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 1133 篇文献，本页显示第 461 - 480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2024-12-09 |
Automated Approach to Accurate, Precise, and Fast Detector Simulation and Reconstruction
2024-Nov-22, Physical review letters
IF:8.1Q1
DOI:10.1103/PhysRevLett.133.211902
PMID:39642483
|
研究论文 | 本文开发了一种自动化方法，通过深度学习模型加速粒子物理中的探测器模拟和重建过程 | 本文提出了一种结合探测器模拟和重建的深度学习模型，旨在减少资源利用并实现快速替代模型 | NA | 解决粒子物理中探测器模拟和重建的计算瓶颈问题 | 粒子探测器中的粒子流模拟和重建 | 机器学习 | NA | 深度学习 | 神经网络 | 点云 | 使用公开的CMS实验数据集进行验证 | NA | NA | NA | NA |
| 462 | 2024-12-08 |
Deep learning-driven macroscopic AI segmentation model for brain tumor detection via digital pathology: Foundations for terahertz imaging-based AI diagnostics
2024-Nov-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e40452
PMID:39634425
|
研究论文 | 本文使用深度学习方法开发了一种能够自主描绘数字病理图像中癌变区域的AI模型 | 通过使用Image Crop with Mask技术和补丁生成方法，克服了计算资源有限的挑战，并成功开发了自主分割癌变区域的AI训练模型 | NA | 开发一种基于深度学习的AI模型，用于自动检测和分割脑肿瘤区域 | 数字病理图像中的脑肿瘤区域 | 数字病理学 | 脑肿瘤 | 深度学习 | AI模型 | 图像 | 187张H&E染色图像 | NA | NA | NA | NA |
| 463 | 2024-12-08 |
Reveal the potent antidepressant effects of Zhi-Zi-Hou-Pu Decoction based on integrated network pharmacology and DDI analysis by deep learning
2024-Nov-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e38726
PMID:39641032
|
研究论文 | 本研究通过综合网络药理学和深度学习方法，揭示了知子厚朴汤的抗抑郁作用及其潜在机制 | 首次系统性地探讨了知子厚朴汤的活性成分及其与抑郁症的药理学机制，并利用深度学习模型预测药物相互作用 | 研究主要基于体外实验和计算机模拟，缺乏体内实验验证 | 探讨知子厚朴汤的抗抑郁机制及其药物相互作用 | 知子厚朴汤的活性成分及其与抑郁症的药理学机制 | 药物相互作用 | NA | 网络药理学、分子对接、UPLC-Q-TOF-MS/MS、深度学习 | 深度学习模型 | 化合物数据 | LPS诱导的神经母细胞瘤细胞 | NA | NA | NA | NA |
| 464 | 2024-12-08 |
Discovery of antibiotics in the archaeome using deep learning
2024-Nov-16, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.15.623859
PMID:39605719
|
研究论文 | 利用深度学习技术从古菌组中发现新型抗生素 | 首次利用深度学习技术系统地探索古菌组，发现具有潜在抗菌活性的新分子，命名为archaeasins，这些新发现的肽化合物具有独特的组成特征 | NA | 寻找新型抗生素以应对抗微生物药物耐药性 | 古菌组中的抗菌分子 | 机器学习 | NA | 深度学习 | NA | 蛋白质组数据 | 233个古菌蛋白质组，合成了80种archaeasins | NA | NA | NA | NA |
| 465 | 2024-12-08 |
External Validation of a Previously Developed Deep Learning-based Prostate Lesion Detection Algorithm on Paired External and In-House Biparametric MRI Scans
2024-Nov, Radiology. Imaging cancer
DOI:10.1148/rycan.240050
PMID:39400232
|
研究论文 | 评估一个基于深度学习的AI模型在检测外部和内部双参数MRI扫描中的前列腺病变的表现 | 使用先前开发的基于深度学习的AI模型进行外部验证，评估其在不同数据集上的表现 | 研究为单中心回顾性研究，样本量有限，且仅限于男性患者 | 评估AI模型在检测前列腺癌阳性病变中的表现，并比较外部和内部MRI数据集的差异 | 前列腺癌阳性病变 | 计算机视觉 | 前列腺癌 | 深度学习 | AI模型 | MRI图像 | 201名男性患者 | NA | NA | NA | NA |
| 466 | 2024-12-07 |
[Intestinal Polyp Segmentation Based on Histogram Equalization ResNet (PE-ResNet)]
2024-Nov-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation
DOI:10.12455/j.issn.1671-7104.240235
PMID:39638618
|
研究论文 | 本文提出了一种基于直方图均衡化的ResNet架构（PE-ResNet）用于肠道息肉分割 | 通过引入直方图均衡化技术，减少了肠道内窥镜图像中的颜色变化对分割结果的影响 | NA | 提高肠道息肉分割的准确性，从而改进早期结直肠癌筛查的准确性 | 肠道息肉 | 计算机视觉 | 结直肠癌 | 直方图均衡化 | ResNet | 图像 | 五个数据集，包括ClinicDB | NA | NA | NA | NA |
| 467 | 2024-12-07 |
Artificial intelligence in cytopathological applications for cancer: a review of accuracy and analytic validity
2024-Nov-19, European journal of medical research
IF:2.8Q2
DOI:10.1186/s40001-024-02138-2
PMID:39558397
|
综述 | 本文综述了人工智能在细胞病理学应用中的准确性和分析效度 | 本文探讨了人工智能辅助方法在提高细胞病理学诊断中的敏感性、特异性和准确性方面的创新应用 | 本文主要基于文献综述，未提供具体的技术实现细节或实验数据 | 探讨人工智能在细胞病理学诊断中的应用及其对诊断准确性和分析效度的影响 | 细胞病理学样本，包括宫颈癌、骨髓和外周血涂片、肺部良性与恶性病变 | 数字病理学 | NA | 机器学习、深度学习 | NA | 图像 | 417项研究中筛选出34项进行综述 | NA | NA | NA | NA |
| 468 | 2024-12-06 |
Densely Populated Cell and Organelles Segmentation With Multi-Plane Deep Learning Pipeline
2024-Nov-21, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.19.623228
PMID:39605330
|
研究论文 | 开发了一种用于细胞和细胞器分割的机器视觉管道，通过多平面深度学习方法处理vEM数据集 | 利用2D神经网络捕捉3D相关性，实现了高效的细胞和细胞器分割，并在CREMI神经元分割挑战中取得了先进成果 | NA | 开发一种高效的细胞和细胞器分割方法，并应用于大规模血小板研究 | 血小板和细胞器 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | 数百个血小板 | NA | NA | NA | NA |
| 469 | 2024-12-06 |
Mixed Effects Deep Learning for the interpretable analysis of single cell RNA sequencing data by quantifying and visualizing batch effects
2024-Nov-13, ArXiv
PMID:39606715
|
研究论文 | 提出了一种混合效应深度学习（MEDL）自编码器框架，用于单细胞RNA测序数据的解释性分析，通过量化和可视化批次效应 | 通过分离批次不变（固定效应）和批次特定（随机效应）成分，将两者整合到预测模型中，同时生成2D可视化，增强了解释性 | NA | 解决单细胞RNA测序数据中的批次效应问题，并提高预测准确性 | 单细胞RNA测序数据中的批次效应和生物学状态 | 机器学习 | 心血管疾病, 自闭症谱系障碍, 急性髓系白血病 | 单细胞RNA测序 | 自编码器 | 基因表达数据 | 三个数据集，包括健康心脏、自闭症谱系障碍和急性髓系白血病，共147个批次 | NA | NA | NA | NA |
| 470 | 2024-12-06 |
Sustainable sentiment analysis on E-commerce platforms using a weighted parallel hybrid deep learning approach for smart cities applications
2024-Nov-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-78318-1
PMID:39489784
|
研究论文 | 本文介绍了一种基于加权并行混合深度学习方法的电子商务平台情感分析系统 | 提出了名为WPHDL-SAEPR的独特方法，结合了受限玻尔兹曼机和奇异值分解模型 | 未提及 | 提高电子商务平台上用户评价的情感分析准确性 | 电子商务平台上的用户评价 | 自然语言处理 | NA | 自然语言处理和机器学习 | 加权并行混合深度学习模型 | 文本 | 使用了一个消费者评论数据库进行评估 | NA | NA | NA | NA |
| 471 | 2024-12-06 |
Development of high-quality artificial intelligence for computer-aided diagnosis in determining subtypes of colorectal cancer
2024-Nov, Journal of gastroenterology and hepatology
IF:3.7Q2
DOI:10.1111/jgh.16661
PMID:38923607
|
研究论文 | 开发了一种基于深度学习的高质量计算机辅助诊断系统，用于区分结直肠癌亚型 | 首次开发了一种能够准确诊断结直肠癌亚型的计算机辅助诊断系统，并引入了稀疏注意力机制以提高诊断性能 | 研究样本量较小，仅包括29例早期结直肠癌病例 | 开发一种能够准确区分结直肠癌亚型的计算机辅助诊断系统 | 结直肠癌的亚型分类 | 计算机视觉 | 结直肠癌 | 深度学习 | ResNet | 图像 | 1072张病理图像，包括29例早期结直肠癌病例 | NA | NA | NA | NA |
| 472 | 2024-12-06 |
Deep Learning and Automatic Differentiation of Pancreatic Lesions in Endoscopic Ultrasound: A Transatlantic Study
2024-Nov-01, Clinical and translational gastroenterology
IF:3.0Q2
DOI:10.14309/ctg.0000000000000771
PMID:39324610
|
研究论文 | 本文开发了一种卷积神经网络（CNN）用于内镜超声（EUS）图像中胰腺病变的检测和区分 | 首次开发了全球首个能够检测和区分EUS图像中最常见的胰腺囊性肿瘤和胰腺实质性病变的CNN | 需要更大规模的多中心研究以实现技术的应用 | 提高内镜超声对胰腺病变诊断的准确性 | 胰腺囊性肿瘤（包括粘液性和非粘液性病变）和胰腺实质性病变（特别是胰腺导管腺癌和胰腺神经内分泌肿瘤） | 计算机视觉 | 胰腺癌 | 卷积神经网络（CNN） | CNN | 图像 | 378例EUS检查，包含约126,000张图像 | NA | NA | NA | NA |
| 473 | 2024-12-06 |
Prediction of virus-host associations using protein language models and multiple instance learning
2024-Nov, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1012597
PMID:39561204
|
研究论文 | 本文介绍了一种名为EvoMIL的深度学习方法，用于仅从病毒序列中预测病毒宿主物种，并识别对宿主预测有重要贡献的病毒蛋白 | 结合预训练的大型蛋白质语言模型（ESM）和基于注意力的多实例学习，实现了蛋白质导向的预测，并展示了蛋白质嵌入比序列组成特征（如氨基酸、理化性质和DNA k-mers）捕获更强的预测信号 | NA | 解决当前大多数病毒宿主未知的问题，特别是微生物群中的病毒，并预测新病毒是否感染人类和动物 | 病毒宿主关联和重要病毒蛋白 | 机器学习 | NA | 多实例学习 | 深度学习模型 | 蛋白质序列 | NA | NA | NA | NA | NA |
| 474 | 2024-12-06 |
Process-Informed Neural Networks: A Hybrid Modelling Approach to Improve Predictive Performance and Inference of Neural Networks in Ecology and Beyond
2024-Nov, Ecology letters
IF:7.6Q1
DOI:10.1111/ele.70012
PMID:39625058
|
研究论文 | 本文提出了一种结合过程模型和神经网络的混合建模方法，称为过程信息神经网络（PINNs），以提高生态学及其他领域中神经网络的预测性能和推理能力 | 创新地将过程知识直接融入神经网络结构中，形成过程信息神经网络（PINNs），显著提升了在数据稀疏情况下的预测性能和过程推理能力 | NA | 旨在解决深度学习在生态学应用中的数据稀疏和黑箱模型问题，提升预测准确性和过程理解 | 温带森林中的碳通量预测任务 | 生态学 | NA | 神经网络 | 过程信息神经网络（PINNs） | 时空数据 | 五种不同类型的PINNs模型在数据稀疏和高迁移任务中的表现 | NA | NA | NA | NA |
| 475 | 2024-12-06 |
Deep Learning for the Study of Urinary Stone Composition from Computed Tomography Images
2024-Nov, Archivos espanoles de urologia
IF:0.6Q4
|
研究论文 | 本研究开发了一种基于卷积神经网络的深度学习模型，用于从CT图像中区分尿酸结石和非尿酸结石 | 首次利用深度学习技术从CT图像中预测尿酸结石的类型 | 研究仅限于回顾性分析，未来需进一步验证模型的前瞻性应用 | 开发一种方法来区分尿酸结石和非尿酸结石 | 尿酸结石和非尿酸结石的CT图像 | 计算机视觉 | 泌尿系统疾病 | 卷积神经网络 | CNN | 图像 | 918张非增强薄层单能量CT图像，包括124张尿酸结石和794张非尿酸结石 | NA | NA | NA | NA |
| 476 | 2024-12-05 |
AutoLDT: a lightweight spatio-temporal decoupling transformer framework with AutoML method for time series classification
2024-Nov-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-81000-1
PMID:39616188
|
研究论文 | 提出了一种基于自动化机器学习技术的轻量级时空解耦Transformer框架AutoLDT，用于时间序列分类 | 引入模糊位置编码、TS可分离线性自注意力机制和卷积前馈网络，实现轻量级特征提取；采用协方差矩阵自适应进化策略和全局自适应剪枝技术实现自动化网络结构设计 | 未明确提及 | 解决时间序列分类中特征提取效果、模型复杂度和模型设计不确定性问题 | 时间序列数据 | 机器学习 | NA | 自动化机器学习 | Transformer | 时间序列 | 使用了公开的UCR和UEA时间序列数据集 | NA | NA | NA | NA |
| 477 | 2024-12-05 |
Self-supervised spectral super-resolution for a fast hyperspectral and multispectral image fusion
2024-Nov-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-81031-8
PMID:39616217
|
研究论文 | 本文提出了一种新的自监督光谱超分辨率方法，用于快速高光谱和多光谱图像融合 | 引入了一种创新的技术，通过训练一个小型深度神经网络来重建高分辨率的高光谱图像，无需高分辨率训练数据，解决了数据稀缺和泛化能力差的问题，并显著降低了计算成本 | NA | 提高高光谱图像的分辨率 | 高光谱和多光谱图像 | 计算机视觉 | NA | 深度学习 | 深度神经网络 | 图像 | NA | NA | NA | NA | NA |
| 478 | 2024-12-05 |
A deep learning approach to real-time Markov modeling of ion channel gating
2024-Nov-30, Communications chemistry
IF:5.9Q1
DOI:10.1038/s42004-024-01369-y
PMID:39616256
|
研究论文 | 本文提出了一种基于深度学习的实时马尔可夫模型提取方法，用于分析离子通道门控行为 | 利用深度学习技术从单通道记录中提取马尔可夫模型，并提出了一种评估预测模型优劣的方法 | 需要进一步验证该方法在不同实验条件下的适用性和准确性 | 开发一种能够实时分析离子通道门控行为的深度学习方法 | 离子通道门控行为的实时分析 | 机器学习 | NA | 深度学习 | 神经网络 | 时间序列 | 使用模拟数据集进行训练，并在实际的膜片钳实验数据上进行测试 | NA | NA | NA | NA |
| 479 | 2024-12-05 |
Interpretable multi-horizon time series forecasting of cryptocurrencies by leverage temporal fusion transformer
2024-Nov-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e40142
PMID:39619580
|
研究论文 | 研究探讨了在波动性全球金融市场预测加密货币运动的挑战，并开发了一种先进的深度学习增强型时间融合变压器（ADE-TFT）模型来更准确地估计比特币价值 | 提出了ADE-TFT模型，该模型在预测准确性上优于其底层模型，特别是在使用更高隐藏层配置时，误差指标（MAPE、MSE和RMSE）显著降低 | 研究强调了需要尝试不同的归一化策略和利用各种市场相关数据来提高模型性能，并指出提高预测准确性可能需要解决这些限制并纳入市场情绪等额外因素 | 提高加密货币市场预测的准确性，为投资者提供更精确的市场预测 | 比特币价值预测 | 机器学习 | NA | 深度学习 | 时间融合变压器（TFT） | 交易数据 | NA | NA | NA | NA | NA |
| 480 | 2024-12-05 |
FASNet: Feature alignment-based method with digital pathology images in assisted diagnosis medical system
2024-Nov-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e40350
PMID:39624322
|
研究论文 | 本文提出了一种基于特征对齐的数字病理图像分割方法FASNet，用于辅助诊断医疗系统 | FASNet通过在编码器和解码器中插入语义感知归一化和语义感知白化模块，实现了同类特征的紧凑性和不同类特征的分离性 | 深度学习模型需要大量标注数据，病理图像获取成本高且难以获得，标注数据不足容易导致偏差结果 | 提高数字病理图像分割的准确性和鲁棒性，特别是在训练数据与测试数据分布不匹配的情况下 | 数字病理图像中的细胞核和组织结构 | 数字病理学 | 肿瘤 | 深度学习 | UNW网络 | 图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |