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 1136 篇文献，本页显示第 601 - 620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 601 | 2024-11-27 |
OrganoLabeler: A Quick and Accurate Annotation Tool for Organoid Images
2024-Nov-19, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.4c06450
PMID:39583683
|
研究论文 | 本文介绍了一种名为OrganoLabeler的快速且准确的器官芯片图像标注工具 | OrganoLabeler能够通过多种图像处理方法（如对比度调整、K-means聚类、CLAHE、二值化和Otsu阈值处理）自动生成分割图像，显著提高了标注效率和准确性 | NA | 开发一种能够替代手动标注的自动化工具，以提高器官芯片研究的效率和准确性 | 器官芯片图像的自动标注 | 计算机视觉 | NA | 图像处理 | U-Net | 图像 | 胚胎体和脑器官芯片数据集 | NA | NA | NA | NA |
| 602 | 2024-11-27 |
An ergonomic evaluation using a deep learning approach for assessing postural risks in a virtual reality-based smart manufacturing context
2024-Nov, Ergonomics
IF:2.0Q3
DOI:10.1080/00140139.2024.2349757
PMID:38742363
|
研究论文 | 本研究提出了一种集成的人体工程学评估方法，用于在基于虚拟现实的智能制造环境中识别不安全姿势 | 利用计算机视觉和深度学习卷积神经网络方法识别身体关键点的质心位移，以识别不安全姿势 | 未提及 | 评估智能制造环境中工业工作中的姿势风险 | 不安全姿势和姿势风险水平 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | 未提及 | NA | NA | NA | NA |
| 603 | 2024-11-27 |
Exploring the benefits and challenges of AI-driven large language models in gastroenterology: Think out of the box
2024-Nov, Biomedical papers of the Medical Faculty of the University Palacky, Olomouc, Czechoslovakia
DOI:10.5507/bp.2024.027
PMID:39234774
|
研究论文 | 探讨人工智能驱动的大型语言模型在胃肠病学中的优势与挑战 | 介绍了大型语言模型如ChatGPT在胃肠病学中的潜在应用，包括诊断、治疗、教育和决策支持 | 存在AI能力有限、数据偏差、数据错误、安全和隐私问题以及实施成本等挑战 | 研究AI驱动的大型语言模型在胃肠病学中的应用及其潜在影响 | 大型语言模型在胃肠病学中的应用及其对诊断、治疗、教育和决策支持的影响 | 自然语言处理 | 胃肠病 | 大型语言模型 | NA | 文本 | NA | NA | NA | NA | NA |
| 604 | 2024-11-27 |
Using deep learning and pretreatment EEG to predict response to sertraline, bupropion, and placebo
2024-Nov, Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology
IF:3.7Q2
DOI:10.1016/j.clinph.2024.09.002
PMID:39332081
|
研究论文 | 使用深度学习和治疗前脑电图预测对舍曲林、安非他酮和安慰剂的反应 | 提出了一种基于脑电图连接性的卷积神经网络方法，用于预测抗抑郁药物的反应 | 样本量较小，且仅限于特定的抗抑郁药物和安慰剂 | 开发一种基于脑电图的方法，用于预测抗抑郁药物治疗的反应 | 主要抑郁症患者的抗抑郁药物治疗反应 | 机器学习 | 精神疾病 | 脑电图 | 卷积神经网络 | 脑电图数据 | 105名舍曲林患者，119名安慰剂患者，35名安非他酮患者 | NA | NA | NA | NA |
| 605 | 2024-11-27 |
Machine learning for air quality index (AQI) forecasting: shallow learning or deep learning?
2024-Nov, Environmental science and pollution research international
DOI:10.1007/s11356-024-35404-1
PMID:39467867
|
研究论文 | 本研究使用多种机器学习模型（包括浅层学习和深度学习模型）预测空气质量指数（AQI），并比较其性能 | 本研究首次系统比较了浅层学习模型和深度学习模型在AQI预测中的表现，发现深度学习模型（尤其是CNN）在预测准确性上显著优于浅层学习模型 | 空气质量数据的监测不规律可能影响预测的稳健性，需要更一致的数据收集以确保污染水平的准确表示 | 分析和预测空气质量指数（AQI），并比较不同机器学习模型在AQI预测中的表现 | 空气质量指数（AQI）及其分类 | 机器学习 | NA | 机器学习 | CNN, LSTM, GRU, RNN, ANN, RF, KNN, WKNN, SVM | 数值数据 | 2013年3月至2022年2月期间Zabol的每日PM浓度和九个气象参数 | NA | NA | NA | NA |
| 606 | 2024-11-27 |
Correlating Electrocardiograms with Echocardiographic Parameters in Hemodynamically-Significant Aortic Regurgitation Using Deep Learning
2024-Nov, Acta Cardiologica Sinica
IF:1.8Q3
|
研究论文 | 本文研究了使用深度学习模型将心电图与主动脉瓣反流患者的超声心动图参数相关联 | 首次评估了基于深度学习的心电图模型预测与血流动力学显著的主动脉瓣反流相关的左心室重构参数的能力 | 研究是回顾性的，样本量有限，且仅限于特定患者群体 | 评估深度学习模型预测与主动脉瓣反流相关的左心室重构参数的能力 | 心电图与超声心动图参数的相关性 | 机器学习 | 心血管疾病 | 深度学习 | ResNet | 心电图 | 573名患者，1457份12导联心电图 | NA | NA | NA | NA |
| 607 | 2024-11-27 |
SCC-NET: segmentation of clinical cancer image for head and neck squamous cell carcinoma
2024-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.6.065501
PMID:39583005
|
研究论文 | 本文提出了一种基于神经架构搜索-U-Net的改进模型SCC-Net，用于头颈部鳞状细胞癌的临床图像分割 | 引入了可学习的离散小波池化技术和通道注意力模块，结合CSPnet的跨阶段部分设计，提高了模型性能 | NA | 开发一种高效的深度学习模型用于头颈部鳞状细胞癌的图像分割 | 头颈部鳞状细胞癌的临床内窥镜图像 | 计算机视觉 | 头颈部鳞状细胞癌 | 深度学习 | U-Net | 图像 | 556张病理证实的鳞状细胞癌照片 | NA | NA | NA | NA |
| 608 | 2024-11-27 |
Reconstructing the Tropical Pacific Upper Ocean Using Online Data Assimilation With a Deep Learning Model
2024-Nov, Journal of advances in modeling earth systems
IF:4.4Q1
DOI:10.1029/2024MS004422
PMID:39583161
|
研究论文 | 本文使用基于Transformer架构的深度学习模型，在热带太平洋地区进行海洋上层重构，并与标准线性反演模型进行比较 | 本文提出了一种新的膨胀技术，通过添加来自后报实验的噪声来解决深度学习模型中的信号衰减问题 | 深度学习模型存在信号衰减问题，需要通过膨胀技术进行修正 | 研究深度学习模型在热带太平洋海洋上层重构中的应用，并评估其与传统模型的性能差异 | 热带太平洋地区的海洋上层结构 | 机器学习 | NA | 深度学习 | Transformer | 气候模型数据集 | 24个海表面温度观测数据 | NA | NA | NA | NA |
| 609 | 2024-11-27 |
ENKIE: a package for predicting enzyme kinetic parameter values and their uncertainties
2024-Nov-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae652
PMID:39495107
|
研究论文 | 本文介绍了一个名为ENKIE的软件包，用于预测酶动力学参数值及其不确定性 | ENKIE使用贝叶斯多层次模型来预测KM和kcat参数的值和不确定性，其预测性能与使用序列和结构信息的深度学习方法相当 | NA | 开发一个工具，简化代谢的贝叶斯动力学模型的先验构建 | 酶动力学参数KM和kcat的预测 | 生物信息学 | NA | 贝叶斯多层次模型 | 贝叶斯多层次模型 | 酶动力学参数 | NA | NA | NA | NA | NA |
| 610 | 2024-11-27 |
A recurrent neural network and parallel hidden Markov model algorithm to segment and detect heart murmurs in phonocardiograms
2024-Nov, PLOS digital health
DOI:10.1371/journal.pdig.0000436
PMID:39585836
|
研究论文 | 提出了一种用于心音图中心脏杂音分割和检测的循环神经网络和并行隐马尔可夫模型算法 | 该算法结合了循环神经网络和隐半马尔可夫模型，能够同时进行信号分割和心脏杂音检测，避免了传统两阶段算法的需要 | 需要进一步在大规模和更具代表性的临床数据集上验证 | 提高心音图中心脏疾病检测的可及性和准确性 | 心音图中的心脏杂音 | 机器学习 | 心血管疾病 | 循环神经网络、隐半马尔可夫模型 | 循环神经网络、隐半马尔可夫模型 | 音频 | NA | NA | NA | NA | NA |
| 611 | 2024-11-27 |
Deep Learning Assessment of Small Renal Masses
2024-Nov, Radiology
IF:12.1Q1
DOI:10.1148/radiol.241619
PMID:39589240
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 612 | 2024-11-26 |
Accurate Conformation Sampling via Protein Structural Diffusion
2024-Nov-25, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00928
PMID:39340358
|
研究论文 | 本文介绍了一种名为UFConf的新方法，用于基于氨基酸序列进行蛋白质构象的鲁棒采样 | UFConf通过将AlphaFold2转化为扩散模型，实现了基于构象的扩散过程，并开发了一种新的基于结构聚类的层次重加权协议，以克服蛋白质数据库中的构象偏差 | NA | 开发一种能够高精度预测蛋白质不同稳定构象的模型，以推动生物学和医学的进步 | 蛋白质构象的采样 | 生物信息学 | NA | 扩散模型 | 扩散模型 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 613 | 2024-11-26 |
Challenge for Deep Learning: Protein Structure Prediction of Ligand-Induced Conformational Changes at Allosteric and Orthosteric Sites
2024-Nov-25, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01475
PMID:39484820
|
研究论文 | 研究使用深度学习算法预测蛋白质在配体结合时的构象变化，特别是针对别构位点的变化 | 首次系统研究了深度学习方法在预测蛋白质别构诱导适应构象变化方面的潜力和局限性 | 深度学习方法在预测别构诱导适应构象方面仍存在挑战，准确性不如预测正构位点结合构象 | 探讨深度学习算法在预测蛋白质别构和正构位点结合时的构象变化中的应用 | 蛋白质在配体结合时的构象变化，特别是别构位点的变化 | 计算生物学 | NA | 深度学习 | AlphaFold2, NeuralPLexer, RoseTTAFold All-Atom | 蛋白质结构数据 | 578个X射线结构数据 | NA | NA | NA | NA |
| 614 | 2024-11-26 |
CACHE Challenge #1: Targeting the WDR Domain of LRRK2, A Parkinson's Disease Associated Protein
2024-Nov-25, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01267
PMID:39499532
|
研究论文 | 本文报道了首届CACHE挑战赛的结果，该挑战赛旨在评估计算命中发现领域的进展 | 首次针对帕金森病相关蛋白LRRK2的WDR域进行计算命中发现，展示了多种计算方法的应用 | 实验验证的化合物稀少且效力较弱，表明现有技术不足以有效解决具有挑战性的靶点 | 评估计算命中发现方法在帕金森病靶点LRRK2的WDR域中的应用效果 | LRRK2蛋白的WDR域及其潜在的结合化合物 | 药物设计 | 帕金森病 | 分子动力学、片段对接、生成设计策略、深度学习 | NA | 化合物 | 23个计算团队，共预测了1955个分子，其中73个分子在SPR测定中显示出结合活性 | NA | NA | NA | NA |
| 615 | 2024-11-26 |
Data-Based Prediction of Redox Potentials via Introducing Chemical Features into the Transformer Architecture
2024-Nov-25, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01299
PMID:39513760
|
研究论文 | 本文开发了一种基于化学语言模型的深度学习方法TransChem，用于预测有机分子的氧化还原电位 | 引入化学特征到Transformer架构中，结合空间和电子特征的分子表征，以及非线性分子信息传递方法Mol-Attention和扰动学习方法 | NA | 加速目标导向的新反应和材料设计 | 有机分子的氧化还原电位 | 机器学习 | NA | 深度学习 | Transformer | 分子数据 | 超过100,000个有机自由基数据，2,1,3-苯并噻二唑数据集（<3000数据点），电子亲和力数据集（660数据），以及自开发的全空间二取代苯酚氧化电位数据集（OPP-data set，总计74,529） | NA | NA | NA | NA |
| 616 | 2024-11-26 |
[De novo protein design in the age of artificial intelligence]
2024-Nov-25, Sheng wu gong cheng xue bao = Chinese journal of biotechnology
DOI:10.13345/j.cjb.240087
PMID:39584325
|
综述 | 本文综述了蛋白质设计的演变过程，重点介绍了最新的算法模型，并分析了当前存在的挑战和未来趋势 | 本文探讨了人工智能和深度学习生成模型在蛋白质设计中的应用，展示了其在功能蛋白质设计中的潜力 | 当前蛋白质设计面临设计成功率低、精度不足以及依赖实验验证等挑战 | 本文旨在为蛋白质设计领域的研究人员和从业者提供见解 | 本文主要研究蛋白质设计及其在生物医学和纳米技术中的应用 | 生物信息学 | NA | 深度学习 | 生成模型 | 序列数据 | NA | NA | NA | NA | NA |
| 617 | 2024-11-26 |
Efficient deep learning based rail fastener screw detection method for fastener screw maintenance robot under complex lighting conditions
2024-Nov-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77364-z
PMID:39578481
|
研究论文 | 提出了一种基于YOLO的轻量级模型LFGB-YOLO，用于在复杂光照条件下检测铁路扣件螺栓 | 引入了Light-Fast部分和GB-Neck部分，分别优化了网络参数和特征融合能力，提高了检测精度和速度 | 未提及具体限制 | 开发一种在复杂光照条件下高效检测铁路扣件螺栓的方法，以支持维护机器人 | 铁路扣件螺栓 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 618 | 2024-11-26 |
Crop classification in the middle reaches of the Hei River based on model transfer
2024-Nov-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-80327-z
PMID:39578651
|
研究论文 | 本文提出了一种基于模型迁移的作物分类方法，用于黑河流域中游地区 | 通过生成多源光谱数据（MSSD）并利用预训练模型进行微调，实现了在无样本年份的作物分类 | 依赖于预训练模型的准确性，且实验仅使用了四种模型进行验证 | 提高在黑河流域中游地区作物分类的准确性，减少对大规模样本数据的依赖 | 黑河流域中游地区的作物分类 | 计算机视觉 | NA | 遥感技术 | CNN | 光谱数据 | 使用了三种基于CNN的深度学习模型和一个机器学习模型（RF）进行实验 | NA | NA | NA | NA |
| 619 | 2024-11-26 |
Multimodal machine learning for language and speech markers identification in mental health
2024-Nov-22, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-024-02772-0
PMID:39578814
|
研究论文 | 本文研究了使用多模态机器学习方法识别语言和语音标记在精神健康诊断中的应用 | 本文结合了单模态和多模态方法，通过识别和编译广泛的精神健康障碍标记，评估多模态方法是否优于单模态方法 | 本文主要使用DAIC-WOZ数据集，且未探讨更复杂的融合技术和深度学习模型 | 评估多模态方法在精神健康诊断中是否优于单模态方法 | 语言和语音数据中的精神健康障碍标记 | 机器学习 | 精神健康障碍 | 多模态机器学习 | 支持向量机、逻辑回归、随机森林、全连接神经网络 | 文本和音频 | 使用DAIC-WOZ数据集中的临床访谈数据 | NA | NA | NA | NA |
| 620 | 2024-11-26 |
Screening for severe coronary stenosis in patients with apparently normal electrocardiograms based on deep learning
2024-Nov-22, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-024-02764-0
PMID:39578851
|
研究论文 | 本文开发了一种基于深度学习模型，用于在心电图（ECG）看似正常的情况下筛查严重冠状动脉狭窄的患者 | 本文首次使用深度学习模型结合迁移学习技术，从看似正常的心电图中提取深层特征，以识别严重冠状动脉狭窄 | 模型在单独使用心电图数据时敏感性较低，添加临床信息后特异性下降 | 开发一种有效模型，区分心电图看似正常患者中的严重冠状动脉狭窄与无或轻度狭窄 | 392名患者，其中138名患有严重狭窄 | 机器学习 | 心血管疾病 | 深度学习 | 深度学习模型 | 心电图数据和临床信息 | 392名患者，包括138名严重狭窄患者 | NA | NA | NA | NA |