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 1101 - 1120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1101 | 2024-09-10 |
AutoNet-Generated Deep Layer-Wise Convex Networks for ECG Classification
2024-Oct, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3378843
PMID:38512733
|
研究论文 | 提出了一种自动生成层级凸网络的算法AutoNet，用于心电图分类任务 | 提出了层级凸定理，确保每一层的损失函数相对于参数是凸的，并通过约束每一层为非线性方程的超定系统来实现 | NA | 开发一种自动生成层级凸网络的算法，以提高神经网络设计的效率和性能 | 心电图分类任务 | 机器学习 | NA | NA | 层级凸网络（LCN） | 心电图数据 | 涉及五个基准数据集，包括三个心电图数据集和两个非心电图数据集 | NA | NA | NA | NA |
| 1102 | 2024-09-10 |
Solving the twin paradox-forensic strategies to identify the identical twins
2024-Oct, Forensic science international
IF:2.2Q1
DOI:10.1016/j.forsciint.2024.112205
PMID:39213915
|
研究论文 | 本文探讨了通过法医策略识别同卵双胞胎的最新方法和技术 | 本文介绍了通过下一代测序（NGS）、深度学习网络、表观遗传分析和指纹分析等多种技术来区分同卵双胞胎的新方法 | NA | 研究如何通过多种技术手段有效区分同卵双胞胎 | 同卵双胞胎 | 法医学 | NA | 下一代测序（NGS）、深度学习网络、表观遗传分析、指纹分析 | 深度学习网络 | 基因组数据、语音数据、表观遗传数据、指纹数据 | NA | NA | NA | NA | NA |
| 1103 | 2024-09-09 |
Low energy virtual monochromatic CT with deep learning image reconstruction to improve delineation of endoleaks
2024-Oct, Clinical radiology
IF:2.1Q2
DOI:10.1016/j.crad.2024.07.002
PMID:39079807
|
研究论文 | 研究低能量虚拟单色CT与深度学习图像重建在增强双能量CT中对内漏轮廓的改进效果 | 结合40-keV虚拟单色成像与深度学习图像重建，显著提高了内漏的对比噪声比和可视性 | 研究样本量较小，且仅限于特定类型的内漏 | 探讨低能量虚拟单色成像与深度学习图像重建在增强双能量CT中对内漏轮廓的改进效果 | 内漏（EL）在血管内主动脉修复（EVAR）后的轮廓 | 计算机视觉 | 心血管疾病 | 深度学习图像重建（DLIR） | 深度学习模型 | 图像 | 61名接受血管内主动脉修复并进行增强双能量CT的患者 | NA | NA | NA | NA |
| 1104 | 2024-09-07 |
CT-Net: an interpretable CNN-Transformer fusion network for fNIRS classification
2024-Oct, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03138-4
PMID:38816665
|
研究论文 | 本文提出了一种基于卷积神经网络和Transformer的新方法CT-Net，用于功能性近红外光谱（fNIRS）分类，特别是用于心理算术任务的分类 | CT-Net结合了卷积神经网络和Transformer的优点，设计了一种时间层次的原始色团信号组合，以提高数据利用率和模型特征学习能力 | NA | 探索和改进功能性近红外光谱（fNIRS）在心理算术任务分类中的应用 | 心理算术任务的分类 | 机器学习 | NA | 功能性近红外光谱（fNIRS） | 卷积神经网络（CNN）和Transformer | 光谱数据 | 两个公开数据集 | NA | NA | NA | NA |
| 1105 | 2024-09-07 |
A comparative analysis of different augmentations for brain images
2024-Oct, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03127-7
PMID:38782880
|
研究论文 | 本文比较了不同数据增强方法对脑部CT图像的性能影响 | 本文首次将数据增强方法分为四类，并系统地分析了它们在脑部CT图像上的应用效果 | 本文仅限于脑部CT图像，未涵盖其他类型的医学图像 | 评估不同数据增强方法在脑部CT图像上的性能，以提高模型准确性和鲁棒性 | 脑部CT图像 | 计算机视觉 | NA | 数据增强 | 深度学习模型 | 图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 1106 | 2024-09-07 |
BranchLabelNet: Anatomical Human Airway Labeling Approach using a Dividing-and-Grouping Multi-Label Classification
2024-Oct, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03119-7
PMID:38777935
|
研究论文 | 本文介绍了一种名为BranchLabelNet的创新性气道标记方法，利用分治多标签分类技术对人类解剖学气道进行标记 | BranchLabelNet方法考虑了气道的分形特性和固有的层次分支命名法，采用n-ary树结构管理复杂的分支数据，并通过分治多标签分类技术简化了气道分支的标记过程 | NA | 开发一种精确的气道标记方法，以辅助肺部疾病的诊断和治疗 | 人类解剖学气道及其分支 | 计算机视觉 | 肺部疾病 | 分治多标签分类 | NA | 图像 | 1000张胸部CT图像 | NA | NA | NA | NA |
| 1107 | 2024-09-07 |
An In-Situ Visual Analytics Framework for Deep Neural Networks
2024-Oct, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2023.3339585
PMID:38051629
|
研究论文 | 本文提出了一种用于深度神经网络训练的原位可视化分析框架 | 通过特征提取算法减少训练相关数据的规模，并实时进行可视化分析，使模型设计者能够实时干预训练过程 | NA | 解决深度神经网络训练中的复杂性和效率问题 | 深度神经网络的训练过程 | 计算机视觉 | NA | 特征提取算法 | 深度神经网络 (DNN) | 时间序列数据 | NA | NA | NA | NA | NA |
| 1108 | 2024-09-07 |
KD-INR: Time-Varying Volumetric Data Compression via Knowledge Distillation-Based Implicit Neural Representation
2024-Oct, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2023.3345373
PMID:38127599
|
研究论文 | 提出了一种基于知识蒸馏的隐式神经表示（KD-INR）方法，用于压缩大规模时变体积数据 | 通过空间压缩和模型聚合两阶段方法，结合隐式神经表示和知识蒸馏技术，实现了高效的时变体积数据压缩 | 未提及 | 解决传统深度学习算法在处理大规模时变数据时的挑战 | 时变体积数据 | 计算机视觉 | NA | 知识蒸馏，隐式神经表示 | 隐式神经表示模型 | 体积数据 | 多种时变体积数据集 | NA | NA | NA | NA |
| 1109 | 2024-09-07 |
Rotation Equivariant Proximal Operator for Deep Unfolding Methods in Image Restoration
2024-Oct, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3383532
PMID:38557620
|
研究论文 | 本文提出了一种旋转等变近端网络，用于图像恢复任务中的深度展开方法 | 首次推导了任意层和任意旋转角度下近端网络的理论等变误差，并验证了其在不同视觉任务中的性能提升 | 当前的深度展开方法中的近端网络主要基于CNN架构，难以捕捉旋转对称性先验 | 解决现有深度展开方法在捕捉旋转对称性先验方面的不足，提升图像恢复任务的性能 | 图像恢复任务中的近端网络设计 | 计算机视觉 | NA | 深度展开方法 | 旋转等变近端网络 | 图像 | NA | NA | NA | NA | NA |
| 1110 | 2024-09-07 |
Prototype-Based Semantic Segmentation
2024-Oct, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3387116
PMID:38598386
|
研究论文 | 本文提出了一种基于非学习原型的非参数语义分割方法，通过优化像素嵌入空间与锚定原型之间的排列来实现像素级预测 | 本文的创新点在于提出了一种基于非学习原型的非参数语义分割方法，与传统的全参数方法不同，该方法使用训练像素的平均特征作为原型，避免了每个类别需要学习单个权重或查询向量的复杂性 | 本文未明确提及现有方法的具体局限性，而是通过提出新的非参数方法来解决潜在问题 | 本文的研究目的是改进现有的语义分割模型设计，提出一种新的非参数方法来提高分割性能 | 本文的研究对象是语义分割模型及其在标准数据集和大词汇量场景中的表现 | 计算机视觉 | NA | NA | FCN, Transformer | 图像 | 本文未明确提及具体的样本数量 | NA | NA | NA | NA |
| 1111 | 2024-09-07 |
XGrad: Boosting Gradient-Based Optimizers With Weight Prediction
2024-Oct, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3387399
PMID:38602857
|
研究论文 | 本文提出了一种名为XGrad的深度学习训练框架，通过在流行的基于梯度的优化器中引入权重预测来提升其收敛性和泛化能力 | XGrad通过在每次小批量训练前预测未来权重，并应用于前向传播和反向传播，使得优化器在整个训练过程中始终利用未来权重的梯度来更新深度神经网络参数，从而实现更好的收敛性和泛化能力 | NA | 提升基于梯度的优化器在训练深度神经网络模型时的收敛性和泛化能力 | 深度神经网络模型的训练过程 | 机器学习 | NA | 权重预测 | 深度神经网络 | NA | NA | NA | NA | NA | NA |
| 1112 | 2024-09-06 |
A protein pre-trained model-based approach for the identification of the liquid-liquid phase separation (LLPS) proteins
2024-Oct, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2024.134146
PMID:39067723
|
研究论文 | 本文提出了一种基于蛋白质预训练模型的方法，用于识别液-液相分离（LLPS）蛋白质 | 本文使用基于transformer架构的ESM2-36预训练模型结合卷积神经网络，直接感知蛋白质序列的语义信息，提高了识别LLPS蛋白质的准确性 | NA | 开发一种高效、成本低廉的方法来识别LLPS蛋白质 | 液-液相分离（LLPS）蛋白质 | 机器学习 | NA | NA | 卷积神经网络（CNN） | 蛋白质序列 | 1206个蛋白质序列，包括603个LLPS蛋白质和603个非LLPS蛋白质 | NA | NA | NA | NA |
| 1113 | 2024-09-06 |
The Application of Artificial Intelligence to Acoustic Data in Otolaryngology
2024-Oct, Otolaryngologic clinics of North America
IF:1.3Q3
DOI:10.1016/j.otc.2024.06.011
PMID:39048506
|
综述 | 本文综述了人工智能，特别是深度学习，在耳鼻喉科，尤其是喉科和耳科中的应用 | 深度学习通过其建模复杂、噪声系统的强大能力，正在改变多个领域，并在许多任务中达到与人类相当的性能 | 本文主要讨论了深度学习在耳鼻喉科中的应用，但未深入探讨其他医学领域的应用 | 探讨深度学习在耳鼻喉科中的应用及其潜力 | 耳鼻喉科，特别是喉科和耳科 | 机器学习 | NA | 深度神经网络 (DNNs) | 深度神经网络 (DNNs) | 声学数据和其他临床数据 | NA | NA | NA | NA | NA |
| 1114 | 2024-09-06 |
A green and efficient approach for the simultaneous extraction and mechanisms of essential oil and lignin from Cinnamomum camphora: Process optimization based on deep learning
2024-Oct, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2024.134215
PMID:39074705
|
研究论文 | 研究了一种从樟树叶中同时提取精油和木质素的绿色高效方法，并利用深度学习工具优化了提取过程 | 采用深度共熔溶剂（DES）和深度学习工具实现了樟树叶中精油和木质素的同时提取，提取效率比传统水蒸气蒸馏提高了23% | NA | 最大化生物质资源的利用和经济效益 | 樟树叶中的精油和木质素 | NA | NA | 深度共熔溶剂（DES） | 深度学习 | NA | NA | NA | NA | NA | NA |
| 1115 | 2024-09-06 |
Computer Vision-Radiomics & Pathognomics
2024-Oct, Otolaryngologic clinics of North America
IF:1.3Q3
DOI:10.1016/j.otc.2024.05.003
PMID:38910065
|
review | 本文综述了计算机视觉在提取放射学（放射组学）和组织病理学（病理组学）特征中的应用 | 本文探讨了将多维数据输入整合以全面指导预后和临床管理的新方法 | 本文指出了当前研究中的空白，并呼吁未来工作填补这些空白 | 综述计算机视觉在头颈部癌症中的应用，并探讨未来研究方向 | 头颈部癌症的肿瘤特征、淋巴结特征及各种预后 | computer vision | 头颈部癌症 | NA | NA | NA | NA | NA | NA | NA | NA |
| 1116 | 2024-09-06 |
Artificial Intelligence in Laryngology, Broncho-Esophagology, and Sleep Surgery
2024-Oct, Otolaryngologic clinics of North America
IF:1.3Q3
DOI:10.1016/j.otc.2024.04.002
PMID:38719714
|
综述 | 本文综述了人工智能在喉科学、支气管食管学和睡眠外科领域的最新创新 | 人工智能，特别是机器学习和深度学习，为处理和解释复杂数据提供了创新解决方案，使诊断和管理更加高效和有效 | NA | 探讨人工智能在喉科学、支气管食管学和睡眠外科领域的应用 | 喉科学、支气管食管学和睡眠外科领域的数据处理和诊断 | 机器学习 | NA | 机器学习、深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 1117 | 2024-09-04 |
Label-free spatiotemporal decoding of single-cell fate via acoustic driven 3D tomography
2024-Oct, Materials today. Bio
DOI:10.1016/j.mtbio.2024.101201
PMID:39221213
|
研究论文 | 本文介绍了一种无标记、成本效益高且易于制造的非接触式声学诱导振动系统，用于实现细胞的多自由度旋转，并结合深度学习技术进行细胞的3D重建和形态分析 | 该方法通过声学诱导振动系统实现了细胞的全角度旋转控制，结合深度学习技术进行高精度的细胞识别和3D重建 | NA | 开发一种新的无标记3D成像技术，以揭示细胞功能和相互作用的复杂性 | 多种细胞类型及其在药物诱导凋亡中的特征 | 生物医学研究 | NA | 声学诱导振动系统 | 深度学习 | 图像 | 多种细胞类型 | NA | NA | NA | NA |
| 1118 | 2024-09-02 |
Smart technology for mosquito control: Recent developments, challenges, and future prospects
2024-Oct, Acta tropica
IF:2.1Q2
|
研究论文 | 本文探讨了智能技术结合数字传感器和深度学习网络在蚊子监控领域的最新进展、挑战和未来前景 | 介绍了使用计算机视觉技术和深度学习网络实时识别活体蚊子的新型智能陷阱，以及结合声学和光学传感器与机器学习技术自动分类蚊子的新方法 | 智能技术的实际工作效率需要在全球范围内进一步评估 | 研究智能技术在蚊子监控中的应用，以控制蚊媒疾病 | 主要研究对象为Aedes aegypti和Culex quinquefasciatus蚊子 | 计算机视觉 | NA | 计算机视觉技术、深度学习网络、YOLO V4深度神经网络算法 | YOLO V4深度神经网络 | 图像 | 未具体说明 | NA | NA | NA | NA |
| 1119 | 2024-09-01 |
Analyzing variation of water inflow to inland lakes under climate change: Integrating deep learning and time series data mining
2024-Oct-15, Environmental research
IF:7.7Q1
DOI:10.1016/j.envres.2024.119478
PMID:38917931
|
研究论文 | 本研究开发了一种新的FactorConvSTLnet（FCS）方法，通过整合STL分解、卷积神经网络（CNN）和因子分析，用于预测内陆湖泊的水流入趋势并揭示主要影响因素 | FCS方法通过将趋势信息作为建模预测因子分离出来，提高了长期水流入趋势预测的鲁棒性，并能揭示主要驱动因素 | NA | 预测气候变化背景下内陆湖泊的水流入趋势并揭示主要影响因素 | 中亚的咸海和巴尔喀什湖 | 机器学习 | NA | 卷积神经网络（CNN） | FactorConvSTLnet（FCS） | 时间序列数据 | 两个典型内陆湖泊（咸海和巴尔喀什湖） | NA | NA | NA | NA |
| 1120 | 2024-09-01 |
Noninvasive and fast method of calculation for instantaneous wave-free ratio based on haemodynamics and deep learning
2024-Oct, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2024.108355
PMID:39067137
|
研究论文 | 本文介绍了一种基于血流动力学和深度学习的非侵入式快速计算瞬时波自由比（iFR）的方法。 | 本研究通过结合冠状动脉微循环阻力补偿机制，建立了一个高保真的静息状态微循环阻力模型，以实现对iFRCT的准确计算。 | 目前的方法未能准确模拟冠状动脉的静息状态，导致计算精度较低，且使用计算流体动力学（CFD）技术限制了计算效率。 | 开发一种非侵入式且快速的计算方法，用于准确诊断心肌缺血。 | 冠状动脉疾病患者的205个狭窄血管，来自186名患者。 | 机器学习 | 心血管疾病 | 计算流体动力学（CFD） | 神经网络模型 | 图像 | 205个狭窄血管，来自186名冠状动脉疾病患者 | NA | NA | NA | NA |