种多任务深度神经网络模型，用于预测化合物的新结构激酶选择性，并提供了一个免费的在线预测平台KinomePro-DL | 未提及 | 开发和应用一种深度学习模型，用于预测小分子激酶抑制剂的激酶选择性 | 小分子激酶抑制剂的激酶选择性 | 机器学习 | NA | 深度学习 | 多任务深度神经网络 | 化合物数据 | 191种代表性激酶的抑制剂数据集 | NA | NA | NA | NA |
| 817 | 2024-10-15 |
KnoMol: A Knowledge-Enhanced Graph Transformer for Molecular Property Prediction
2024-Oct-14, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01092
PMID:39323109
|
研究论文 | 本文介绍了一种名为KnoMol的知识增强图Transformer框架，用于提高分子结构的理解和分子属性预测的准确性 | KnoMol通过将专家化学知识集成到Transformer中，模拟药物化学家的分析方法，并采用多视角注意力机制来更精确地表示环系统，从而提高了模型的表示能力 | NA | 提高分子属性预测的准确性和泛化能力，减少对大量数据的依赖 | 分子结构和分子属性 | 机器学习 | NA | Transformer | 图Transformer | 分子数据 | 涉及MoleculeNet和一些小规模数据集的评估实验 | NA | NA | NA | NA |
| 818 | 2024-10-15 |
Alchemical Transformations and Beyond: Recent Advances and Real-World Applications of Free Energy Calculations in Drug Discovery
2024-Oct-14, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01024
PMID:39360948
|
综述 | 本文回顾了自2018年以来自由能扰动（FEP）计算在药物发现项目中的实际应用 | 讨论了物理模拟方法的替代方案以及深度学习在自由能计算中的整合 | 仍面临力场准确性和采样效率的挑战 | 探讨自由能计算在药物发现中的最新进展和实际应用 | 自由能扰动计算在药物发现中的应用 | 药物发现 | NA | 自由能扰动计算 | NA | NA | NA | NA | NA | NA | NA |
| 819 | 2024-10-15 |
A hybrid capsule attention-based convolutional bi-GRU method for multi-class mental task classification based brain-computer Interface
2024-Oct-14, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2024.2410221
PMID:39397592
|
研究论文 | 本文提出了一种基于胶囊注意力机制的卷积双向门控循环单元模型，用于多类心理任务分类的脑机接口 | 本文引入了一种混合深度学习技术，结合了胶囊网络和注意力机制，以提高多类心理任务分类的准确性 | NA | 研究脑机接口中多级心理活动的分类问题，以提高分类准确性 | 脑电图数据和心理任务分类 | 机器学习 | NA | 脑电图分析 | 卷积神经网络 (CNN) 和双向门控循环单元 (bi-GRU) | 脑电图数据 | 使用提供的脑电图数据集进行评估 | NA | NA | NA | NA |
| 820 | 2024-10-15 |
Deep-learning-based attenuation map generation in kidney single photon emission computed tomography
2024-Oct-12, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-024-00686-4
PMID:39394395
|
研究论文 | 本研究利用深度学习技术从SPECT数据中生成合成衰减图（μ-maps），以实现肾脏SPECT成像的无CT量化技术 | 本研究开发了一种基于深度学习的算法，用于从SPECT数据生成合成μ-maps，无需CT扫描，从而减少辐射暴露 | NA | 建立一种无需CT扫描的肾脏SPECT成像量化技术，以减少辐射暴露 | 肾脏SPECT成像中的衰减校正 | 计算机视觉 | NA | 深度学习 | 3D U-Net | 图像 | 1000例Tc-99m DTPA SPECT/CT扫描数据，其中800例用于训练，100例用于验证，100例用于测试 | NA | NA | NA | NA |