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 32801 篇文献，本页显示第 24641 - 24660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 24641 | 2024-09-25 |
Training robust T1-weighted magnetic resonance imaging liver segmentation models using ensembles of datasets with different contrast protocols and liver disease etiologies
2024-09-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-71674-y
PMID:39251664
|
研究论文 | 本文开发了一种可推广的深度学习模型，用于在T1加权MRI图像上分割肝脏 | 采用了三种不同的深度学习架构（nnUNet、PocketNet、Swin UNETR），并使用来自六个不同地理位置机构的数据进行训练 | NA | 开发一种能够在不同对比协议和肝脏疾病病因学数据集上进行鲁棒训练的肝脏分割模型 | T1加权MRI图像中的肝脏 | 计算机视觉 | 肝癌 | 深度学习 | nnUNet, PocketNet, Swin UNETR | 图像 | 819张T1加权MRI图像 | NA | NA | NA | NA |
| 24642 | 2024-09-25 |
Deepdive: Leveraging Pre-trained Deep Learning for Deep-Sea ROV Biota Identification in the Great Barrier Reef
2024-Sep-03, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03766-3
PMID:39227607
|
研究论文 | 本文利用预训练的深度学习模型对大堡礁深海ROV图像中的生物进行分类 | 本文贡献了一个包含3994张深海生物图像的分类数据集，并使用ResNet、DenseNet、Inception和Inception-ResNet等深度学习模型进行基准测试 | 数据集存在类别不平衡问题，某些类别的分类准确率较低 | 通过自动化对象分类，创建详细的栖息地地图，以评估生态系统健康和恢复力 | 大堡礁深海生态系统中的生物 | 计算机视觉 | NA | 深度学习 | ResNet, DenseNet, Inception, Inception-ResNet | 图像 | 3994张深海生物图像，属于33个类别 | NA | NA | NA | NA |
| 24643 | 2024-09-25 |
Time-series satellite remote sensing reveals gradually increasing war damage in the Gaza Strip
2024-Sep, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwae304
PMID:39309412
|
研究论文 | 本文利用深度学习和LuoJia3-01卫星数据，实时检测以色列-巴勒斯坦冲突中加沙地带的爆炸和建筑物损坏情况 | 首次利用LuoJia3-01卫星数据和深度学习技术进行冲突监测和建筑物损坏评估 | NA | 研究战争对城市破坏的影响，并提供实时监测和评估方法 | 加沙地带的建筑物损坏和农业用地损失 | 遥感 | NA | 深度学习 | NA | 卫星图像 | 3747个导弹弹坑，涉及加沙地带五个省的基础设施 | NA | NA | NA | NA |
| 24644 | 2024-09-25 |
CT Material Decomposition using Spectral Diffusion Posterior Sampling
2024-Aug, Conference proceedings. International Conference on Image Formation in X-Ray Computed Tomography
PMID:39301204
|
研究论文 | 本文介绍了一种基于扩散后验采样（DPS）的新深度学习方法，用于从光谱CT测量中进行材料分解 | 提出了一种结合无监督训练的先验知识和严格物理模型的方法，并引入了一种更快速和更稳定的变体，称为跳跃启动DPS（JSDPS） | NA | 开发一种快速且准确的材料分解方法，用于光谱CT数据 | 光谱CT系统的材料分解性能 | 计算机视觉 | NA | 扩散后验采样（DPS） | 深度学习模型 | 光谱CT数据 | 涉及两种光谱CT系统：双kVp和双层探测器CT | NA | NA | NA | NA |
| 24645 | 2024-09-25 |
An artificial intelligence tool predicts blastocyst development from static images of fresh mature oocytes
2024-06, Reproductive biomedicine online
IF:3.7Q1
DOI:10.1016/j.rbmo.2024.103842
PMID:38552566
|
研究论文 | 开发了一种深度学习模型，通过分析新鲜成熟卵母细胞的静态图像来预测囊胚发育 | 首次利用深度学习模型通过卵母细胞的静态图像预测囊胚发育，为卵母细胞评估提供了新的方法 | 模型在不同年龄组和地理位置的表现存在差异，且需要进一步验证其普遍适用性 | 开发一种能够通过卵母细胞图像预测囊胚发育的深度学习模型 | 新鲜成熟卵母细胞的静态图像 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 37,133张卵母细胞图像，其中7,807张用于测试，12,357张用于外部验证 | NA | NA | NA | NA |
| 24646 | 2024-09-25 |
Training Robust T1-Weighted Magnetic Resonance Imaging Liver Segmentation Models Using Ensembles of Datasets with Different Contrast Protocols and Liver Disease Etiologies
2024-Apr-30, Research square
DOI:10.21203/rs.3.rs-4259791/v1
PMID:38746406
|
研究论文 | 本文开发了一种深度学习模型，用于在T1加权磁共振图像上自动分割肝脏 | 本文通过使用来自不同数据集和对比协议的819张T1加权MR图像，训练了三种不同的深度学习架构，并比较了它们在不同数据集上的测试性能，发现nnUNet模型在不同数据集上的表现最为稳健 | 本文未详细讨论模型在实际临床应用中的表现和局限性 | 研究如何通过使用多样化的数据集和对比协议来训练稳健的肝脏分割模型 | T1加权磁共振图像中的肝脏 | 计算机视觉 | 肝癌 | 磁共振成像（MRI） | nnUNet | 图像 | 819张T1加权MR图像，来自六个不同的数据集 | NA | NA | NA | NA |
| 24647 | 2024-09-25 |
A web-based tool for real-time adequacy assessment of kidney biopsies
2024-Feb-05, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.02.01.24302147
PMID:38370740
|
研究论文 | 介绍了一种基于网络的工具，用于实时评估肾活检的充分性 | 开发了一种基于深度学习的自动分割技术，用于从智能手机拍摄的照片中实时量化评估肾活检的充分性 | 仅限于使用智能手机拍摄的照片进行评估，且需要预先训练的数据集 | 开发一种工具，以减少因活检不充分而导致的重新活检需求 | 肾活检的充分性评估 | 数字病理学 | NA | 深度学习 | NA | 图像 | 100例肾活检图像 | NA | NA | NA | NA |
| 24648 | 2024-09-25 |
RediscMol: Benchmarking Molecular Generation Models in Biological Properties
2024-01-25, Journal of medicinal chemistry
IF:6.8Q1
DOI:10.1021/acs.jmedchem.3c02051
PMID:38181194
|
研究论文 | 本文构建了一个名为RediscMol的基准，用于评估分子生成模型在生物学特性方面的表现 | 引入了重新发现和相似性相关的指标，以评估生成模型的性能 | 现有评估方法在生物学背景下的不足 | 解决现有评估方法的局限性，模拟实际应用场景 | 8种代表性的生成模型在生物学特性方面的表现 | 机器学习 | NA | 深度学习 | 生成模型 | 分子数据 | 5个激酶和3个GPCR数据集中的活性分子 | NA | NA | NA | NA |
| 24649 | 2024-09-25 |
TUBA1C orchestrates the immunosuppressive tumor microenvironment and resistance to immune checkpoint blockade in clear cell renal cell carcinoma
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1457691
PMID:39301023
|
研究论文 | 本文研究了TUBA1C在透明细胞肾细胞癌（ccRCC）中的作用，特别是其与免疫检查点阻断（ICB）疗法抵抗的关系 | 首次揭示了TUBA1C在ccRCC中通过激活PI3K/AKT通路促进免疫抑制微环境，从而影响ICB疗法的效果 | 需要进一步的临床试验验证TUBA1C作为治疗靶点的有效性 | 探讨TUBA1C在ccRCC中的作用及其与ICB疗法抵抗的关系 | 透明细胞肾细胞癌（ccRCC）患者及肿瘤细胞 | 数字病理学 | 肾癌 | 单细胞分析、免疫组化、RT-qPCR、CCK-8试验 | 深度学习模型 | 基因表达数据 | 多个临床队列和肾癌细胞系 | NA | NA | NA | NA |
| 24650 | 2024-09-25 |
Brainchop: Providing an Edge Ecosystem for Deployment of Neuroimaging Artificial Intelligence Models
2024, Aperture neuro
DOI:10.52294/001c.123059
PMID:39301517
|
研究论文 | 本文介绍了一个名为Brainchop的完全功能性网络应用程序，允许用户在其浏览器中将使用Python开发的深度学习模型应用于本地神经影像数据 | Brainchop利用终端用户的图形卡，使得脑提取、组织分割和区域划分仅需几秒钟，避免了隐私问题，并提供了一个简单的机制来分发模型，用于额外的图像处理任务 | NA | 开发一个高效的分布平台，使开发者能够与终端用户共享神经影像人工智能模型 | 神经影像数据和深度学习模型 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 24651 | 2024-09-25 |
Artificial intelligence and bioinformatics: a journey from traditional techniques to smart approaches
2024, Gastroenterology and hepatology from bed to bench
DOI:10.22037/ghfbb.v17i3.2977
PMID:39308539
|
综述 | 本文综述了人工智能在生物信息学中的应用，从传统技术到智能方法的演变 | 探讨了人工智能在生物信息学多个领域的应用，包括机器学习、深度学习和自然语言处理 | NA | 分析和解释生物数据中人工智能模型的不可或缺作用 | 人工智能在生物信息学中的应用，包括基因组测序、蛋白质结构预测、药物发现等 | 生物信息学 | NA | 机器学习、深度学习、自然语言处理 | NA | 基因组数据、蛋白质结构数据、药物数据、医学影像、文本数据 | NA | NA | NA | NA | NA |
| 24652 | 2024-09-25 |
An in-depth analysis of data reduction methods for sustainable deep learning
2024, Open research Europe
DOI:10.12688/openreseurope.17554.2
PMID:39309190
|
研究论文 | 本文深入分析了数据缩减方法在可持续深度学习中的应用 | 提出了八种不同的表格训练数据集缩减方法，并开发了一个Python包来应用这些方法；引入了一个基于拓扑的表示性度量来衡量缩减数据集与完整训练数据集的相似性；开发了一种将这些数据缩减方法应用于图像数据集进行目标检测任务的方法 | NA | 研究数据缩减方法在减少深度学习模型训练过程中的能源消耗和提高效率方面的应用 | 深度学习模型的数据缩减方法及其对数据集表示性、能源消耗和模型预测性能的影响 | 机器学习 | NA | 深度学习 | NA | 表格数据和图像数据 | NA | NA | NA | NA | NA |
| 24653 | 2024-09-25 |
A deep learning method that identifies cellular heterogeneity using nanoscale nuclear features
2024, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-024-00883-x
PMID:39309215
|
研究论文 | 本文介绍了一种名为AINU的深度学习方法，用于通过纳米级核特征识别细胞异质性 | AINU能够基于超分辨率显微镜图像中的核心组蛋白H3、RNA聚合酶II或DNA的空间排列，区分不同的细胞状态 | AINU需要少量的图像作为训练数据，并且需要适当的再训练才能识别特定类型的细胞 | 开发一种能够识别细胞异质性的深度学习方法，以理解其生物学过程的根源 | 人类体细胞、人类诱导多能干细胞、早期感染细胞以及癌症细胞 | 计算机视觉 | 癌症 | 超分辨率显微镜 | 深度学习 | 图像 | 少量图像用于训练 | NA | NA | NA | NA |
| 24654 | 2024-09-25 |
Multiview deep learning networks based on automated breast volume scanner images for identifying breast cancer in BI-RADS 4
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1399296
PMID:39309734
|
研究论文 | 开发并验证了一种基于深度学习的自动分割和分类系统，用于分类使用ABVS成像的BI-RADS 4病变 | 提出了一个两阶段的深度学习框架，包括自动分割模块和自动分类模块，并比较了不同ABVS视图和深度学习架构的诊断性能 | 研究仅限于BI-RADS 4病变的分类，且样本量相对较小 | 开发和验证一种基于深度学习的自动分割和分类系统，用于分类BI-RADS 4病变 | BI-RADS 4病变的自动分割和分类 | 计算机视觉 | 乳腺癌 | 深度学习 | Inception-v3, ResNet 50, MobileNet | 图像 | 251个BI-RADS 4病变，来自216名患者（训练集178个，独立测试集73个） | NA | NA | NA | NA |
| 24655 | 2024-09-25 |
Prediction of Arteriovenous Access Dysfunction by Mel Spectrogram-based Deep Learning Model
2024, International journal of medical sciences
IF:3.2Q1
DOI:10.7150/ijms.98421
PMID:39310268
|
研究论文 | 本研究利用深度学习模型基于Mel频谱图预测动静脉通路功能障碍 | 首次使用Mel频谱图和深度学习模型预测动静脉通路功能障碍 | ViT-GRU模型在测试集上的泛化能力较低 | 利用深度学习预测动静脉通路功能障碍，以便及时进行血管管理 | 动静脉瘘或动静脉移植的血液透析患者 | 机器学习 | NA | Mel频谱图 | 卷积神经网络 (CNN), 卷积循环神经网络 (CRNN), Vision Transformers-Gate Recurrent Unit (ViT-GRU) | 音频 | 437个音频记录，来自84名患者 | NA | NA | NA | NA |
| 24656 | 2024-09-25 |
Artificial Intelligence-What to Expect From Machine Learning and Deep Learning in Hernia Surgery
2024, Journal of abdominal wall surgery : JAWS
DOI:10.3389/jaws.2024.13059
PMID:39310669
|
综述 | 本文探讨了人工智能在疝气手术中的应用，重点介绍了机器学习和深度学习的角色 | 本文详细阐述了深度学习模型在预测腹壁重建复杂性和其他术后结果方面的显著进展 | 本文指出当前人工智能技术在疝气手术中的应用仍存在局限性，并呼吁进一步的研究和应用 | 探讨人工智能在疝气手术中的应用及其潜在优势和局限性 | 疝气手术中的预手术规划、手术技术和术后管理 | 机器学习 | NA | 深度学习 | 神经网络 | 图像和视频 | NA | NA | NA | NA | NA |
| 24657 | 2024-09-25 |
Pashto poetry generation: deep learning with pre-trained transformers for low-resource languages
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2163
PMID:39314685
|
研究论文 | 本文介绍了一种利用预训练变压器模型生成高质量Pashto诗歌的创新方法 | 利用LaMini-Cerebras-590M和bloomz-560m两个预训练变压器模型生成Pashto诗歌 | NA | 研究如何利用机器和深度学习技术生成高质量的Pashto诗歌 | Pashto诗歌生成 | 自然语言处理 | NA | 预训练变压器模型 | 变压器模型 | 文本 | 大量新的高质量Pashto诗歌数据集 | NA | NA | NA | NA |
| 24658 | 2024-09-25 |
Reporting Quality of Research Studies on AI Applications in Medical Images According to the CLAIM Guidelines in a Radiology Journal With a Strong Prominence in Asia
2023-12, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2023.1027
PMID:38016678
|
研究论文 | 评估亚洲放射学期刊中应用深度学习的医学影像研究报告质量 | 使用CLAIM指南评估报告质量，并提供亚洲地区报告质量的见解 | 样本仅限于韩国放射学期刊，可能无法代表所有亚洲期刊 | 评估应用深度学习的医学影像研究的报告质量 | 38篇发表在韩国放射学期刊上的文章 | 计算机视觉 | NA | 深度学习 | NA | 医学影像 | 38篇文章 | NA | NA | NA | NA |
| 24659 | 2024-09-25 |
Response to "Medical Statistics Unlock the Gateway to Further Research: Using Deep Learning to Predict CDKN2A/B Homozygous Deletion in Isocitrate Dehydrogenase-Mutant Astrocytoma"
2023-12, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2023.0940
PMID:38016689
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 24660 | 2024-09-25 |
Medical Statistics Unlock the Gateway to Further Research: Using Deep Learning to Predict CDKN2A/B Homozygous Deletion in Isocitrate Dehydrogenase-Mutant Astrocytoma
2023-12, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2023.0925
PMID:38016690
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |