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 33553 篇文献，本页显示第 25421 - 25440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 25421 | 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 |
| 25422 | 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 |
| 25423 | 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 |
| 25424 | 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 |
| 25425 | 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 |
| 25426 | 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 |
| 25427 | 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 |
| 25428 | 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 |
| 25429 | 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 |
| 25430 | 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 |
| 25431 | 2024-09-25 |
Dataset of a parameterized U-bend flow for deep learning applications
2023-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2023.109477
PMID:37645446
|
研究论文 | 本文介绍了一个包含10,000个U型弯曲流体流动和传热模拟的数据集，适用于深度学习应用 | 该数据集的独特之处在于每个形状可以通过三种不同的数据类型表示，包括设计参数和目标组合、五种不同分辨率的2D图像以及数值模拟的网格单元值 | NA | 提供一个全面的基准数据集，用于研究设计优化领域中的各种问题和方法 | U型弯曲流体流动和传热模拟 | 计算流体动力学 | NA | 计算流体动力学方法 | 深度学习 | 设计参数、2D图像、数值模拟网格单元值 | 10,000个模拟样本 | NA | NA | NA | NA |
| 25432 | 2024-09-25 |
Deep learning assisted classification of spectral photoacoustic imaging of carotid plaques
2023-Oct, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2023.100544
PMID:37671317
|
研究论文 | 本文利用卷积神经网络（CNN）对颈动脉斑块的光谱光声成像（sPAI）进行分类 | 本文首次使用CNN对sPAI图像中的斑块成分进行分类，无需进行光通量或光谱校正 | 研究样本量较小，仅涉及九个颈动脉斑块 | 开发一种新的方法来准确分类颈动脉斑块的成分，以评估其易损性 | 颈动脉斑块的光谱光声成像 | 计算机视觉 | 心血管疾病 | 光谱光声成像（sPAI） | 卷积神经网络（CNN） | 图像 | 九个颈动脉斑块 | NA | NA | NA | NA |
| 25433 | 2024-09-25 |
Deep autoencoder-based behavioral pattern recognition outperforms standard statistical methods in high-dimensional zebrafish studies
2023-Sep-17, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.13.557544
PMID:37745446
|
研究论文 | 本文研究了基于深度自编码器的行为模式识别在高维斑马鱼研究中优于传统统计方法 | 本文提出了使用半监督深度自编码器从无暴露的斑马鱼幼体行为数据中提取典型“正常”行为，并能识别出传统统计框架未捕捉到的多种化学物质引起的行为异常 | NA | 本文旨在开发一种先进的行为数据分析方法，以更好地理解和识别斑马鱼在暴露于有毒物质后的行为变化 | 斑马鱼幼体及其在暴露于纳米材料、芳香族化合物、全氟和多氟烷基物质（PFAS）等环境污染物后的行为变化 | 机器学习 | NA | 深度自编码器 | 深度自编码器 | 行为数据 | 大量斑马鱼幼体样本 | NA | NA | NA | NA |
| 25434 | 2024-09-25 |
B-factor prediction in proteins using a sequence-based deep learning model
2023-Sep-08, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2023.100805
PMID:37720331
|
研究论文 | 本文开发了一种基于序列的深度学习模型，用于预测蛋白质中的B因子 | 该模型在2442个蛋白质上测试，比现有最先进模型高出30% | NA | 开发一种能够准确预测蛋白质中B因子的深度学习模型 | 蛋白质中的B因子 | 机器学习 | NA | 深度学习 | 深度学习模型 | 序列 | 2442个蛋白质 | NA | NA | NA | NA |
| 25435 | 2024-09-25 |
Kernel-weighted contribution: a method of visual attribution for 3D deep learning segmentation in medical imaging
2023-Sep, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.10.5.054001
PMID:37692092
|
研究论文 | 本文介绍了一种名为核加权贡献的视觉解释方法，用于三维医学图像分割模型的解释 | 核加权贡献方法专门为医学图像分割模型设计，通过评估每个激活图对预测分割的相对贡献来评估特征重要性 | NA | 解释深度学习模型在医学图像分割中的决策，以促进其在医疗领域的广泛应用 | 三维医学图像分割模型 | 计算机视觉 | NA | NA | 分割模型 | 图像 | 100个测试样本 | NA | NA | NA | NA |
| 25436 | 2024-09-25 |
Development and validation of convolutional neural network-based model to predict the risk of sentinel or non-sentinel lymph node metastasis in patients with breast cancer: a machine learning study
2023-Sep, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2023.102176
PMID:37662514
|
研究论文 | 开发并验证了一种基于卷积神经网络的模型，用于预测乳腺癌患者前哨淋巴结或非前哨淋巴结转移的风险 | 提出了一种基于卷积神经网络的模型，用于预测乳腺癌患者前哨淋巴结和非前哨淋巴结的转移风险，并展示了其在不同验证集中的良好表现 | NA | 开发并验证一种自动化的术前深度学习工具，用于预测乳腺癌患者前哨淋巴结和非前哨淋巴结的转移风险 | 乳腺癌患者的前哨淋巴结和非前哨淋巴结转移风险 | 机器学习 | 乳腺癌 | 动态对比增强磁共振成像（DCE-MRI） | 卷积神经网络（CNN） | 图像 | 988名乳腺癌患者 | NA | NA | NA | NA |
| 25437 | 2024-09-25 |
Structure-based prediction of nucleic acid binding residues by merging deep learning- and template-based approaches
2023-09, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011428
PMID:37672551
|
研究论文 | 本文开发了一种名为NABind的新型结构基础整合算法，用于准确预测DNA和RNA结合残基 | 结合了深度学习和模板基础方法，采用堆叠策略和随机游走算法进行后处理，显著提高了预测性能 | NA | 提高蛋白质中核酸结合残基的预测准确性 | DNA和RNA结合残基 | 机器学习 | NA | 深度学习 | 图注意力网络 | 序列和结构描述符 | NA | NA | NA | NA | NA |
| 25438 | 2024-09-25 |
Deep learning in precision medicine and focus on glioma
2023-Sep, Bioengineering & translational medicine
IF:6.1Q1
DOI:10.1002/btm2.10553
PMID:37693051
|
综述 | 本文综述了深度学习在精准医学中的应用，特别是胶质瘤领域 | 探讨了深度学习在精准医学多个领域（如心脏病学、胃肠病学、眼科学、皮肤病学和肿瘤学）的应用前景，并强调了其在胶质瘤中的应用潜力 | 目前深度学习数据集的质量和数量仍需改进，且多组学数据（如全外显子序列、RNA序列、蛋白质组学和表观基因组学）尚未得到充分应用 | 总结人工智能模型的发展历史，展示机器学习和深度学习网络的特征，并探讨其在精准医学中的应用 | 深度学习在精准医学中的应用，特别是胶质瘤的诊断和监测 | 机器学习 | 脑肿瘤 | NA | 深度学习网络 | 医学数据 | NA | NA | NA | NA | NA |
| 25439 | 2024-09-25 |
Non-annotated renal histopathological image analysis with deep ensemble learning
2023-Sep-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-23-46
PMID:37711826
|
研究论文 | 本文开发了一种基于深度卷积神经网络的异构集成模型，用于自动分析未详细标注的肾组织病理图像 | 提出了基于深度学习的异构集成模型，用于肾组织病理图像的自动分析，无需详细标注 | 未提及具体限制 | 开发一种自动化的肾组织病理图像分析方法，以提高肾癌的早期检测效率和准确性 | 肾组织病理图像 | 数字病理 | 肾癌 | 深度卷积神经网络 | CNN | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 25440 | 2024-09-25 |
Machine and deep learning approaches to understand and predict habitat suitability for seabird breeding
2023-Sep, Ecology and evolution
IF:2.3Q2
DOI:10.1002/ece3.10549
PMID:37727776
|
研究论文 | 研究利用机器学习和深度学习算法预测海鸟繁殖栖息地的适宜性 | 首次结合卷积神经网络和随机森林模型，全面分析海鸟繁殖栖息地的选择 | 研究仅基于古巴地区的历史记录，可能不适用于其他地理区域 | 理解并预测海鸟繁殖栖息地的适宜性 | 海鸟的繁殖栖息地选择 | 机器学习 | NA | 卷积神经网络、随机森林 | CNN、随机森林 | 图像 | 49个古巴地区海鸟繁殖地的历史记录 | NA | NA | NA | NA |