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 36465 篇文献，本页显示第 24321 - 24340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 24321 | 2024-12-06 |
Detection and Localization of Spine Disorders from Plain Radiography
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01175-x
PMID:38937344
|
研究论文 | 本文提出了一种基于深度学习的脊柱疾病检测和定位方法，使用Transformer网络从X光片中识别和定位脊柱疾病 | 首次采用Transformer网络进行脊柱疾病的端到端检测和定位，显著提高了检测准确性 | NA | 开发一种自动化的脊柱疾病检测和定位工具，以提高诊断准确性和效率 | 脊柱压缩性骨折和脊柱滑脱 | 计算机视觉 | NA | 深度学习 | Transformer | 图像 | 脊柱压缩性骨折数据集包含337张图像，脊柱滑脱数据集包含413张图像 | NA | NA | NA | NA |
| 24322 | 2024-12-06 |
Iterative Motion Correction Technique with Deep Learning Reconstruction for Brain MRI: A Volunteer and Patient Study
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01184-w
PMID:38942939
|
研究论文 | 研究了迭代运动校正（IMC）对减少脑部磁共振成像（MRI）中运动伪影的影响，并使用深度学习重建（DLR）进行图像重建 | 首次探讨了IMC与DLR结合在脑部MRI中的应用，显著减少了运动伪影 | 研究中志愿者和患者的样本量较小，且噪声增加的问题需要进一步解决 | 研究IMC对减少脑部MRI中运动伪影的效果 | 志愿者和患者的脑部MRI图像 | 计算机视觉 | NA | 磁共振成像（MRI） | 深度学习重建（DLR） | 图像 | 10名志愿者和30名患者 | NA | NA | NA | NA |
| 24323 | 2024-12-06 |
Automated Segmentation of Lymph Nodes on Neck CT Scans Using Deep Learning
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01114-w
PMID:38937342
|
研究论文 | 研究开发了一种用于颈部CT扫描中淋巴结自动分割的深度学习算法 | 首次使用深度学习算法自动分割颈部CT扫描中的淋巴结，特别是针对5-10毫米的小淋巴结 | 研究仅限于正常颈部对比增强CT扫描，未涉及癌症患者 | 开发一种非侵入性的深度学习算法，用于检测和自动分割颈部CT扫描中的淋巴结 | 颈部CT扫描中的淋巴结 | 计算机视觉 | NA | 深度学习 | U-Net 和空间上下文网络 | CT扫描图像 | 25,119张CT切片，来自221例无头颈部癌症患者的正常颈部对比增强CT扫描 | NA | NA | NA | NA |
| 24324 | 2024-12-06 |
Deep Learning for Describing Breast Ultrasound Images with BI-RADS Terms
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01155-1
PMID:38926264
|
研究论文 | 本文提出了一种基于深度神经网络的计算机辅助诊断系统，用于描述乳腺超声图像中的肿瘤，并使用BI-RADS术语进行分类 | 本文的创新点在于结合YOLO检测算法和多类分类架构，显著提高了与专家意见的一致性，并增强了模型的可解释性 | 本文的局限性在于仅使用了公开数据集中的749个结节进行训练和测试，样本量相对较小 | 本文的研究目的是开发一种能够辅助医生诊断乳腺肿瘤的计算机辅助诊断系统 | 本文的研究对象是乳腺超声图像中的肿瘤 | 计算机视觉 | 乳腺癌 | YOLO检测算法 | 多类分类架构 | 图像 | 749个结节，其中600个用于10折交叉验证，149个用于测试 | NA | NA | NA | NA |
| 24325 | 2024-12-06 |
RDLR: A Robust Deep Learning-Based Image Registration Method for Pediatric Retinal Images
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01154-2
PMID:38874699
|
研究论文 | 提出了一种基于深度学习的图像配准方法RDLR，用于儿童视网膜图像的精确配准 | RDLR方法结合了全局和局部特征信息，并学习了图像方向的先验信息，能够有效重建全景图像中的空间信息 | NA | 提高儿童视网膜图像配准的准确性，以辅助疾病诊断 | 儿童视网膜图像 | 计算机视觉 | 视网膜疾病 | 深度学习 | RDLR | 图像 | 超过280,000张儿童视网膜图像 | NA | NA | NA | NA |
| 24326 | 2024-12-06 |
Time-Dependent Deep Learning Prediction of Multiple Sclerosis Disability
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01031-y
PMID:38871944
|
研究论文 | 本文提出了一种基于视频视觉变换器（ViViT）和卷积神经网络-长短期记忆（CNN-LSTM）架构的组合分析方法，用于预测多发性硬化症（MS）患者的长期残疾程度 | 本文创新性地将时间依赖性分析引入深度学习模型，以预测多发性硬化症患者的长期残疾程度，并比较了不同模型在不同时间点MRI数据上的表现 | 本文的实验结果表明，尽管时间依赖性深度学习模型在预测多发性硬化症残疾方面表现良好，但在精确的EDSS分类方面表现较差 | 研究目的是开发一种能够预测多发性硬化症患者长期残疾程度的深度学习模型 | 研究对象是多发性硬化症患者，特别是基于颈椎MRI影像的残疾进展 | 机器学习 | 神经系统疾病 | 深度学习 | 视频视觉变换器（ViViT）、卷积神经网络-长短期记忆（CNN-LSTM）、视觉变换器-长短期记忆（ViT-LSTM） | 影像 | 703名患者的颈椎MRI影像 | NA | NA | NA | NA |
| 24327 | 2024-12-06 |
Deep Learning Model for Automatic Identification and Classification of Distal Radius Fracture
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01144-4
PMID:38862852
|
研究论文 | 本文构建了一个深度学习模型，用于手腕X光片的自动分割，并进一步进行远端桡骨骨折的自动识别和分类 | 本文首次使用深度学习模型进行手腕X光片的自动分割和远端桡骨骨折的自动识别与分类 | 本文仅在一个医院的2240名参与者中进行了验证，样本量和数据来源有限 | 开发一种自动识别和分类远端桡骨骨折的深度学习模型 | 手腕X光片和远端桡骨骨折 | 计算机视觉 | 骨折 | 深度学习 | Unet、Fast-RCNN、DenseNet121、ResNet50、VGG-19、InceptionV3 | 图像 | 2240名参与者 | NA | NA | NA | NA |
| 24328 | 2024-12-06 |
Contrastive Learning vs. Self-Learning vs. Deformable Data Augmentation in Semantic Segmentation of Medical Images
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01159-x
PMID:38858260
|
研究论文 | 本文研究了对比学习、自学习和可变形数据增强技术在医学图像语义分割中的影响 | 提出了可变形数据增强技术，并与对比学习和自学习框架进行了比较 | 未提及 | 探讨对比学习和自学习对基于深度学习的语义分割性能的影响 | 脑肿瘤、海马体和肾脏的分割 | 计算机视觉 | NA | 对比学习、自学习、可变形数据增强 | NA | 图像 | 使用了三个数据集：BraTS、Decathlon（用于脑肿瘤和海马体分割）和Decathlon（用于肾脏分割） | NA | NA | NA | NA |
| 24329 | 2024-12-06 |
Histological Subtype Classification of Non-Small Cell Lung Cancer with Radiomics and 3D Convolutional Neural Networks
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01152-4
PMID:38861072
|
研究论文 | 本文探讨了利用放射组学和三维卷积神经网络自动非侵入性地识别非小细胞肺癌亚型的方法 | 首次将不同学习方法和来自不同来源的特征集成用于肺癌组织学亚型分类 | 实验数据集为混合数据集，未来需在更大规模和多样化的数据集上验证模型性能 | 提高非小细胞肺癌亚型诊断的准确性和患者预后 | 非小细胞肺癌的组织学亚型 | 计算机视觉 | 肺癌 | 放射组学 | 三维卷积神经网络 | 图像 | 混合数据集，包括非小细胞肺癌放射组学和放射基因组学数据 | NA | NA | NA | NA |
| 24330 | 2024-12-06 |
Enhancing Skin Cancer Diagnosis Using Swin Transformer with Hybrid Shifted Window-Based Multi-head Self-attention and SwiGLU-Based MLP
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01140-8
PMID:38839675
|
研究论文 | 本文通过改进Swin Transformer架构，提出了一种用于皮肤癌诊断的新方法 | 引入了混合移位窗口多头自注意力机制（HSW-MSA）和基于SwiGLU的多层感知器（MLP），提高了模型的处理效率和诊断准确性 | NA | 提高皮肤癌诊断的准确性和效率 | 皮肤癌图像 | 计算机视觉 | 皮肤癌 | 深度学习 | Swin Transformer | 图像 | 使用了包含八个类别的ISIC 2019皮肤数据集 | NA | NA | NA | NA |
| 24331 | 2024-12-06 |
Deep Learning Models of Multi-Scale Lesion Perception Attention Networks for Diagnosis and Staging of Pneumoconiosis: A Comparative Study with Radiologists
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01125-7
PMID:38839674
|
研究论文 | 本文提出了一种名为多尺度病变感知注意力网络（MLANet）的深度学习模型，用于尘肺病的诊断、分期和早期筛查 | 提出了多尺度病变感知注意力网络（MLANet）模型，显著提高了尘肺病诊断的一致性和效率 | NA | 开发一种能够准确诊断和分期尘肺病的深度学习模型，并进行临床应用 | 尘肺病的诊断和分期 | 计算机视觉 | 尘肺病 | 深度学习 | 多尺度病变感知注意力网络（MLANet） | 图像 | 来自两个中心的DR图像 | NA | NA | NA | NA |
| 24332 | 2024-12-06 |
Cross-Modality Reference and Feature Mutual-Projection for 3D Brain MRI Image Super-Resolution
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01139-1
PMID:38829472
|
研究论文 | 提出了一种跨模态参考和特征互投影（CRFM）方法，用于增强3D脑部MRI图像的空间分辨率 | 引入了跨模态参考和特征互投影方法，通过引入参考模态的高分辨率MRI图像梯度来转换清晰纹理，并设计了插件式特征互投影方法来捕捉跨尺度和跨模态的相似性细节 | 未明确提及 | 提高3D脑部MRI图像的空间分辨率，以辅助临床诊断 | 3D脑部MRI图像 | 计算机视觉 | NA | MRI | NA | 图像 | 未明确提及 | NA | NA | NA | NA |
| 24333 | 2024-12-06 |
Classification of Caries Based on CBCT: A Deep Learning Network Interpretability Study
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01143-5
PMID:38806951
|
研究论文 | 本研究旨在基于锥形束计算机断层扫描（CBCT）创建龋齿分类方案，并开发两种深度学习模型以提高龋齿分类的准确性 | 本研究引入了基于CBCT的龋齿分类方案，并开发了两种深度学习模型，其中一种模型通过预分割步骤提高了可解释性 | 本研究仅使用了204颗龋齿的CBCT图像，样本量相对较小 | 开发基于CBCT的龋齿分类方案和深度学习模型，以提高龋齿分类的准确性和可解释性 | 龋齿的分类和治疗策略 | 计算机视觉 | NA | 深度学习 | ResNet50_vd_ssld, MobileNetV3_large_ssld | 图像 | 204颗龋齿的CBCT图像，共2713张轴向切片 | NA | NA | NA | NA |
| 24334 | 2024-12-06 |
AI-Assisted Detection of Interproximal, Occlusal, and Secondary Caries on Bite-Wing Radiographs: A Single-Shot Deep Learning Approach
2024-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01113-x
PMID:38743125
|
研究论文 | 本研究利用人工智能（AI）和YOLOv8算法，开发了一种自动检测咬翼片放射图像中邻面、咬合面和继发性龋齿的系统 | 首次采用YOLOv8算法进行牙科龋齿的自动检测和定位，显著提高了检测的精度和敏感性 | 研究样本仅来自单一牙科学院数据库，可能存在样本偏差 | 开发一种基于AI的自动化系统，用于在咬翼片放射图像中检测和定位不同类型的龋齿 | 邻面（D1, D2, D3）、咬合面和继发性龋齿 | 计算机视觉 | 口腔疾病 | YOLOv8算法 | YOLOv8 | 图像 | 860张咬翼片放射图像 | NA | NA | NA | NA |
| 24335 | 2024-12-06 |
Artificial Intelligence and Ophthalmic Clinical Registries
2024-Dec, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2024.07.039
PMID:39111520
|
综述 | 本文综述了人工智能在眼科临床登记数据中的应用现状 | 探讨了临床登记数据作为训练人工智能模型的新来源 | 深度学习算法应用有限，验证方法和性能评估标准不统一 | 提供人工智能在眼科临床登记数据应用的概述 | 眼科临床登记数据 | 机器学习 | NA | 机器学习 | 决策树分类器、逻辑回归 | 表格临床数据 | 23篇主要研究文章，涉及14个登记数据集，常见疾病包括青光眼和新生血管性年龄相关性黄斑变性 | NA | NA | NA | NA |
| 24336 | 2024-12-06 |
Analyzing and identifying predictable time range for stress prediction based on chaos theory and deep learning
2024-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-024-00280-z
PMID:39185396
|
研究论文 | 本文提出了一种基于混沌理论和深度学习的压力预测方法 | 结合了深度学习和混沌理论来解决压力预测问题 | NA | 预测压力以帮助人们提前采取有效措施管理压力 | 人类心理状态中的压力 | 机器学习 | NA | 深度学习 | 两层注意力机制 | 时间序列 | 使用了公开的Tesserae数据集 | NA | NA | NA | NA |
| 24337 | 2024-12-06 |
Predicting Portal Pressure Gradient in Patients with Decompensated Cirrhosis: A Non-invasive Deep Learning Model
2024-Dec, Digestive diseases and sciences
IF:2.5Q2
DOI:10.1007/s10620-024-08701-5
PMID:39466491
|
研究论文 | 开发并验证了一种用于预测失代偿性肝硬化患者门脉压力梯度的非侵入性深度学习模型 | 提出了一个包含国际标准化比率、门静脉直径和白细胞计数的三个参数模型，该模型在预测门脉压力梯度方面达到了87.5%的准确率 | 研究是回顾性的，且样本量相对较小 | 开发和验证一种能够预测失代偿性肝硬化患者门脉压力梯度的深度学习模型 | 失代偿性肝硬化患者 | 机器学习 | 肝硬化 | 深度学习 | 人工神经网络 | 实验室和影像参数 | 520名失代偿性肝硬化患者 | NA | NA | NA | NA |
| 24338 | 2024-12-06 |
WISE: Efficient WSI selection for active learning in histopathology
2024-Dec, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文介绍了一种名为WISE的WSI级别主动学习方法，用于在病理学中高效选择WSI以提升深度学习模型的性能 | 提出了一个新的WSI级别类距离度量，用于选择多样且不确定的WSI，从而显著减少达到目标性能所需的WSI数量 | NA | 提升深度神经网络模型在医学图像分析中的性能 | 全切片图像（WSI） | 数字病理学 | NA | 主动学习（AL） | 深度神经网络（DNN） | 图像 | 涉及Colon、Stomach和DigestPath数据集 | NA | NA | NA | NA |
| 24339 | 2024-12-06 |
Active learning based on multi-enhanced views for classification of multiple patterns in lung ultrasound images
2024-Dec, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种基于多增强视图的主动学习方法，用于肺超声图像中多种模式的分类 | 引入了特征增强模块，通过垂直线性拟合和k-means聚类来突出不同模式之间的特征差异，并采用基于置信集和误分类集的主动学习策略来处理模式共存问题 | 未提及具体限制 | 提高肺超声图像中多种模式分类的准确性，以辅助肺部疾病的筛查 | 肺超声图像中的A线、B线、实变和胸腔积液等主要模式 | 计算机视觉 | 肺部疾病 | 主动学习 | NA | 图像 | 5075张肺超声图像，其中约4%显示多种模式 | NA | NA | NA | NA |
| 24340 | 2024-12-06 |
AFSegNet: few-shot 3D ankle-foot bone segmentation via hierarchical feature distillation and multi-scale attention and fusion
2024-Dec, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种名为AFSegNet的少样本3D踝足骨分割框架，通过分层特征蒸馏和多尺度注意力与融合技术，解决了临床CT扫描中踝足骨分割的挑战 | 提出了AFSegNet框架，结合了3D深度学习和多尺度注意力与特征融合模块，显著提高了踝足骨分割的准确性 | 仅在123个内部CT扫描数据集上进行了验证，需要进一步在更大规模和多样化的数据集上进行验证 | 开发一种高效的深度学习框架，用于从临床CT扫描中准确分割踝足骨 | 踝足骨的3D分割 | 计算机视觉 | NA | 3D深度学习 | CNN | CT扫描图像 | 123个内部CT扫描数据 | NA | NA | NA | NA |