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 721 - 740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 721 | 2024-11-22 |
Screening for Depression Using Natural Language Processing: Literature Review
2024-Nov-04, Interactive journal of medical research
IF:1.9Q3
DOI:10.2196/55067
PMID:39496145
|
综述 | 本文综述了使用自然语言处理（NLP）技术进行抑郁症筛查的现有方法 | 探讨了NLP技术在抑郁症筛查中的应用潜力，并讨论了其成功和局限性 | 存在隐私、偏见、可解释性和缺乏保护个人法规等伦理问题，以及文化和多语言视角的需求 | 探索现有的NLP方法用于检测抑郁症，讨论其成功和局限性，解决伦理问题，并突出潜在的偏见 | 抑郁症筛查和检测 | 自然语言处理 | 精神健康疾病 | 自然语言处理（NLP） | NA | 文本 | NA | NA | NA | NA | NA |
| 722 | 2024-11-22 |
Gender-based linguistic differences in letters of recommendation for rhinology fellowship over time: A dual-institutional follow-up study using natural language processing and deep learning
2024-Nov, International forum of allergy & rhinology
IF:7.2Q1
DOI:10.1002/alr.23411
PMID:39010845
|
研究论文 | 本研究通过自然语言处理和深度学习技术，分析了时间跨度内双机构鼻科学奖学金推荐信中的性别语言差异 | 首次使用自然语言处理和深度学习技术分析鼻科学奖学金推荐信中的性别偏见 | 仅限于双机构的数据，可能无法代表所有鼻科学奖学金推荐信的情况 | 评估鼻科学奖学金推荐信中是否存在性别偏见 | 鼻科学奖学金推荐信中的性别语言差异 | 自然语言处理 | NA | 自然语言处理，深度学习 | 深度学习 | 文本 | 双机构的数据 | NA | NA | NA | NA |
| 723 | 2024-11-22 |
A new artificial intelligence system for both stomach and small-bowel capsule endoscopy
2024-Nov, Gastrointestinal endoscopy
IF:6.7Q1
DOI:10.1016/j.gie.2024.06.004
PMID:38851456
|
研究论文 | 本文介绍了一种新的人工智能系统SS Plus，用于胃和小肠胶囊内窥镜图像的识别和诊断 | SS Plus算法能够识别5种胃部病变和17种小肠病变，显著减少了需要审查的图像数量，并提高了初级内镜医师的诊断能力 | 研究为多中心回顾性诊断研究，样本量和数据类型有限 | 开发一种新的人工智能算法，用于胃和小肠胶囊内窥镜图像的自动识别和诊断 | 胃和小肠胶囊内窥镜图像 | 计算机视觉 | NA | 深度学习 | 深度学习算法 | 图像 | 训练阶段使用了1069次磁控GI胶囊内窥镜检查数据，验证阶段包括342次完全自动化的磁控CE检查 | NA | NA | NA | NA |
| 724 | 2024-11-22 |
DeepNeoAG: Neoantigen epitope prediction from melanoma antigens using a synergistic deep learning model combining protein language models and multi-window scanning convolutional neural networks
2024-Nov, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2024.136252
PMID:39366619
|
研究论文 | 本文介绍了一种结合蛋白质语言模型和多窗口扫描卷积神经网络的深度学习模型，用于从黑色素瘤抗原中预测新抗原表位 | 本文提出了一种新的深度学习模型DeepNeoAG，结合了蛋白质语言模型和多窗口扫描卷积神经网络，以提高新抗原预测的准确性 | NA | 开发一种高效的新抗原预测模型，以加速个性化癌症免疫疗法的发展 | 黑色素瘤抗原中的新抗原表位 | 机器学习 | 黑色素瘤 | 深度学习 | 卷积神经网络 (CNN) | 蛋白质序列 | NA | NA | NA | NA | NA |
| 725 | 2024-11-22 |
Deep learning algorithm for predicting left ventricular systolic dysfunction in atrial fibrillation with rapid ventricular response
2024-Nov, European heart journal. Digital health
DOI:10.1093/ehjdh/ztae062
PMID:39563911
|
研究论文 | 研究深度学习算法在预测房颤伴快速心室反应患者左室收缩功能障碍中的表现 | 开发并验证了一种基于残差神经网络架构的深度学习算法，用于预测房颤伴快速心室反应患者的左室收缩功能障碍 | 研究仅在一个中心进行，样本量有限，且仅使用了12导联和1导联心电图数据 | 评估人工智能算法在预测房颤伴快速心室反应患者左室收缩功能障碍中的表现 | 房颤伴快速心室反应患者 | 机器学习 | 心血管疾病 | 深度学习 | 残差神经网络 | 心电图 | 423名患者，其中241名患者有可用的心脏超声数据 | NA | NA | NA | NA |
| 726 | 2024-11-21 |
Deep Lead Optimization: Leveraging Generative AI for Structural Modification
2024-Nov-20, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.4c11686
PMID:39499822
|
综述 | 本文综述了基于深度学习的分子生成模型在药物发现中的应用，特别是结构导向的先导优化方法 | 本文首次系统地将先导优化方法分类为目标导向和结构导向，并详细讨论了结构导向优化中的四个具体任务 | 本文主要集中在结构导向优化方法的综述，未涉及具体实验验证 | 探讨深度学习在药物发现中的应用，特别是先导优化过程中的结构导向方法 | 先导优化方法，特别是结构导向优化中的片段替换、连接子设计、骨架跳跃和侧链装饰 | 机器学习 | NA | 深度学习 | 生成对抗网络（GAN） | 分子结构数据 | NA | NA | NA | NA | NA |
| 727 | 2024-11-21 |
Combination of Transfer Learning and Chemprop Interpreter with Support of Deep Learning for the Energy Levels of Organic Photovoltaic Materials Prediction and Regulation
2024-Nov-20, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.4c15835
PMID:39564708
|
研究论文 | 本文提出了一种结合迁移学习和化学解释器的定向消息传递神经网络模型，用于有机光伏材料能级预测和可视化 | 本文的创新点在于结合了迁移学习和化学解释器，提高了有机光伏材料能级预测的准确性和可解释性 | 本文的局限性在于模型在小样本测试集上的表现较好，但在更大规模数据集上的表现尚需验证 | 本文的研究目的是开发一种高效且可解释的模型，用于预测和调控有机光伏材料的能级 | 本文的研究对象是有机光伏材料的能级及其分子结构 | 机器学习 | NA | 迁移学习 | 定向消息传递神经网络 | 分子结构数据 | 小测试集包含少量样本 | NA | NA | NA | NA |
| 728 | 2024-11-21 |
Performance of deep learning models in predicting the nugent score to diagnose bacterial vaginosis
2024-Nov-19, Microbiology spectrum
IF:3.7Q2
DOI:10.1128/spectrum.02344-24
PMID:39560430
|
研究论文 | 本研究评估了深度学习模型在预测Nugent评分以诊断细菌性阴道病中的表现 | 深度学习模型在预测Nugent评分方面表现出高准确性，优于实验室技术人员的平均准确率 | 需要在大规模上进行验证 | 提高细菌性阴道病诊断的一致性和准确性 | 1510张阴道涂片图像 | 计算机视觉 | 细菌性阴道病 | 深度学习 | 深度学习模型 | 图像 | 1510张阴道涂片图像，以及106张独立测试图像 | NA | NA | NA | NA |
| 729 | 2024-11-21 |
A Modified Transformer Network for Seizure Detection Using EEG Signals
2024-Nov-19, International journal of neural systems
IF:6.6Q1
DOI:10.1142/S0129065725500030
PMID:39560448
|
研究论文 | 本文提出了一种改进的Transformer网络用于癫痫发作检测，结合了Inception和Residual网络提取不同尺度的脑电图（EEG）信号特征，并通过Co-MixUp方法处理数据不平衡问题 | 本文提出的Inresformer网络结合了Inception和Residual网络，增强了特征表示能力，并通过改进的Feedforward层增强了模型的非线性表示 | NA | 提高癫痫发作检测的准确性和性能 | 脑电图（EEG）信号 | 机器学习 | NA | 离散小波变换（DWT） | Transformer网络 | 信号 | Bonn数据集和CHB-MIT数据集 | NA | NA | NA | NA |
| 730 | 2024-11-21 |
Quantitative and Morphology-Based Deep Convolutional Neural Network Approaches for Osteosarcoma Survival Prediction in the Neoadjuvant and Metastatic Setting
2024-Nov-19, Clinical cancer research : an official journal of the American Association for Cancer Research
IF:10.0Q1
DOI:10.1158/1078-0432.CCR-24-2599
PMID:39561274
|
研究论文 | 本文探讨了三种深度学习策略在组织学样本上预测新辅助和转移性骨肉瘤生存结果的应用 | 本文创新性地使用深度卷积神经网络自动估计坏死与肿瘤的比例，并识别出特定的组织形态学生物标志物 | NA | 探索深度学习策略在新辅助和转移性骨肉瘤生存预测中的应用 | 骨肉瘤患者的组织学样本 | 数字病理学 | 骨癌 | 深度学习 | 深度卷积神经网络 | 图像 | 训练集来自纽约大学，外部验证集来自查尔斯大学 | NA | NA | NA | NA |
| 731 | 2024-11-21 |
Automated Single Cell Phenotyping of Time-of-Flight Secondary Ion Mass Spectrometry Tissue Images
2024-Nov-19, Journal of the American Society for Mass Spectrometry
IF:3.1Q1
DOI:10.1021/jasms.4c00328
PMID:39563098
|
研究论文 | 本文介绍了使用深度学习技术对时间飞行二次离子质谱组织图像进行自动单细胞表型分析的方法 | 开发了MIBIsight工作流程，利用深度学习技术处理包含数千个细胞的图像，生成易于理解的报告和图表 | NA | 旨在通过深度学习技术简化复杂数据集的分析，以便更好地理解细胞在疾病研究中的作用 | 时间飞行二次离子质谱组织图像中的单细胞表型 | 计算机视觉 | NA | 时间飞行二次离子质谱（ToF-SIMS） | 深度学习（DL） | 图像 | 数千个细胞 | NA | NA | NA | NA |
| 732 | 2024-11-21 |
Exploring protein natural diversity in environmental microbiomes with DeepMetagenome
2024-Nov-18, Cell reports methods
IF:4.3Q2
DOI:10.1016/j.crmeth.2024.100896
PMID:39515333
|
研究论文 | 本文介绍了一种基于深度学习的Python方法DeepMetagenome，用于探索环境微生物群中的蛋白质自然多样性 | DeepMetagenome通过深度学习模型从宏基因组/蛋白质组中检测蛋白质多样性，无需先验假设，并成功识别了高置信度的金属硫蛋白序列 | NA | 探索环境微生物群中的蛋白质自然多样性 | 金属硫蛋白及其他三种蛋白质家族的多样性 | 机器学习 | NA | 深度学习 | CNN, LSTM, Transformer | 序列数据 | 超过14600万编码特征的数据库 | NA | NA | NA | NA |
| 733 | 2024-11-17 |
Correction: Multiparametric MRI based deep learning model for prediction of early recurrence of hepatocellular carcinoma after SR following TACE
2024-Nov-16, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-024-06027-3
PMID:39547976
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 734 | 2024-11-21 |
Wind power prediction based on deep learning models: The case of Adama wind farm
2024-Nov-15, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e39579
PMID:39559238
|
研究论文 | 本文研究了基于深度学习模型的风力发电预测，以埃塞俄比亚的阿达玛风电场为例 | 本文首次为阿达玛风电场开发了基于深度学习的风力发电预测模型，并比较了LSTM、Bi-LSTM和GRU三种模型的性能 | 本文仅使用了阿达玛风电场的数据，未考虑其他风电场的数据，可能影响模型的泛化能力 | 开发一种准确可靠的风力发电预测模型，以帮助能源规划者和区域电力供应商计算电力生产和能源生成 | 阿达玛风电场的风力发电量 | 机器学习 | NA | 深度学习 | LSTM, Bi-LSTM, GRU | 时间序列数据 | 四年数据，共163,802行，每5分钟记录一次 | NA | NA | NA | NA |
| 735 | 2024-11-21 |
dsRNAPredictor-II: An improved predictor of identifying dsRNA and its silencing efficiency for Tribolium castaneum based on sequence length distribution
2024-Nov-09, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2024.11.007
PMID:39528092
|
研究论文 | 本文通过优化现有模型dsRNAPredictor，设计基于不同序列长度的子模型，建立了一个深度学习模型来预测dsRNA的沉默效率 | 本文通过设计基于不同序列长度的子模型，优化了现有模型dsRNAPredictor，提高了预测dsRNA沉默效率的性能和鲁棒性 | NA | 建立一个深度学习模型，帮助研究人员识别具有最高RNAi效率的dsRNA片段 | dsRNA的序列长度分布及其沉默效率 | 机器学习 | NA | NA | 卷积神经网络 | 序列 | 数据分为两组：130-399 bp和400-616 bp长的序列 | NA | NA | NA | NA |
| 736 | 2024-11-21 |
Artificial Intelligence and the Future of Communication Sciences and Disorders: A Bibliometric and Visualization Analysis
2024-Nov-07, Journal of speech, language, and hearing research : JSLHR
DOI:10.1044/2024_JSLHR-24-00157
PMID:39418583
|
研究论文 | 本文通过文献计量学分析和可视化方法，全面概述了人工智能在沟通科学与障碍研究中的应用 | 本文首次系统性地分析了人工智能在沟通科学与障碍领域的研究趋势和热点，揭示了该领域应用AI的现状和未来发展方向 | 本文主要依赖于文献计量学方法，可能无法全面反映所有相关研究的细节和深度 | 旨在为研究人员、开发者和专业人士提供一个全面的概述，帮助理解AI在沟通科学与障碍研究中的演变 | 主要研究了自闭症、失语症、构音障碍、帕金森病和阿尔茨海默病等沟通障碍 | 机器学习 | NA | 文献计量学分析 | 支持向量机、卷积神经网络、隐马尔可夫模型 | 文献数据 | 15,035篇出版物，其中4,375篇符合纳入标准 | NA | NA | NA | NA |
| 737 | 2024-10-15 |
Deciphering protective genomic factors of tumor development in pediatric Down syndrome via deep learning approach to whole genome and RNA sequencing
2024-Nov, Cancer communications (London, England)
DOI:10.1002/cac2.12612
PMID:39387321
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 738 | 2024-11-21 |
Accelerating Brain MR Imaging With Multisequence and Convolutional Neural Networks
2024-Nov, Brain and behavior
IF:2.6Q3
DOI:10.1002/brb3.70163
PMID:39552110
|
研究论文 | 研究使用深度学习技术加速脑部MRI成像过程，通过多序列和卷积神经网络重建图像，同时保持图像质量 | 利用深度学习技术从不同MRI序列中提取共同信息，减少最耗时的序列扫描时间，同时保持图像质量 | 研究仅限于T1-FLAIR、T2-FLAIR和T2WI序列，未涵盖所有可能的MRI序列 | 探讨深度学习技术是否能通过利用不同MRI序列的共同信息来减少扫描时间并保持图像质量 | 脑部MRI图像，包括T1-FLAIR、T2-FLAIR和T2WI序列 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | 217名患者和105名健康受试者的脑部MRI原始数据 | NA | NA | NA | NA |
| 739 | 2024-11-21 |
Deep learning model for automated diagnosis of moyamoya disease based on magnetic resonance angiography
2024-Nov, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2024.102888
PMID:39559186
|
研究论文 | 本研究探讨了基于深度学习的卷积神经网络（CNN）在磁共振血管造影（MRA）图像上自动识别烟雾病（MMD）的潜力 | 本研究首次使用DenseNet-121模型在MRA图像上实现了MMD的自动诊断，并展示了其与经验丰富的放射科医生相当的诊断能力 | 本研究为回顾性研究，样本主要来自中国的一个机构，外部验证集较小，可能影响模型的泛化能力 | 探索基于深度学习的卷积神经网络在MRA图像上自动诊断烟雾病的可能性 | 烟雾病（MMD）、动脉粥样硬化疾病（ASD）和正常对照（NC）的MRA图像 | 计算机视觉 | 脑血管疾病 | 卷积神经网络（CNN） | DenseNet-121 | 图像 | 600名参与者（200名MMD、200名ASD和200名NC）用于训练，60名参与者用于外部验证 | NA | NA | NA | NA |
| 740 | 2024-11-21 |
Deep Learning Algorithms for Breast Cancer Detection in a UK Screening Cohort: As Stand-alone Readers and Combined with Human Readers
2024-Nov, Radiology
IF:12.1Q1
DOI:10.1148/radiol.233147
PMID:39560480
|
研究论文 | 本文研究了三种深度学习算法在英国乳腺癌筛查队列中的表现，评估了它们作为独立读片者和与人类读片者结合使用时的性能 | 本文的创新点在于验证了三种深度学习算法在独立使用和与人类读片者结合使用时的非劣效性，特别是在敏感性和特异性方面 | 本文的局限性在于仅在两个英国站点收集的数据上进行了验证，且仅使用了两种设备供应商的机器 | 本文的研究目的是在外部独立数据集中验证三种深度学习算法作为乳腺X线筛查读片者的性能 | 本文的研究对象是三种商业深度学习算法（DL-1, DL-2, DL-3）在乳腺癌筛查中的应用 | 计算机视觉 | 乳腺癌 | 深度学习 | 深度学习算法 | 图像 | 共26,722例病例，包括332例筛查发现、174例间隔期和254例下一轮癌症 | NA | NA | NA | NA |