深度学习在生物医药领域中的应用
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，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10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 1312 篇文献，本页显示第 1181 - 1200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1181 | 2025-02-04 |
Rapid in vivo EPID image prediction using a combination of analytically calculated attenuation and AI predicted scatter
2025-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17549
PMID:39607282
|
研究论文 | 本文提出了一种结合分析计算衰减和AI预测散射的深度学习方法，用于快速预测体内EPID图像 | 使用深度学习方法替代传统的蒙特卡罗算法，显著提高了预测速度，并仅需患者信息进行训练 | 部分图像的通过率较低，原因包括CBCT伪影和患者在CBCT与治疗之间的运动 | 测试使用患者数据创建深度学习模型以预测IMRT治疗中体内EPID图像的可行性和可靠性 | IMRT治疗中的体内EPID图像 | 数字病理 | NA | 卷积神经网络（CNN） | CNN | 图像 | 193个IMRT场/图像，来自93名患者，以及75个用于进一步验证的图像 |
| 1182 | 2025-02-04 |
A comprehensive review on early detection of drusen patterns in age-related macular degeneration using deep learning models
2025-Feb, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2024.104454
PMID:39716627
|
综述 | 本文综述了使用深度学习模型早期检测年龄相关性黄斑变性（AMD）中玻璃膜疣模式的全面研究 | 提出了一种基于深度学习的模型，通过结合局部和全局知识来优化AMD早期阶段的玻璃膜疣检测 | 现有模型由于眼底图像分辨率问题，难以准确预测玻璃膜疣区域 | 研究目的是通过深度学习技术早期检测AMD中的玻璃膜疣模式 | 研究对象是年龄相关性黄斑变性（AMD）患者的眼底图像 | 计算机视觉 | 老年疾病 | 深度学习 | 深度学习模型 | 图像 | NA |
| 1183 | 2025-02-04 |
Multi-Dimensional Features Extraction for Voice Pathology Detection Based on Deep Learning Methods
2025-Feb-01, Journal of voice : official journal of the Voice Foundation
IF:2.5Q1
DOI:10.1016/j.jvoice.2024.12.048
PMID:39894721
|
研究论文 | 本文提出了一种基于深度学习的多维特征提取方法，用于语音病理检测 | 提出了一种结合Gammatonegram特征与TKEO Scalogram特征的特征提取方案，命名为CGT Scalogram | NA | 提高语音病理检测的准确性 | 健康语音与病理语音 | 自然语言处理 | 语音障碍 | 深度学习 | ResNet | 语音信号 | Saarbrucken语音数据库 |
| 1184 | 2025-02-04 |
Enhancing feature-aided data association tracking in passive sonar arrays: An advanced Siamese network approach
2025-Feb-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0035577
PMID:39898705
|
研究论文 | 本文提出了一种基于Siamese网络的高级网络BiChannel-SiamDinoNet，用于改进被动声纳阵列中的特征辅助数据关联跟踪方法 | 提出了BiChannel-SiamDinoNet网络，结合Siamese网络和联合概率数据关联框架，通过声学目标的特征结构形成嵌入空间，使系统对变化更加鲁棒，并能有效区分测量和目标之间的差异 | 未提及具体局限性 | 改进被动声纳阵列中的多目标跟踪方法，提高在复杂海洋场景中的性能 | 被动声纳阵列中的多目标跟踪 | 机器学习 | NA | 深度学习 | Siamese网络 | 声学信号 | 未提及具体样本数量 |
| 1185 | 2025-02-03 |
A review on real time implementation of soft computing techniques in thermal power plant
2025-Feb, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2429721
PMID:39601783
|
综述 | 本文综述了2019年至2023年间关于利用软计算技术（包括AI-ML和DL）提高热电厂生产力的研究 | 提供了对现有研究的全面总结，并评估了传统AI方法在提高热电厂生产力方面的有效性 | 仅限于2019年至2023年间的研究，可能未涵盖所有相关研究 | 提高热电厂的生产力 | 热电厂 | 机器学习 | NA | AI-ML, DL | NA | NA | NA |
| 1186 | 2025-02-03 |
Ultra-low-dose coronary CT angiography via super-resolution deep learning reconstruction: impact on image quality, coronary plaque, and stenosis analysis
2025-Feb-01, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11399-2
PMID:39891682
|
研究论文 | 本研究探讨了超分辨率深度学习重建（SR-DLR）在冠状动脉CT血管造影（CCTA）中减少辐射暴露的能力，并评估其对图像质量、冠状动脉斑块定量和表征以及狭窄严重性分析的影响 | 使用SR-DLR算法在CCTA中实现了60%的辐射剂量减少，同时保持了高图像质量和在冠状动脉斑块及狭窄分析中的优异表现 | 样本量较小，仅包括50名患者，且未进行长期随访以评估SR-DLR的长期效果 | 评估SR-DLR在CCTA中减少辐射剂量的能力及其对图像质量和临床分析的影响 | 50名接受低剂量（LD）和超低剂量（ULD）CCTA扫描的患者 | 医学影像 | 心血管疾病 | 超分辨率深度学习重建（SR-DLR） | 深度学习 | 医学影像 | 50名患者 |
| 1187 | 2025-02-03 |
Normative values for lung, bronchial sizes, and bronchus-artery ratios in chest CT scans: from infancy into young adulthood
2025-Feb-01, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11367-w
PMID:39891681
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1188 | 2025-02-03 |
Hybrid deep learning based stroke detection using CT images with routing in an IoT environment
2025-Feb-01, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2452280
PMID:39893512
|
研究论文 | 本文提出了一种基于混合深度学习的CT图像中风检测方法，结合物联网技术进行数据传输 | 提出了一种新的Jaccard_Residual SqueezeNet模型，用于从CT图像中预测中风，并结合物联网技术进行数据传输 | 未提及具体的研究局限性 | 提高中风病变的早期检测和准确分割，以改善治疗效果和减少长期残疾 | CT图像中的中风病变 | 计算机视觉 | 中风 | CT成像 | Jaccard_Residual SqueezeNet | 图像 | 未提及具体样本数量 |
| 1189 | 2025-02-02 |
The influence of a deep learning tool on the performance of oral and maxillofacial radiologists in the detection of apical radiolucencies
2025-Feb-01, Dento maxillo facial radiology
DOI:10.1093/dmfr/twae054
PMID:39656660
|
研究论文 | 本研究评估了深度学习模型对口腔放射科医生在检测根尖周透亮区方面的影响，并分析了经验、诊断时间和专业对诊断结果的影响 | 首次评估了深度学习模型在口腔放射科医生检测根尖周透亮区中的实际应用效果，并分析了影响诊断结果的关键因素 | 样本量较小（68张影像），且仅使用了深度学习模型的测试版，可能影响结果的普遍性 | 评估深度学习模型对口腔放射科医生检测根尖周透亮区的影响，并分析影响诊断结果的因素 | 口腔放射科医生和68张根尖周X光片 | 数字病理 | 口腔疾病 | 深度学习 | 深度学习模型（Denti.AI） | 影像 | 68张根尖周X光片 |
| 1190 | 2025-02-02 |
On-chip deep residual photonic neural networks using optical-electrical shortcut connections
2025-Feb-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.549158
PMID:39888773
|
研究论文 | 本文提出了一种片上深度残差光子神经网络架构（Res-PNN），通过使用光电快捷连接来解决深度光子神经网络训练中的梯度消失和爆炸问题 | 提出了光电快捷连接的设计，通过功率分配器、波长解复用器和光电探测器直接连接光学权重层的输入和输出，从而稳定训练更深的PNN | 未提及具体硬件实现的复杂性和成本问题 | 解决深度光子神经网络训练中的梯度消失和爆炸问题，提升分类准确率 | 片上光子神经网络 | 机器学习 | NA | 光电快捷连接 | Res-PNN | 图像 | CIFAR-10和CIFAR-100数据集 |
| 1191 | 2024-11-24 |
[Ecological sustainability of deep learning in pathology : A modeling study]
2025-Feb, Pathologie (Heidelberg, Germany)
DOI:10.1007/s00292-024-01382-x
PMID:39578266
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1192 | 2025-02-01 |
Development of multistage crop yield estimation model using machine learning and deep learning techniques
2025-Feb, International journal of biometeorology
IF:3.0Q2
DOI:10.1007/s00484-024-02829-9
PMID:39643782
|
研究论文 | 本研究应用机器学习和深度学习技术，基于多元气象时间序列数据，开发了用于估计旁遮普五个地区小麦产量的多阶段模型 | 创新点在于结合了多种机器学习模型（SMLR、ANN、SVR、RF和DNN）和多阶段作物生长数据，进行小麦产量估计 | 研究仅限于旁遮普五个地区的小麦产量估计，可能无法直接推广到其他地区或作物 | 研究目的是开发一个多阶段小麦产量估计模型，以提高产量预测的准确性 | 研究对象是旁遮普五个地区的小麦产量和气象数据 | 机器学习 | NA | 多元气象时间序列数据分析 | SMLR, ANN, SVR, RF, DNN | 时间序列数据 | 34年的小麦产量和气象数据 |
| 1193 | 2025-02-01 |
Let it shine: Autofluorescence of Papanicolaou-stain improves AI-based cytological oral cancer detection
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109498
PMID:39662319
|
研究论文 | 本研究通过多模态成像和深度多模态信息融合，改进基于AI的口腔癌细胞学检测 | 引入荧光成像和多模态信息融合策略，提升细胞学样本的诊断信息量和分类性能 | 详细的细胞级注释不可行，限制了模型性能的评估和结果解释 | 改进基于AI的口腔癌早期检测方法 | 健康人群和癌症患者的刷检细胞学样本 | 数字病理学 | 口腔癌 | 多模态成像（亮场和荧光显微镜成像） | 弱监督深度学习，Co-Attention Fusion Network (CAFNet) | 图像 | 健康人群和癌症患者的刷检细胞学样本 |
| 1194 | 2025-01-31 |
Deep learning-based overall survival prediction in patients with glioblastoma: An automatic end-to-end workflow using pre-resection basic structural multiparametric MRIs
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109436
PMID:39637462
|
研究论文 | 本文开发了一种基于深度学习的端到端工作流程，用于使用术前基本结构多参数磁共振图像（Bas-mpMRI）预测胶质母细胞瘤（GBM）患者的总体生存期（OS） | 提出了一个包含颅骨剥离模型、GBM亚区分割模型和基于集成学习的OS预测模型的端到端工作流程，并利用对比学习进行OS预测 | 尽管在不同Bas-mpMRI协议下表现良好，但在独立数据集上的AUC仅为0.72，表明模型在外部验证时可能存在一定的局限性 | 开发一种自动化、准确的早期生存预测方法，以辅助GBM患者的及时治疗决策 | 胶质母细胞瘤（GBM）患者 | 数字病理学 | 胶质母细胞瘤 | 深度学习 | 集成学习模型 | 多参数磁共振图像（Bas-mpMRI） | 235名患者（来自MICCAI BraTS 2020挑战赛的多机构公共数据集）和19名GBM患者（来自5次SRS临床试验的机构数据集） |
| 1195 | 2025-01-31 |
ItpCtrl-AI: End-to-end interpretable and controllable artificial intelligence by modeling radiologists' intentions
2025-Feb, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2024.103054
PMID:39689443
|
研究论文 | 本文提出了一种名为ItpCtrl-AI的端到端可解释和可控的人工智能框架，旨在模拟放射科医生的决策过程，通过模拟放射科医生的眼动模式来生成注意力热图，并用于诊断医学影像中的发现 | 提出了一种新的端到端可解释和可控的AI框架，通过模拟放射科医生的眼动模式生成注意力热图，并允许用户进行方向性输入，从而增强模型的可解释性和可控性 | NA | 解决深度学习在计算机辅助诊断系统中缺乏可解释性的问题，提高诊断的准确性和透明度 | 放射科医生的决策过程和医学影像中的发现 | 计算机视觉 | NA | 深度学习 | 端到端可解释和可控的AI框架 | 医学影像和眼动数据 | 创建了一个名为Diagnosed-Gaze++的数据集，包含医学发现与眼动数据的对齐 |
| 1196 | 2025-01-31 |
TransformerLSR: Attentive joint model of longitudinal data, survival, and recurrent events with concurrent latent structure
2025-Feb, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2024.103056
PMID:39705769
|
研究论文 | 本文提出了TransformerLSR，一种基于Transformer的深度建模和推理框架，用于同时联合建模纵向数据、生存数据和复发事件 | TransformerLSR首次将深度时间点过程整合到联合建模框架中，处理复发和终止事件作为两个竞争过程，并引入了新的轨迹表示和模型架构以整合已知的潜在结构 | 当前方法仅处理定期观察时间的纵向测量和生存事件的联合建模，忽略了复发事件 | 开发一个灵活的框架来联合建模纵向测量、复发事件和生存数据，同时考虑它们的依赖关系 | 肾移植后的患者 | 机器学习 | NA | 深度时间点过程 | Transformer | 纵向数据、生存数据、复发事件数据 | NA |
| 1197 | 2025-01-31 |
ECCDN-Net: A deep learning-based technique for efficient organic and recyclable waste classification
2025-Feb-01, Waste management (New York, N.Y.)
DOI:10.1016/j.wasman.2024.12.023
PMID:39705887
|
研究论文 | 本文提出了一种基于深度学习的有机和可回收废物分类技术，旨在提高垃圾图像分类的准确性和效率 | 提出了一个名为ECCDN-Net的新型深度学习模型，结合了Densenet201和Resnet18的优点，并通过辅助输出来优化分类过程 | NA | 提高垃圾图像分类的准确性和效率，以优化废物管理策略 | 有机和可回收废物的图像 | 计算机视觉 | NA | 深度学习 | ECCDN-Net, InceptionV2, Densenet201, MobileNet v2, Resnet18 | 图像 | 24,705张图像，分为有机和可回收两类 |
| 1198 | 2025-01-31 |
ConvXGB: A novel deep learning model to predict recurrence risk of early-stage cervical cancer following surgery using multiparametric MRI images
2025-Feb, Translational oncology
IF:4.5Q1
DOI:10.1016/j.tranon.2025.102281
PMID:39799749
|
研究论文 | 本文开发并验证了一种名为ConvXGB的深度学习模型，用于预测宫颈癌患者术后复发风险 | 结合卷积神经网络（CNN）和极端梯度提升（XGBoost）开发了新的深度学习模型ConvXGB，用于预测宫颈癌术后复发风险 | NA | 开发并验证一种深度学习模型，用于预测宫颈癌患者术后复发风险 | 406名宫颈癌患者的临床病理数据和多参数MRI图像 | 数字病理学 | 宫颈癌 | 多参数MRI | CNN, XGBoost | 图像 | 406名宫颈癌患者 |
| 1199 | 2025-01-31 |
A deep learning framework for in silico screening of anticancer drugs at the single-cell level
2025-Feb, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwae451
PMID:39872221
|
研究论文 | 本文介绍了一个名为Shennong的深度学习框架，用于在单细胞水平上进行抗癌药物的计算机筛选 | 利用泛癌和泛组织单细胞转录组数据揭示恶性细胞、癌前细胞以及癌症相关基质和内皮细胞的异质性表达模式，并开发了Shennong框架进行药物筛选 | 未提及具体的数据集大小和模型验证的局限性 | 提高抗癌药物筛选的准确性和效率，加速药物发现过程 | 恶性细胞、癌前细胞、癌症相关基质和内皮细胞 | 数字病理学 | 癌症 | 单细胞RNA测序（scRNA-seq） | 深度学习 | 单细胞转录组数据 | 未提及具体样本数量 |
| 1200 | 2025-01-29 |
Synergistic effect evaluation method of atmospheric emission reduction based on deep learning fusion model
2025-Feb-15, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2024.136709
PMID:39637781
|
研究论文 | 本文提出了一种基于深度学习融合模型的大气减排协同效应评估方法，旨在模拟排放对空气质量的影响 | 开发了一种新的深度学习融合模型GR-BILSTM，结合生成对抗网络进行数据增强和ResNet-BILSTM模型，有效解决了深度网络中的梯度消失问题，并捕捉高维数据特征，提高了模型的预测精度 | 未提及具体的数据集规模或实验验证的局限性 | 评估大气减排的协同效应，模拟排放对空气质量的影响 | 工业园区的排放与空气污染之间的关系 | 机器学习 | NA | 深度学习 | GR-BILSTM（生成对抗网络与ResNet-BILSTM融合模型） | 空气质量数据 | 未提及具体样本数量 |