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 33459 篇文献，本页显示第 22521 - 22540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 22521 | 2024-11-10 |
Machine learning models for river flow forecasting in small catchments
2024-Nov-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-78012-2
PMID:39501028
|
研究论文 | 研究探讨了在小流域中使用深度学习模型进行河流流量预测的可行性 | 提出了结合不同输入数据集的模型组合方法，以提供更全面的河流流量未来演变描述 | 随着预测时间的增加，预测的不确定性增加，需要使用能提供预测置信区间的机器学习模型来减少不确定性 | 开发新的工具以减轻气候变化带来的水文地质风险，特别是在小流域中 | 小流域中的河流流量 | 机器学习 | NA | 深度学习 | 深度学习模型 | 河流流量数据 | NA | NA | NA | NA | NA |
| 22522 | 2024-11-10 |
Study on virtual tooth image generation utilizing CF-fill and Pix2pix for data augmentation
2024-11-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-78190-z
PMID:39501064
|
研究论文 | 本文提出了一种利用图像到图像转换（pix2pix）和上下文重建填充（CR-Fill）生成虚拟牙齿图像的方法，以简化牙科修复过程 | 本文的创新点在于结合pix2pix和CR-Fill技术生成虚拟牙齿图像，并验证了这些虚拟图像在训练数据中的有效性 | 仅使用虚拟图像作为训练数据的效果不如同时使用真实和虚拟图像 | 简化牙科修复过程，减少传统牙科修复所需的工作量和时间 | 牙齿扫描图像和虚拟牙齿图像 | 计算机视觉 | NA | 图像到图像转换（pix2pix）和上下文重建填充（CR-Fill） | pix2pix | 图像 | 未具体说明样本数量 | NA | NA | NA | NA |
| 22523 | 2024-11-10 |
Developing a 10-Layer Retinal Segmentation for MacTel Using Semi-Supervised Learning
2024-Nov-04, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.11.2
PMID:39499591
|
研究论文 | 开发了一种用于MacTel的10层视网膜分割的半监督学习模型 | 通过利用未标记图像，该模型在视网膜层和特征的分割上显著优于其他模型 | 在某些特征（如内界膜上方的预视网膜空间和视网膜色素上皮下方的背景）上，所有模型的表现相似 | 提高OCT图像中MacTel病理的自动分割性能 | Macular Telangiectasia Type II (MacTel)患者的视网膜层和特征 | 计算机视觉 | NA | 半监督学习 | 深度学习模型 | 图像 | 使用了一个小规模的标记数据集，并利用了未标记图像 | NA | NA | NA | NA |
| 22524 | 2024-11-10 |
Background removal for debiasing computer-aided cytological diagnosis
2024-Nov, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03169-0
PMID:38918281
|
研究论文 | 本文提出了一种基于深度学习的细胞分割和背景去除方法，用于解决计算机辅助细胞学诊断中的背景偏差问题 | 无需细胞标注，利用背景冗余和细胞稀疏性，通过U-Net模型在无监督方式下进行细胞分割和背景去除 | 实验结果基于小规模细胞学图像集，可能需要更大规模数据集验证其泛化能力 | 解决计算机辅助细胞学诊断中的背景偏差问题 | 液基细胞学图像中的细胞分割和背景去除 | 计算机视觉 | NA | 深度学习 | U-Net | 图像 | 小规模细胞学图像集 | NA | NA | NA | NA |
| 22525 | 2024-11-10 |
Machine Learning for Localization of Premature Ventricular Contraction Origins: A Review
2024-11, Pacing and clinical electrophysiology : PACE
DOI:10.1111/pace.15089
PMID:39428720
|
综述 | 本文综述了机器学习在定位室性早搏起源中的应用、优势、劣势及未来研究方向 | 机器学习和深度学习在电生理学研究中作为强大的分析工具，逐渐发挥重要作用 | 未具体提及 | 提供机器学习在定位室性早搏起源中的发展概述，为临床医生和研究人员提供参考 | 室性早搏的起源定位 | 机器学习 | 心血管疾病 | 机器学习 (ML), 深度学习 (DL) | 未具体提及 | 心电图 (ECG), 计算机断层扫描 (CT), 磁共振成像 (MRI) | 未具体提及 | NA | NA | NA | NA |
| 22526 | 2024-11-10 |
Deep learning-based osteochondritis dissecans detection in ultrasound images with humeral capitellum localization
2024-Nov, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-023-03040-8
PMID:38233599
|
研究论文 | 本文提出了一种基于深度学习的超声图像中肱骨髁骨软骨病（OCD）检测方法 | 通过使用YOLO检测肱骨髁并利用VGG16估计OCD概率，提高了分类性能 | 未来研究需要评估该方法在临床检查中的有效性 | 开发一种基于深度学习的超声图像分类模型，用于计算机辅助诊断OCD | 肱骨髁骨软骨病（OCD） | 计算机视觉 | 运动损伤 | 深度学习 | YOLO, VGG16 | 图像 | 158个样本（OCD: 67, 正常: 91） | NA | NA | NA | NA |
| 22527 | 2024-11-10 |
Deep learning-based automatic pipeline for 3D needle localization on intra-procedural 3D MRI
2024-Nov, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03077-3
PMID:38520646
|
研究论文 | 本文提出了一种基于深度学习的自动管道，用于在术中3D MRI上进行3D针定位 | 该方法采用Shifted Window (Swin) Transformers和粗到细的分割策略，能够在有限的训练数据集上实现快速且准确的3D针定位 | 该方法的评估仅基于49个术中3D MR图像，未来需要在更多样本上进行验证 | 开发一种自动化的深度学习方法，用于在术中3D MRI上快速且准确地定位针 | 术中3D MRI上的针定位 | 计算机视觉 | NA | Shifted Window (Swin) Transformers | Swin UNETR, Swin Transformer | 3D MRI图像 | 49个术中3D MR图像 | NA | NA | NA | NA |
| 22528 | 2024-11-10 |
A pilot study of AI-assisted reading of prostate MRI in Organized Prostate Cancer Testing
2024-Oct-29, Acta oncologica (Stockholm, Sweden)
DOI:10.2340/1651-226X.2024.40475
PMID:39473176
|
研究论文 | 评估在前列腺癌筛查中使用AI辅助阅读前列腺MRI的可行性 | 首次在前列腺癌筛查中应用深度学习算法辅助MRI阅读 | 深度学习算法与当地和专家放射科医生的共识一致性较低 | 评估AI辅助阅读前列腺MRI在前列腺癌筛查中的可行性 | 前列腺MRI图像和放射科医生的评估结果 | 计算机视觉 | 前列腺癌 | 深度学习 | DL | 图像 | 57名PSA水平≥3 µg/L的男性 | NA | NA | NA | NA |
| 22529 | 2024-11-10 |
Machine Learning Using Template-Based-Predicted Structure of Haemagglutinin Predicts Pathogenicity of Avian Influenza
2024-Oct-28, Journal of microbiology and biotechnology
IF:2.5Q3
DOI:10.4014/jmb.2405.05022
PMID:39252651
|
研究论文 | 本研究利用深度学习方法，通过模板预测的血凝素结构来预测禽流感的致病性 | 引入了一种新的管道，利用开源工具将蛋白质结构转换为适合计算分析的格式，并结合主成分分析和单类支持向量机提高了模型的鲁棒性 | NA | 开发一种快速准确识别高致病性禽流感毒株的方法 | 禽流感病毒的血凝素和神经氨酸酶类型 | 机器学习 | NA | 主成分分析，单类支持向量机，K近邻算法 | 二维卷积神经网络 | 基因组数据 | 12,143个禽流感病毒基因组，来自64个国家，涵盖119种血凝素和神经氨酸酶类型 | NA | NA | NA | NA |
| 22530 | 2024-11-10 |
Deep learning to assess bone quality from panoramic radiographs: the feasibility of clinical application through comparison with an implant surgeon and cone-beam computed tomography
2024-Oct, Journal of periodontal & implant science
DOI:10.5051/jpis.2302880144
PMID:38725425
|
研究论文 | 本研究评估了深度学习（DL）通过全景（PA）放射图像评估骨质量的临床应用可行性，并与种植外科医生的主观触觉和锥束计算机断层扫描（CBCT）值进行了比较 | 首次使用深度学习技术通过全景放射图像评估骨质量，并与传统方法和CBCT值进行比较 | 研究样本量较小，需要基于高质量定量数据集的进一步研究以提高方法的可靠性和有效性 | 评估深度学习在通过全景放射图像评估骨质量方面的临床应用可行性 | 种植外科医生的主观触觉、CBCT值以及深度学习分类结果 | 计算机视觉 | NA | 深度学习 | ResNet-50 | 图像 | 2,270个无牙种植位点的全景图像 | NA | NA | NA | NA |
| 22531 | 2024-11-10 |
Advances in AI and machine learning for predictive medicine
2024-Oct, Journal of human genetics
IF:2.6Q2
DOI:10.1038/s10038-024-01231-y
PMID:38424184
|
综述 | 本文探讨了深度学习在精准医学预测建模中的应用，特别是卷积神经网络（CNNs）在处理组学数据中的潜力 | 本文介绍了通过DeepInsight等转换方法将表格形式的组学数据转化为图像表示，从而使CNNs能够有效捕捉潜在特征，增强预测能力并利用迁移学习 | 本文指出在组学数据分析中应用CNNs存在模型可解释性、数据异质性和数据规模等问题 | 探讨深度学习在精准医学预测建模中的应用 | 组学数据及其在精准医学中的预测建模 | 机器学习 | NA | 深度学习 | 卷积神经网络（CNN） | 表格数据 | NA | NA | NA | NA | NA |
| 22532 | 2024-11-10 |
Application of Artificial Intelligence in Ophthalmology: An Updated Comprehensive Review
2024 Jul-Sep, Journal of ophthalmic & vision research
IF:1.6Q3
DOI:10.18502/jovr.v19i3.15893
PMID:39359529
|
综述 | 本文综述了人工智能在眼科领域的最新进展和挑战 | 介绍了AI在糖尿病视网膜病变、青光眼、年龄相关性黄斑变性等多种眼科疾病中的应用，并探讨了其在疾病筛查和治疗决策中的潜力 | 训练数据的质量和多样性、缺乏严格的临床验证、监管批准和临床医生信任的挑战，以及AI与现有临床工作流程的整合和决策透明性问题 | 探讨人工智能在眼科护理中的应用及其对疾病筛查、诊断和治疗计划优化的影响 | 主要眼科疾病，包括糖尿病视网膜病变、青光眼、年龄相关性黄斑变性等 | 计算机视觉 | NA | 机器学习和深度学习 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 22533 | 2024-11-10 |
Sugarcane leaf dataset: A dataset for disease detection and classification for machine learning applications
2024-Apr, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2024.110268
PMID:38533124
|
研究论文 | 本文介绍了一个名为“甘蔗叶数据集”的新数据集，用于甘蔗疾病检测和分类的机器学习应用 | 该数据集包含了6748张高分辨率甘蔗叶图像，分为九种疾病类别、健康叶类别和枯叶类别，覆盖了多种甘蔗疾病，为机器学习算法的发展提供了宝贵的资源 | NA | 开发用于甘蔗叶疾病检测和分类的机器学习算法 | 甘蔗叶及其相关疾病 | 机器学习 | NA | 深度学习、特征提取、模式识别 | NA | 图像 | 6748张甘蔗叶图像 | NA | NA | NA | NA |
| 22534 | 2024-11-10 |
Deep learning-based target tracking with X-ray images for radiotherapy: a narrative review
2024-Mar-15, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-23-1489
PMID:38545053
|
综述 | 本文综述了基于深度学习的放射治疗中使用X射线图像进行目标跟踪的现状，并讨论了现有局限性和潜在解决方案 | 探讨了深度学习在放射治疗中实时无标记目标跟踪的潜力 | 直接在2D kV X射线图像上实时定位肿瘤和危及器官仍然具有挑战性，需要更多技术和临床努力 | 综述基于深度学习的放射治疗中使用2D kV X射线图像进行目标跟踪的现状，并讨论其局限性和未来发展方向 | 放射治疗中的目标跟踪和运动管理 | 计算机视觉 | 癌症 | 深度学习 | 卷积神经网络 | 图像 | 23篇英文文献 | NA | NA | NA | NA |
| 22535 | 2024-11-10 |
Deep learning from atrioventricular plane displacement in patients with Takotsubo syndrome: lighting up the black-box
2024-Mar, European heart journal. Digital health
DOI:10.1093/ehjdh/ztad077
PMID:38505490
|
研究论文 | 本研究利用深度卷积神经网络（DCNN）分析心尖球形综合征（TTS）患者的心脏超声视频，以提高诊断的准确性和解释性 | 本研究通过梯度加权类激活映射分析，可视化了DCNN在区分TTS和前壁ST段抬高型心肌梗死（STEMI）中的作用，揭示了潜在的影像学特征 | NA | 提高心尖球形综合征（TTS）诊断的准确性和解释性 | 心尖球形综合征（TTS）和前壁ST段抬高型心肌梗死（STEMI）患者 | 计算机视觉 | 心血管疾病 | 深度卷积神经网络（DCNN） | DCNN | 视频 | 300名患者（150名TTS患者和150名STEMI患者） | NA | NA | NA | NA |
| 22536 | 2024-11-10 |
The automated Greulich and Pyle: a coming-of-age for segmental methods?
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1326488
PMID:38533467
|
研究论文 | 本文回顾了自动化骨龄评估方法的成功与局限，并提出了一种新的假设，即深度学习网络在预测骨龄时捕捉到了超出参考类别的细微差别 | 提出了一个新的假设，即深度学习网络在预测骨龄时捕捉到了超出参考类别的细微差别，并建议使用基于特征骨组的评分来解释预测偏差 | 未具体提及 | 探讨自动化骨龄评估方法的进展及其潜在应用 | 骨龄评估方法及其自动化应用 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 22537 | 2024-11-10 |
A review of mechanistic learning in mathematical oncology
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1363144
PMID:38533513
|
综述 | 本文综述了数学肿瘤学中机制学习的现状，并展望了其在肿瘤学领域的发展前景 | 本文提出了机制学习的四种分类（顺序、并行、外在、内在），并讨论了物理信息神经网络、代理模型学习和数字孪生等技术 | 本文未详细讨论机制学习在其他医学领域的应用 | 探讨机制学习在肿瘤学中的应用及其未来发展 | 机制学习在肿瘤学中的应用，包括纵向肿瘤反应预测和时间到事件建模 | 机器学习 | 肿瘤学 | 物理信息神经网络、代理模型学习、数字孪生 | NA | NA | NA | NA | NA | NA | NA |
| 22538 | 2024-11-10 |
Automatic segmentation of atrial fibrillation and flutter in single-lead electrocardiograms by self-supervised learning and Transformer architecture
2023-12-22, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocad219
PMID:37949101
|
研究论文 | 本文开发了一种基于Transformer架构和自监督学习的深度学习模型，用于单导联心电图中的房颤和房扑自动分割 | 本文首次将Transformer架构与自监督学习结合，用于单导联心电图中的房颤和房扑分割 | 本文仅在11个公开数据库和24个外部验证样本上进行了验证，未来需在更多临床数据上进行验证 | 开发一种自动检测房颤和房扑的深度学习模型，以预防中风和缓解血流动力学不稳定 | 单导联心电图中的房颤和房扑 | 机器学习 | 心血管疾病 | 自监督学习 | Transformer | 心电图 | 11个公开数据库中的心电图数据，以及24个外部验证样本 | NA | NA | NA | NA |
| 22539 | 2024-11-10 |
Diffusion Models To Predict 3D Late Mechanical Activation From Sparse 2D Cardiac MRIs
2023-Dec, Proceedings of machine learning research
PMID:38525446
|
研究论文 | 本文提出了一种基于形状约束扩散模型从稀疏的2D心脏MRI图像预测3D晚期机械激活（LMA）图的方法 | 本文的创新点在于利用从训练数据中学习到的对象形状作为先验知识，指导3D重建过程，而不是仅仅依赖于图像强度的空间相关性 | NA | 确定心脏再同步治疗中最佳起搏点的关键在于识别左心室心肌的晚期机械激活区域 | 左心室心肌的3D晚期机械激活图 | 计算机视觉 | 心血管疾病 | 深度学习 | 扩散模型 | 图像 | 使用了公开的3D心肌网格数据集进行训练和测试 | NA | NA | NA | NA |
| 22540 | 2024-11-10 |
DeFine: deep convolutional neural networks accurately quantify intensities of transcription factor-DNA binding and facilitate evaluation of functional non-coding variants
2018-06-20, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gky215
PMID:29617928
|
研究论文 | 本文介绍了一种基于深度学习的模型DeFine，用于准确量化转录因子与DNA结合的强度，并评估非编码变异的功能影响 | DeFine模型不仅能够准确分类转录因子与DNA的结合与否，还能预测实值的结合强度，从而评估变异的功能影响 | NA | 开发一种能够准确预测转录因子与DNA结合强度并评估非编码变异功能影响的工具 | 转录因子与DNA结合的强度以及非编码变异的功能影响 | 机器学习 | NA | 深度学习 | 卷积神经网络 | 序列数据 | 利用大规模的转录因子ChIP-seq数据进行模型训练和验证 | NA | NA | NA | NA |