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 1282 篇文献，本页显示第 1281 - 1282 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1281 | 2026-01-11 |
Integrating Kolmogorov-Arnold networks with ordinary differential equations for efficient, interpretable, and robust deep learning: Epidemiology of infectious diseases as a case study
2026-Jun, Infectious Disease Modelling
IF:3.0Q1
DOI:10.1016/j.idm.2025.12.006
PMID:41503372
|
研究论文 | 本研究通过将Kolmogorov-Arnold网络与常微分方程结合，提出KAN-UDE框架，用于实现高效、可解释且稳健的深度学习，并以新发传染病流行病学为案例进行验证 | 将Kolmogorov-Arnold网络整合到通用微分方程框架中，相比基于多层感知机的UDE，显著提升了拟合性能，并在部分时间序列数据下实现了非线性函数的精确重建，同时保持了可解释性 | 在考虑真实世界数据随机性时，KAN-UDE模型的稳健性和准确性较低 | 开发一种高效、可解释且稳健的深度学习框架，用于建模和分析复杂动态系统 | 新发传染病的流行病学动态 | 机器学习 | 传染病 | 常微分方程建模 | Kolmogorov-Arnold网络, 通用微分方程 | 时间序列数据 | NA | NA | Kolmogorov-Arnold网络 | 损失函数 | NA |
| 1282 | 2026-01-09 |
Performance of deep-learning reconstruction combined with metal artifact reduction algorithm for dual-energy computed tomography angiography in intracranial aneurysm coil embolization
2026-Jun, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2025.100715
PMID:41492271
|
研究论文 | 本研究评估了深度学习图像重建结合金属伪影减少算法在颅内动脉瘤弹簧圈栓塞后双能CT血管成像中的诊断性能 | 首次将深度学习图像重建与金属伪影减少算法结合应用于颅内动脉瘤弹簧圈栓塞后的双能CT血管成像，并确定了80-90 keV为最优能量范围 | 样本量较小（54例患者），且为单中心前瞻性研究，需要更大规模的多中心验证 | 评估深度学习图像重建结合金属伪影减少算法在颅内动脉瘤弹簧圈栓塞后随访中的诊断信心和最优方案选择 | 颅内动脉瘤弹簧圈栓塞后的患者 | 医学影像分析 | 颅内动脉瘤 | 双能计算机断层扫描血管成像 | 深度学习图像重建 | CT图像 | 54例患者的前瞻性CTA数据库 | NA | NA | 伪影指数, 信噪比, 对比噪声比, Likert量表评分 | NA |