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 1267 篇文献，本页显示第 1001 - 1020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1001 | 2024-11-30 |
Deep learning to predict risk of lateral skull base cerebrospinal fluid leak or encephalocele
2024-Dec, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03259-z
PMID:39207718
|
研究论文 | 研究开发了一种全自动深度学习方法用于卵圆孔（FO）分割，并评估其在预测侧颅底自发性脑脊液（sCSF）漏或脑膨出中的价值 | 首次使用卷积神经网络（CNN）进行卵圆孔（FO）的自动分割，并评估其在预测sCSF漏或脑膨出中的应用 | 研究样本量较小，且仅限于特定医院的数据，可能影响结果的普适性 | 开发一种全自动深度学习方法用于卵圆孔（FO）分割，并评估其在预测侧颅底自发性脑脊液（sCSF）漏或脑膨出中的价值 | 侧颅底自发性脑脊液（sCSF）漏或脑膨出的患者 | 计算机视觉 | NA | 卷积神经网络（CNN） | CNN | 图像 | 34名侧颅底自发性脑脊液（sCSF）漏或脑膨出的患者与815名对照患者 | NA | NA | NA | NA |
| 1002 | 2024-11-29 |
Stacked artificial neural network to predict the mental illness during the COVID-19 pandemic
2024-Dec, European archives of psychiatry and clinical neuroscience
IF:3.5Q2
DOI:10.1007/s00406-024-01799-8
PMID:38558146
|
研究论文 | 研究利用堆叠人工神经网络预测COVID-19疫情期间的精神疾病 | 采用深度学习模型处理大量变量，以提高早期精神疾病检测的性能 | 存在潜在的反应偏差，某些个体面临更高的风险 | 研究COVID-19疫情期间的精神健康问题，并提出早期检测和治疗的方法 | COVID-19疫情期间的精神健康状况，包括焦虑、压力和抑郁 | 机器学习 | 精神疾病 | 深度学习 | 堆叠人工神经网络 | 文本 | 涉及儿童和神经质障碍患者等特定人群 | NA | NA | NA | NA |
| 1003 | 2024-11-29 |
Deep learning for intrinsically disordered proteins: From improved predictions to deciphering conformational ensembles
2024-Dec, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2024.102950
PMID:39522439
|
综述 | 本文探讨了现代深度学习方法如何影响蛋白质无序性预测，并介绍了利用深度学习技术直接从序列数据中表征蛋白质构象集合体的最新进展 | 本文介绍了利用深度学习技术直接从序列数据中表征蛋白质构象集合体的创新方法 | NA | 探讨深度学习方法在蛋白质无序性预测中的应用及其对蛋白质构象集合体表征的进展 | 蛋白质无序性预测和蛋白质构象集合体 | 机器学习 | NA | 深度学习 | NA | 序列数据 | NA | NA | NA | NA | NA |
| 1004 | 2024-11-29 |
Multi-image transmission based on a multi-channel OAM-array-coded optical communication system using a designed Dammann grating and an integrated vortex grating
2024-Dec-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.545435
PMID:39602747
|
研究论文 | 本文提出了一种基于多通道OAM阵列编码光通信系统的多图像传输方法，结合定制的Dammann光栅和集成涡旋光栅，并通过设计的单输入多输出深度学习识别模型进行验证 | 本文的创新点在于提出了可控的同时生成高质量涡旋光束阵列的方法，并展示了基于涡旋光束阵列的多通道光通信系统，显著提高了涡旋光束阵列的灵活性和应用范围 | 本文的局限性在于实验中仅验证了四幅灰度图像的传输，且在湍流条件下的误差率较高 | 本文的研究目的是提高光通信系统的容量和灵活性 | 本文的研究对象是涡旋光束及其在光通信中的应用 | 光学通信 | NA | 涡旋光束 | 深度学习模型 | 图像 | 四幅灰度图像 | NA | NA | NA | NA |
| 1005 | 2024-11-29 |
A novel automated cloud-based image datasets for high throughput phenotyping in weed classification
2024-Dec, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2024.111097
PMID:39605934
|
研究论文 | 本文介绍了一种基于云的自动化数据采集系统（CADAS），用于在固定时间间隔内捕捉杂草和作物图像，以考虑植物生长阶段进行杂草识别 | 开发了一种云端自动化数据采集系统（CADAS），通过集成十五个可见光谱的数字相机，实现了杂草和作物图像的自动采集和存储 | 数据集中的作物和杂草时间变化较低，这限制了杂草检测模型的有效开发 | 开发一种高效的数据采集系统，以减少数据管理和模型开发中的劳动和时间成本，并提高杂草检测模型的性能 | 杂草和作物的图像数据集 | 计算机视觉 | NA | 数字相机图像采集 | NA | 图像 | 2000张图像每种杂草和作物物种，以及200张带有标签文件的原始图像 | NA | NA | NA | NA |
| 1006 | 2024-11-28 |
Correction to "Development and validation of deep learning models for identifying the brand of pedicle screws on plain spine radiographs"
2024-Dec, JOR spine
IF:3.4Q1
DOI:10.1002/jsp2.70013
PMID:39600966
|
correction | 对文章“Development and validation of deep learning models for identifying the brand of pedicle screws on plain spine radiographs”的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1007 | 2024-11-27 |
Wee1 inhibitor optimization through deep-learning-driven decision making
2024-Dec-15, European journal of medicinal chemistry
IF:6.0Q1
DOI:10.1016/j.ejmech.2024.116912
PMID:39369485
|
研究论文 | 本文利用深度学习技术优化Wee1抑制剂，通过活性解释、基于支架的分子生成和活性预测，从初始化合物GLX0198出发，获得了三个优化后的化合物，并在多种癌细胞系中表现出显著的抑制效果 | 本文首次将深度学习技术应用于Wee1抑制剂的优化，显著提高了抑制剂的活性 | 本文仅展示了少数几个优化后的化合物，未全面评估所有可能的优化路径 | 利用深度学习技术优化Wee1抑制剂，提高其在癌症治疗中的效果 | Wee1抑制剂及其在癌症细胞中的抑制效果 | 机器学习 | NA | 深度学习 | NA | 分子数据 | 从初始化合物GLX0198出发，最终获得三个优化后的化合物 | NA | NA | NA | NA |
| 1008 | 2024-11-27 |
Can Deep Learning Search for Exceptional Chiroptical Properties? The Halogenated [6]Helicene Case
2024-Dec-02, Angewandte Chemie (International ed. in English)
DOI:10.1002/anie.202409998
PMID:39329214
|
研究论文 | 本文研究了化学结构与手性光学性质之间的关系，并利用深度学习模型预测了大量卤代[6]螺旋烯的手性旋转强度 | 首次利用深度神经网络模型预测卤代[6]螺旋烯的手性旋转强度，并通过实验验证了预测结果的准确性 | NA | 研究化学结构与手性光学性质之间的关系，并开发新的具有增强光学性质的系统 | 卤代[6]螺旋烯的手性旋转强度 | 机器学习 | NA | DFT计算 | 深度神经网络 | 化学结构数据 | 数百万个卤代[6]螺旋烯衍生物 | NA | NA | NA | NA |
| 1009 | 2024-11-27 |
Deep learning predicted perceived age is a reliable approach for analysis of facial ageing: A proof of principle study
2024-Dec, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20365
PMID:39360788
|
研究论文 | 本研究探讨了使用深度学习算法预测面部感知年龄的可行性，并验证了其与人类评估的感知年龄在关联疾病和基因变异方面的一致性 | 本研究首次使用深度学习方法自动估算面部感知年龄，并验证了其与人类评估的感知年龄在关联疾病和基因变异方面的一致性 | 本研究仅在荷兰的中老年人群中进行了验证，未来需要在更多样化的人群中进行进一步验证 | 验证深度学习算法在估算面部感知年龄方面的可靠性，并探讨其与人类评估的感知年龄在关联疾病和基因变异方面的一致性 | 中老年荷兰参与者的面部图像和感知年龄数据 | 计算机视觉 | NA | 深度学习 | 自监督学习和深度特征迁移 | 图像 | 2679名中老年荷兰参与者和1158名验证人群 | NA | NA | NA | NA |
| 1010 | 2024-11-27 |
Tractography-Based Automated Identification of Retinogeniculate Visual Pathway With Novel Microstructure-Informed Supervised Contrastive Learning
2024-Dec-01, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.70071
PMID:39564727
|
研究论文 | 本文提出了一种基于扩散MRI纤维束成像的自动识别视网膜-外侧膝状体视觉通路的新型深度学习框架 | 设计了一种新的微结构信息引导的监督对比学习方法，并提出了一种新的纤维束级别数据增强方法来处理高度不平衡的训练数据 | NA | 开发一种快速且准确的自动识别视网膜-外侧膝状体视觉通路的方法 | 视网膜-外侧膝状体视觉通路 | 计算机视觉 | NA | 扩散MRI纤维束成像 | 深度学习 | 图像 | 包括正常人和垂体瘤患者的扩散MRI纤维束成像数据 | NA | NA | NA | NA |
| 1011 | 2024-11-27 |
A comprehensive dataset for Bangladeshi dessert classification
2024-Dec, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2024.111077
PMID:39583252
|
研究论文 | 本文介绍了一个用于孟加拉甜点分类的综合数据集 | 该研究提供了一个专门为孟加拉甜点分类选择的高质量图像数据集，并使用MobileNet等深度学习算法进行分类模型的开发 | NA | 开发可靠的甜点分类模型，促进机器学习技术在烹饪应用中的发展 | 孟加拉传统甜点的图像 | 计算机视觉 | NA | 图像处理技术，深度学习算法 | MobileNet | 图像 | 包含多种传统孟加拉甜点的高质量图片 | NA | NA | NA | NA |
| 1012 | 2024-11-27 |
Engagement and learning approaches among medical students in an online surgical teaching programme: A cross-sectional study
2024-Dec, Surgery open science
IF:1.4Q3
DOI:10.1016/j.sopen.2024.10.010
PMID:39584028
|
研究论文 | 研究了在线外科教学项目中医学生的参与度和学习方法 | 使用了在线学生参与度量表（OSE）和修订版Biggs双因素学习过程问卷（R-SPQ-2F）来评估学生的参与度和学习方法 | 调查回复率较低，仅为35.4% | 评估在线外科教学项目中医学生的参与度和学习方法 | 南非一所大学的325名外科在线模块的毕业生 | NA | NA | NA | NA | NA | 325名毕业生 | NA | NA | NA | NA |
| 1013 | 2024-11-27 |
AI based diagnostics product design for osteosarcoma cells microscopy imaging of bone cancer patients using CA-MobileNet V3
2024-Dec, Journal of bone oncology
IF:3.1Q2
DOI:10.1016/j.jbo.2024.100644
PMID:39584044
|
研究论文 | 本研究利用人工智能技术，设计了一种基于CA-MobileNet V3模型的智能显微镜产品，用于骨癌患者骨肉瘤细胞的显微图像诊断 | 本研究提出了一种改进的CA-MobileNet V3模型，嵌入到创新的显微镜产品中，增强了显微镜的特征提取能力，并有助于减少诊断中的误分类 | NA | 开发一种高效的自动化分类模型，用于骨肉瘤的病理诊断 | 骨肉瘤细胞的显微图像 | 计算机视觉 | 骨癌 | 深度学习 | CA-MobileNet V3 | 图像 | NA | NA | NA | NA | NA |
| 1014 | 2024-11-27 |
Advancements in Cardiac CT Imaging: The Era of Artificial Intelligence
2024-Dec, Echocardiography (Mount Kisco, N.Y.)
DOI:10.1111/echo.70042
PMID:39584228
|
综述 | 本文综述了人工智能在心脏CT成像后处理中的应用，讨论了当前能力和未来方向 | 本文介绍了人工智能在心脏CT成像中的新工具和方法，如心肌CT灌注和分数流量储备 | 本文主要集中在综述现有技术和未来方向，未涉及具体实验或数据分析 | 探讨人工智能在心脏CT成像中的应用及其对临床诊断的影响 | 心脏CT成像中的冠状动脉钙评分、CT血管造影、分数流量储备、心肌CT灌注和心外膜脂肪组织 | 计算机视觉 | 心血管疾病 | 人工智能、机器学习、深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 1015 | 2024-11-26 |
Establishment of a novel tumor neoantigen prediction tool for personalized vaccine design
2024-12-31, Human vaccines & immunotherapeutics
IF:4.1Q2
DOI:10.1080/21645515.2023.2300881
PMID:38214336
|
研究论文 | 本文开发了一种新的肿瘤新抗原预测工具NUCC，用于个性化疫苗设计，以优化胃癌患者的个性化新抗原纳米疫苗平台 | NUCC预测工具通过深度学习方法训练，表现出比传统工具更好的新抗原预测性能 | NA | 优化胃癌患者的个性化新抗原纳米疫苗平台 | 胃癌患者的新抗原预测 | 机器学习 | 胃癌 | 深度学习 | 深度学习模型 | 肽段数据 | 25名晚期胃癌患者和150个候选突变肽段，其中13个通过体外免疫原性测试证实为新抗原 | NA | NA | NA | NA |
| 1016 | 2024-11-26 |
AI-powered visual diagnosis of vulvar lichen sclerosus: A pilot study
2024-Dec, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20306
PMID:39194285
|
研究论文 | 开发了一种基于机器学习的图像识别模型，用于区分外阴硬化性苔藓和非外阴硬化性苔藓的皮肤图像 | 首次使用深度卷积神经网络进行外阴硬化性苔藓的视觉诊断 | 需要前瞻性研究在真实世界环境中验证模型的适用性和准确性 | 开发一种基于图像的机器学习模型，用于早期诊断外阴硬化性苔藓 | 外阴硬化性苔藓和非外阴硬化性苔藓的皮肤图像 | 计算机视觉 | 外阴硬化性苔藓 | 深度卷积神经网络 | CNN | 图像 | 共包含684张外阴硬化性苔藓图像和403张非外阴硬化性苔藓图像 | NA | NA | NA | NA |
| 1017 | 2024-11-26 |
Histopathologic Differential Diagnosis and Estrogen Receptor/Progesterone Receptor Immunohistochemical Evaluation of Breast Carcinoma Using a Deep Learning-Based Artificial Intelligence Architecture
2024-Dec, The American journal of pathology
DOI:10.1016/j.ajpath.2024.08.011
PMID:39241826
|
研究论文 | 本文利用深度学习技术对乳腺浸润性导管癌（IDC）和导管原位癌（DCIS）进行病理学鉴别诊断，并评估雌激素受体（ER）/孕激素受体（PR）的免疫组化染色 | 开发了一种新的基于深度学习的人工智能架构，并建立了组织良好的数据集，以促进IDC/DCIS的病理学诊断和ER/PR的免疫染色评分 | NA | 利用人工智能技术减少病理学家在阅读全切片图像（WSIs）时的观察者间变异性 | 乳腺浸润性导管癌（IDC）和导管原位癌（DCIS）的病理学鉴别诊断及ER/PR的免疫组化评估 | 数字病理学 | 乳腺癌 | 深度学习 | YOLOv8 | 图像 | 进行了三轮环形研究（RS）以评估WSIs | NA | NA | NA | NA |
| 1018 | 2024-11-26 |
Weakly supervised deep learning image analysis can differentiate melanoma from naevi on haematoxylin and eosin-stained histopathology slides
2024-Dec, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20307
PMID:39215631
|
研究论文 | 本文评估了弱监督深度学习图像分类器在区分H&E染色病理切片上的黑色素瘤和痣的能力 | 使用弱监督深度学习方法，相比全监督方法，能够利用更大的训练数据集 | 需要外部验证和进一步评估较少出现的组织学亚型和边缘病例 | 评估弱监督深度学习图像分类器在区分黑色素瘤和痣方面的诊断价值 | H&E染色病理切片上的黑色素瘤和痣 | 数字病理学 | 皮肤癌 | 弱监督深度学习 | 多实例学习模型（Trans-MIL, CLAM, DTFD-MIL） | 图像 | 520个样本（260个痣和260个黑色素瘤） | NA | NA | NA | NA |
| 1019 | 2024-11-26 |
Weak supervision, strong results: Automating melanocyte lesion diagnosis with deep learning
2024-Dec, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20382
PMID:39582480
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1020 | 2024-11-25 |
Automated tablet defect detection and the prediction of disintegration time and crushing strength with deep learning based on tablet surface images
2024-Dec-25, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2024.124896
PMID:39489389
|
研究论文 | 本文提出了一种基于深度学习的自动检测片剂缺陷并预测崩解时间和抗压强度的方法 | 利用YOLOv5算法进行实时缺陷识别和基于表面纹理预测崩解时间和抗压强度 | 仍有进一步改进的空间 | 提高制药生产中的质量控制和效率 | 片剂的缺陷检测、崩解时间和抗压强度的预测 | 计算机视觉 | NA | 深度学习 | YOLOv5 | 图像 | 涉及五种不同类别的缺陷 | NA | NA | NA | NA |