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 33074 篇文献，本页显示第 25581 - 25600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 25581 | 2024-09-17 |
Structure-Based Neural Network Protein-Carbohydrate Interaction Predictions at the Residue Level
2023-Mar-15, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.14.531382
PMID:36993750
|
研究论文 | 本文介绍了两种深度学习模型CAPSIF，用于预测蛋白质上的碳水化合物结合位点 | 提出了两种新的深度学习模型CAPSIF:V和CAPSIF:G，用于预测蛋白质上的碳水化合物结合位点，并展示了它们在实验和预测结构上的表现 | CAPSIF:V在某些情况下表现优于CAPSIF:G，但仍存在改进空间 | 开发可靠的计算工具来预测蛋白质上的碳水化合物结合位点 | 蛋白质和碳水化合物的相互作用 | 机器学习 | NA | 深度学习 | 3D-UNet和图神经网络 | 蛋白质结构 | NA | NA | NA | NA | NA |
| 25582 | 2024-09-17 |
High-Resolution 3D Magnetic Resonance Fingerprinting With a Graph Convolutional Network
2023-03, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2022.3216527
PMID:36269931
|
研究论文 | 本文提出了一种使用图卷积网络（GCN）的高分辨率3D磁共振指纹技术，以实现更快的组织定量和更高的加速因子 | 本文创新性地使用图卷积网络替代传统的GRAPPA方法，实现了更高的加速因子和更准确的组织定量 | NA | 提高3D磁共振指纹技术的加速因子和组织定量精度 | 3D磁共振指纹技术中的组织定量 | 计算机视觉 | NA | 磁共振指纹技术（MRF） | 图卷积网络（GCN） | 图像 | NA | NA | NA | NA | NA |
| 25583 | 2024-09-17 |
Posterior estimation using deep learning: a simulation study of compartmental modeling in dynamic positron emission tomography
2023-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16078
PMID:36331429
|
研究论文 | 本文使用深度学习方法在动态正电子发射断层扫描（PET）中进行隔室模型后验估计的模拟研究 | 提出基于变分贝叶斯推断框架的深度学习方法，使用条件变分自编码器（CVAE）及其变体进行后验分布估计 | CVAE-vanilla的性能不如CVAE-dual-encoder和CVAE-dual-decoder | 利用深度学习高效估计成像参数的后验分布，并推导出最可能的参数及其不确定性 | 动态脑PET成像中的后验分布估计 | 计算机视觉 | NA | 深度学习 | 条件变分自编码器（CVAE） | 图像 | 模拟研究中的动态脑PET成像数据 | NA | NA | NA | NA |
| 25584 | 2024-09-17 |
Model-informed unsupervised deep learning approaches to frequency and phase correction of MRS signals
2023-03, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29498
PMID:36367249
|
研究论文 | 本文研究了无监督深度学习方法在磁共振波谱（MRS）信号的频率和相位校正（FPC）中的可行性和效率 | 提出了两种基于深度学习的FPC方法，并利用先验物理领域知识进行训练和评估 | NA | 探讨无监督深度学习在MRS数据频率和相位校正中的应用 | MRS信号的频率和相位校正 | 机器学习 | NA | 深度学习 | 深度神经网络 | 磁共振波谱数据 | 使用了模拟数据、幻影数据和公开的体内MEGA-edited MRS数据进行训练、验证和评估 | NA | NA | NA | NA |
| 25585 | 2024-09-17 |
Predicting childhood and adolescent attention-deficit/hyperactivity disorder onset: a nationwide deep learning approach
2023-03, Molecular psychiatry
IF:9.6Q1
DOI:10.1038/s41380-022-01918-8
PMID:36536075
|
研究论文 | 本文利用深度学习方法预测儿童和青少年注意力缺陷多动障碍（ADHD）的发病 | 首次使用深度神经网络（DNN）模型在瑞典注册数据上预测儿童和青少年ADHD的发病，并取得了良好的区分效果 | 研究结果需要在不同人群中进行验证，并纳入新的预测因子 | 开发一种能够预测儿童和青少年ADHD发病的模型，以减少误诊 | 儿童和青少年ADHD的发病预测 | 机器学习 | 精神疾病 | 深度神经网络（DNN） | 深度神经网络（DNN） | 注册数据 | 238,696名1995年至1999年间出生并居住在瑞典的人 | NA | NA | NA | NA |
| 25586 | 2024-09-17 |
Robust deep learning object recognition models rely on low frequency information in natural images
2023-03, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1010932
PMID:36972288
|
研究论文 | 研究探讨了深度学习模型在自然图像中依赖低频信息以提高鲁棒性的现象 | 提出低频信息偏好是提高模型鲁棒性的原因之一，并通过实验验证了这一假设 | 未详细探讨其他可能影响模型鲁棒性的因素 | 探讨机器学习模型在自然图像中依赖低频信息的原因及其对鲁棒性的影响 | 深度学习模型在自然图像中的鲁棒性 | 计算机视觉 | NA | NA | NA | 图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 25587 | 2024-09-17 |
Pure Isotropic Proton NMR Spectra in Solids using Deep Learning
2023-Feb-13, Angewandte Chemie (International ed. in English)
DOI:10.1002/anie.202216607
PMID:36562545
|
研究论文 | 本文介绍了一种利用深度学习方法从二维魔角旋转谱中提取纯各向同性质子核磁共振谱的技术 | 提出了一种新的深度学习方法，能够从魔角旋转谱中提取高分辨率的纯各向同性质子核磁共振谱 | 该方法仅在8种有机固体上进行了验证 | 提高固体状态下质子核磁共振谱的分辨率 | 有机固体的质子核磁共振谱 | 机器学习 | NA | 核磁共振谱 | 深度学习模型 | 谱数据 | 8种有机固体 | NA | NA | NA | NA |
| 25588 | 2024-09-17 |
MOFormer: Self-Supervised Transformer Model for Metal-Organic Framework Property Prediction
2023-Feb-08, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.2c11420
PMID:36706365
|
研究论文 | 提出了一种基于Transformer模型的自监督学习方法MOFormer，用于金属有机框架（MOFs）的性质预测 | MOFormer采用文本字符串表示MOF（MOFid）作为输入，避免了获取MOF的3D结构，加速了筛选过程，并通过自监督学习框架预训练模型，提高了预测准确性 | NA | 开发一种高效的深度学习方法，用于金属有机框架的性质预测 | 金属有机框架（MOFs）及其性质预测 | 机器学习 | NA | Transformer模型 | Transformer | 文本 | 超过40万公开的MOF数据 | NA | NA | NA | NA |
| 25589 | 2024-09-17 |
Comparison of deep learning-based denoising methods in cardiac SPECT
2023-Feb-08, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-023-00531-0
PMID:36752847
|
研究论文 | 本文比较了几种基于深度学习的去噪方法在心脏SPECT图像中的应用效果 | 本文首次系统比较了多种深度学习去噪模型在心脏SPECT图像中的去噪效果和缺陷检测性能 | cGAN在去噪效果最佳的同时，缺陷检测性能最差 | 研究不同深度学习去噪模型在心脏SPECT图像中的去噪效果和缺陷检测性能差异 | 心脏SPECT图像的去噪效果和缺陷检测性能 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN, RES, UNET, cGAN | 图像 | 使用全时间、半时间、三八分之一时间和四分之一时间采集的MPS研究数据进行训练和测试 | NA | NA | NA | NA |
| 25590 | 2024-09-17 |
Multi-scale, domain knowledge-guided attention + random forest: a two-stage deep learning-based multi-scale guided attention models to diagnose idiopathic pulmonary fibrosis from computed tomography images
2023-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16053
PMID:36254789
|
研究论文 | 本文提出了一种基于深度学习的多尺度引导注意力模型，结合随机森林分类器，用于从CT图像中诊断特发性肺纤维化 | 本文的创新点在于提出了一个两阶段模型，第一阶段使用多尺度、领域知识引导的注意力模型，第二阶段使用随机森林分类器，以提高模型的准确性和可解释性 | 本文的局限性在于仅使用了349名IPF患者和529名非IPF的ILD患者的CT扫描数据，样本量相对较小 | 本文的研究目的是开发一种基于深度学习的自动化系统，用于从CT扫描图像中诊断特发性肺纤维化 | 本文的研究对象是特发性肺纤维化患者和间质性肺疾病患者 | 计算机视觉 | 肺病 | 深度学习 | 多尺度引导注意力模型 + 随机森林 | 图像 | 349名IPF患者和529名非IPF的ILD患者 | NA | NA | NA | NA |
| 25591 | 2024-09-17 |
BrainGB: A Benchmark for Brain Network Analysis With Graph Neural Networks
2023-02, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2022.3218745
PMID:36318557
|
研究论文 | 本文介绍了BrainGB，一个用于脑网络分析的图神经网络基准 | 首次系统研究如何设计有效的图神经网络用于脑网络分析，并提供了一个标准化流程和模块化实现 | NA | 填补图神经网络在脑网络分析中缺乏系统研究的空白 | 脑网络分析中的图神经网络设计 | 计算机视觉 | NA | 图神经网络 (GNN) | 图神经网络 (GNN) | 脑网络数据 | 跨群体和模态的数据集 | NA | NA | NA | NA |
| 25592 | 2024-09-17 |
A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the USA
2023, International journal of data science and analytics
IF:3.4Q2
DOI:10.1007/s41060-021-00295-9
PMID:35071733
|
研究论文 | 本文提出了一种基于时空机器学习的COVID-19发病率预测方法，特别针对美国县级水平 | 本文首次提出了COVID-LSTM模型，该模型基于长短期记忆深度学习架构，能够更准确地预测COVID-19的发病率，优于现有的COVIDhub-ensemble模型 | 本文未详细讨论数据驱动预测方法在其他疾病中的应用限制，也未深入探讨未来深度学习模型在疾病预测中的广泛应用可能性 | 研究目的是开发一种更准确的COVID-19发病率预测模型，以应对全球疫情的影响 | 研究对象是美国各县的COVID-19发病率 | 机器学习 | 传染病 | 长短期记忆（LSTM）深度学习 | LSTM | 时间序列数据 | 17周的评估期，4周的预测期 | NA | NA | NA | NA |
| 25593 | 2024-09-17 |
DeepEZ: A Graph Convolutional Network for Automated Epileptogenic Zone Localization From Resting-State fMRI Connectivity
2023-01, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2022.3187942
PMID:35776823
|
研究论文 | 本文提出了一种基于静息态功能磁共振成像（rs-fMRI）数据的深度学习方法，用于自动定位癫痫发作区（EZ） | 首次使用图卷积网络（GCN）进行EZ定位，并结合领域特定信息和学习到的个体偏差来提高准确性 | 研究样本量较小，仅包含14名患者，未来需在大规模数据集上验证 | 开发一种准确且无创的EZ定位工具，用于药物难治性癫痫的治疗计划 | 药物难治性癫痫患者的EZ定位 | 计算机视觉 | 癫痫 | 图卷积网络（GCN） | 图卷积网络（GCN） | 功能磁共振成像（fMRI） | 14名患有局灶性癫痫的患者 | NA | NA | NA | NA |
| 25594 | 2024-09-17 |
Functional magnetic resonance imaging, deep learning, and Alzheimer's disease: A systematic review
2023-01, Journal of neuroimaging : official journal of the American Society of Neuroimaging
IF:2.3Q2
DOI:10.1111/jon.13063
PMID:36257926
|
综述 | 本文综述了功能性磁共振成像（fMRI）和深度学习在阿尔茨海默病（AD）诊断中的应用 | 探讨了深度学习技术在简化fMRI分析中的潜力，并总结了当前领域的研究进展 | 讨论了fMRI深度学习方法的局限性和未来研究方向 | 总结当前fMRI和深度学习在AD诊断中的应用，并为新研究人员提供指导 | 阿尔茨海默病（AD）的诊断方法 | 机器学习 | 阿尔茨海默病 | 功能性磁共振成像（fMRI） | 深度神经网络 | 图像 | NA | NA | NA | NA | NA |
| 25595 | 2024-09-17 |
Integration of improved YOLOv5 for face mask detector and auto-labeling to generate dataset for fighting against COVID-19
2023, The Journal of supercomputing
IF:2.5Q2
DOI:10.1007/s11227-022-04979-2
PMID:36619832
|
研究论文 | 本文提出了一种改进的YOLOv5模型用于口罩检测，并结合自动标注模块生成新的数据集，以应对COVID-19疫情 | 通过引入坐标注意力（CA）模块改进YOLOv5模型，提高了检测精度和速度，并构建了一个包含7110张图像的新数据集 | 实验仅使用了Kaggle数据集中的853张图像进行训练，且数据集来源有限 | 提高口罩检测系统的实时性能和准确性，并生成新的数据集以支持COVID-19监测系统 | 口罩检测模型和数据集生成系统 | 计算机视觉 | NA | YOLOv5 | YOLOv5s-CA和YOLOV5s-C3CA | 图像 | 853张图像用于训练，7110张图像用于生成新数据集 | NA | NA | NA | NA |
| 25596 | 2024-09-17 |
Active regression model for clinical grading of COVID-19
2023, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2023.1141996
PMID:37026015
|
研究论文 | 本研究构建了一个基于深度学习方法的个性化治疗模型，旨在通过COVID-19患者的临床检测指标数据实现及时干预，并优化医疗资源分配 | 本研究通过特征工程和深度学习模型，实现了对COVID-19患者的个性化诊断和治疗，提供了一种新的视角 | NA | 实现基于COVID-19患者临床检测指标数据的及时干预和优化医疗资源分配 | COVID-19患者的临床检测指标数据 | 机器学习 | COVID-19 | 深度学习 | NA | 临床数据 | 1799名个体，包括560名非呼吸道传染病对照组，681名其他呼吸道病毒感染对照组，558名COVID-19感染组 | NA | NA | NA | NA |
| 25597 | 2024-09-17 |
From Prototype to Inference: A Pipeline to Apply Deep Learning in Sorghum Panicle Detection
2023, Plant phenomics (Washington, D.C.)
DOI:10.34133/plantphenomics.0017
PMID:37040294
|
研究论文 | 本文提出了一种从数据收集到模型部署的深度学习辅助高粱穗密度估算的全面流程 | 本文提供了一个通用的深度学习计数协议，并展示了其在高粱田中的应用，同时该流程可推广到其他谷物物种 | 本文主要在高粱田中展示了该流程，尚未在其他谷物物种中进行广泛验证 | 开发一种自动化的高粱穗密度估算方法，以替代传统的手动计数 | 高粱穗密度 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 25598 | 2024-09-17 |
Automated tumor segmentation and brain tissue extraction from multiparametric MRI of pediatric brain tumors: A multi-institutional study
2023 Jan-Dec, Neuro-oncology advances
IF:3.7Q2
DOI:10.1093/noajnl/vdad027
PMID:37051331
|
研究论文 | 本文介绍了一种基于多参数MRI扫描的深度学习方法，用于自动提取和分割儿童脑肿瘤 | 提出了基于多参数MRI扫描的深度学习方法，用于自动提取和分割儿童脑肿瘤，减少了手动分割的时间和操作员间的差异 | NA | 开发一种自动化的方法来分割儿童脑肿瘤，以辅助手术和治疗计划 | 儿童脑肿瘤的多参数MRI扫描图像 | 计算机视觉 | 脑肿瘤 | 多参数MRI扫描 | 三维卷积神经网络 | 图像 | 244名儿童患者的多参数MRI扫描图像 | NA | NA | NA | NA |
| 25599 | 2024-09-17 |
Artificial intelligence for clinical decision support for monitoring patients in cardiovascular ICUs: A systematic review
2023, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2023.1109411
PMID:37064042
|
综述 | 本文系统回顾了人工智能和机器学习模型在心血管重症监护病房中用于临床决策支持的研究 | 探讨了AI/ML在临床决策支持中的最新进展、陷阱和未来展望 | 75%的论文缺乏对外部数据集的验证，存在可推广性问题；AI决策的可解释性也是一个关键问题 | 研究AI/ML在心血管重症监护病房中用于临床决策支持的方法和工具 | 心血管重症监护病房中的患者监测 | 机器学习 | 心血管疾病 | NA | NA | 时间序列数据和电子健康记录 | NA | NA | NA | NA | NA |
| 25600 | 2024-09-17 |
A convolutional neural network for face mask detection in IoT-based smart healthcare systems
2023, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2023.1143249
PMID:37064899
|
研究论文 | 本文提出了一种基于卷积神经网络的面部口罩检测方法，用于物联网智能医疗系统 | 本文创新性地结合了YOLOv3架构和计算机视觉技术，用于检测未佩戴口罩和未保持社交距离的行为 | 本文未详细讨论系统的实时性能和在不同光照条件下的表现 | 旨在提供一种有效工具，减少传染病的传播 | 面部口罩佩戴情况和社交距离 | 计算机视觉 | NA | YOLOv3 | 卷积神经网络 | 图像 | 使用了COCO数据集进行评估 | NA | NA | NA | NA |