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 32372 篇文献，本页显示第 25761 - 25780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 25761 | 2024-09-08 |
Detecting pediatric appendicular fractures using artificial intelligence
2024, Revista da Associacao Medica Brasileira (1992)
DOI:10.1590/1806-9282.20240523
PMID:39230068
|
研究论文 | 评估深度学习人工智能模型在急诊科检测儿童四肢骨折的诊断准确性 | 开发了一种基于深度学习的人工智能模型，用于检测儿童四肢骨折，并评估其对急诊医生诊断能力的辅助支持效果 | NA | 评估人工智能模型在检测儿童急性四肢骨折中的诊断准确性，并研究其对急诊医生诊断能力的影响 | 儿童四肢骨折的检测 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 5150张X光片，其中850张显示骨折，4300张未显示骨折 | NA | NA | NA | NA |
| 25762 | 2024-09-08 |
Iteratively Refined Image Reconstruction with Learned Attentive Regularizers
2024, Numerical functional analysis and optimization
IF:1.4Q2
DOI:10.1080/01630563.2024.2384849
PMID:39233889
|
研究论文 | 提出了一种利用深度学习能力并基于经典稀疏促进模型的图像重建正则化方案 | 该方案可解释性强，因为它对应于一系列凸问题的最小化，并且在每个问题中，基于先前解生成的掩码用于空间上细化正则化强度，使模型逐渐关注图像结构 | NA | 开发一种可解释性强且具有理论保证的图像重建方法 | 图像重建中的正则化方案 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 25763 | 2024-09-08 |
Global bibliometric mapping of the research trends in artificial intelligence-based digital pathology for lung cancer over the past two decades
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241277735
PMID:39233894
|
研究论文 | 本文通过文献计量分析，探讨了过去二十年人工智能辅助数字病理学在肺癌研究中的趋势和热点 | 首次对人工智能辅助数字病理学在肺癌领域的研究进行了全面的文献计量分析 | 研究主要基于独立的国家研究，缺乏国际间的学术合作和数据共享 | 分析人工智能辅助数字病理学在肺癌研究中的趋势、热点和研究空白 | 过去二十年发表的197篇与数字病理学和肺癌相关的文献 | 数字病理学 | 肺癌 | 文献计量分析 | NA | 文献 | 197篇文献，涉及502个机构和39个国家 | NA | NA | NA | NA |
| 25764 | 2024-09-08 |
Comprehensive hepatotoxicity prediction: ensemble model integrating machine learning and deep learning
2024, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2024.1441587
PMID:39234116
|
研究论文 | 本文开发了一种集成模型，结合机器学习和深度学习算法，用于预测化学品和药物的肝毒性 | 本文创新性地采用了集成策略，将机器学习和深度学习算法结合，以提高肝毒性预测的准确性 | NA | 开发一种可靠的模型，用于预测化学品和药物对肝脏的潜在损害 | 化学品和药物的肝毒性 | 机器学习 | NA | 机器学习 (ML) 和深度学习 (DL) | 集成模型 | 分子特征 | 2588种化学品和药物 | NA | NA | NA | NA |
| 25765 | 2024-09-08 |
Integrative deep learning analysis improves colon adenocarcinoma patient stratification at risk for mortality
2023-Aug, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2023.104726
PMID:37499603
|
研究论文 | 本文开发并评估了结合福尔马林固定石蜡包埋（FFPE）全切片图像（WSIs）、临床变量和突变特征的深度学习模型，用于根据结肠腺癌（COAD）患者的死亡风险进行分层 | 本文的创新点在于整合了图像、临床和基因组特征，以提高结肠腺癌患者的风险分层效果 | 模型在预测中度风险（3年<OS<5年）患者的总体生存率方面效果较差 | 研究目的是通过整合图像、临床和基因组特征，提高结肠腺癌患者的风险分层效果 | 研究对象是结肠腺癌（COAD）患者 | 数字病理 | 结直肠癌 | 深度学习 | 深度学习模型 | 图像、临床变量、突变特征 | 训练数据集包含108名患者，外部验证数据集包含123名COAD患者和52名直肠腺癌（READ）患者 | NA | NA | NA | NA |
| 25766 | 2024-09-08 |
A robust semantic lung segmentation study for CNN-based COVID-19 diagnosis
2022-Dec-15, Chemometrics and intelligent laboratory systems : an international journal sponsored by the Chemometrics Society
IF:3.7Q1
DOI:10.1016/j.chemolab.2022.104695
PMID:36311473
|
研究论文 | 本文通过深度学习系统使用胸部X光扫描图像诊断COVID-19，首先使用COVID-19胸部X光数据集对CXR图像中的肺部进行语义分割，然后使用改进的AlexNet提取特征并通过支持向量机进行分类 | 提出的方法在分类COVID-19、正常和病毒性肺炎三类数据时，成功率达到99.8%，优于现有的最先进方法 | NA | 通过胸部X光扫描图像诊断COVID-19 | COVID-19胸部X光数据集中的肺部图像 | 计算机视觉 | COVID-19 | 深度学习 | DeepLabV3+, 改进的AlexNet (mAlexNet), 支持向量机 (SVM) | 图像 | COVID-19胸部X光数据集中的图像 | NA | NA | NA | NA |
| 25767 | 2024-09-08 |
Applying a deep residual network coupling with transfer learning for recyclable waste sorting
2022-Dec, Environmental science and pollution research international
DOI:10.1007/s11356-022-22167-w
PMID:35882737
|
研究论文 | 本研究利用深度残差网络结合迁移学习的方法，开发了一种智能高效的可回收废物分类方法 | 提出了基于迁移学习的RWNet模型，结合循环学习率和数据增强技术，显著提高了分类性能 | 塑料类废物的AUC值较低，分类效果有待进一步提升 | 开发一种智能高效的可回收废物分类方法，促进循环经济的发展 | 不同类型的可回收废物 | 计算机视觉 | NA | 深度学习 | ResNet | 图像 | 多种类型的可回收废物样本 | NA | NA | NA | NA |
| 25768 | 2024-09-08 |
Deep learning analysis of clinical course of primary nephrotic syndrome: Japan Nephrotic Syndrome Cohort Study (JNSCS)
2022-Dec, Clinical and experimental nephrology
IF:2.2Q2
DOI:10.1007/s10157-022-02256-3
PMID:35962244
|
研究论文 | 本研究使用机器学习方法对日本肾病综合征队列研究中的205例病例进行聚类分析，以评估肾病综合征的自然病程 | 首次使用长短期记忆（LSTM）编码器-解码器架构对肾病综合征的时间序列数据进行聚类分析，识别出四种临床病程 | 研究样本仅限于日本肾病综合征队列研究的205例病例，可能存在地域和人群的局限性 | 评估肾病综合征的自然病程，并识别不同的临床病程模式 | 肾病综合征患者的临床参数、血清肌酐、血清白蛋白、尿液试纸血尿和蛋白尿 | 机器学习 | 肾病综合征 | 机器学习聚类 | LSTM编码器-解码器架构 | 时间序列数据 | 205例肾病综合征患者 | NA | NA | NA | NA |
| 25769 | 2024-09-08 |
A pilot study of deep learning-based CT volumetry for traumatic hemothorax
2022-Dec, Emergency radiology
IF:1.7Q3
DOI:10.1007/s10140-022-02087-5
PMID:35971025
|
研究论文 | 本研究使用nnU-Net深度学习方法对创伤性血胸患者进行CT体积测量，并评估其性能 | 采用先进的nnU-Net深度学习方法进行血胸的定量可视化，并与传统的手动测量和专家共识评分进行比较 | 研究样本量较小，仅包括77名患者，且仅限于一家创伤中心的数据 | 评估基于深度学习的CT体积测量方法在创伤性血胸中的应用效果 | 创伤性血胸患者的CT图像 | 计算机视觉 | 创伤 | 深度学习 | nnU-Net | 图像 | 77名成年创伤性血胸患者 | NA | NA | NA | NA |
| 25770 | 2024-09-08 |
Reducing Geometric Uncertainty in Computational Hemodynamics by Deep Learning-Assisted Parallel-Chain MCMC
2022-12-01, Journal of biomechanical engineering
DOI:10.1115/1.4055809
PMID:36166284
|
研究论文 | 本文提出了一种基于深度学习的并行马尔可夫链蒙特卡罗方法，用于减少计算血流动力学中的几何不确定性 | 本文的创新点在于引入深度学习模型来近似几何到血流动力学的映射，并通过并行马尔可夫链蒙特卡罗方法进行高效的贝叶斯后验采样和几何不确定性减少 | 本文的局限性在于仅在二维主动脉流中进行了数值研究，尚未在更复杂的实际血管系统中验证 | 本文的研究目的是减少计算血流动力学模型中的几何不确定性，提高模型预测的可靠性 | 本文的研究对象是血管几何形状的不确定性及其对血流动力学模拟结果的影响 | 计算流体动力学 | 心血管疾病 | 深度学习 | 深度学习模型 | 几何数据 | NA | NA | NA | NA | NA |
| 25771 | 2024-09-08 |
GeoPacker: A novel deep learning framework for protein side-chain modeling
2022-12, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.4484
PMID:36309961
|
研究论文 | 本文介绍了一种名为GeoPacker的新型深度学习框架，用于蛋白质侧链建模 | GeoPacker利用几何深度学习结合ResNet，显式表示原子间的旋转和平移不变性，以提取相对位置信息，显著提高了蛋白质侧链结构预测的准确性和效率 | NA | 开发一种高效且准确的蛋白质侧链预测方法 | 蛋白质侧链结构 | 机器学习 | NA | 深度学习 | ResNet | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 25772 | 2024-09-08 |
A longitudinal observational study of home-based conversations for detecting early dementia: protocol for the CUBOId TV task
2022-11-23, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2022-065033
PMID:36418120
|
研究论文 | 本文描述了CUBOId研究，探索多模态数据融合在家中监测轻度认知障碍（MCI）和早期阿尔茨海默病（AD）的可行性，重点介绍了一项名为'TV任务'的新颖语音任务 | 提出了一个新颖的'TV任务'，通过记录参与者在观看喜欢的电视节目时的对话音频，来跟踪疾病进展中的生态有效对话变化 | NA | 探索多模态数据融合在家中监测轻度认知障碍和早期阿尔茨海默病的可行性 | 轻度认知障碍（MCI）和早期阿尔茨海默病（AD）患者及其生活伴侣 | NA | 阿尔茨海默病 | 深度学习 | NA | 多模态数据（活动数据和语音数据） | 参与者包括MCI或AD患者及其生活伴侣，数据采集时间为8-25个月 | NA | NA | NA | NA |
| 25773 | 2024-09-08 |
Quantifying deep neural network uncertainty for atrial fibrillation detection with limited labels
2022-11-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-022-24574-y
PMID:36418604
|
研究论文 | 本文提出了一种在标签有限且数据噪声较大的情况下，训练深度学习模型进行心房颤动检测并报告预测不确定性的方法 | 利用弱监督学习技术，通过在非ICU数据上训练的代理模型生成不完美标签，并结合模型不确定性估计技术，无需大量人工数据标注 | 依赖于代理模型的准确性，且未详细讨论在不同噪声水平下的模型性能 | 开发一种在标签有限和数据噪声较大的情况下，有效检测心房颤动的深度学习模型 | 心房颤动检测 | 机器学习 | 心血管疾病 | 深度学习 | 深度神经网络 | 生理数据 | 大量ICU遥测数据 | NA | NA | NA | NA |
| 25774 | 2024-09-08 |
An imConvNet-based deep learning model for Chinese medical named entity recognition
2022-11-21, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-022-02049-4
PMID:36411432
|
研究论文 | 本文提出了一种基于imConvNet的深度学习模型，用于中文医学命名实体识别 | 改进卷积神经网络模型（imConvNet）以获取额外的文本特征，并结合Bert预训练模型和BiLSTM模型进行命名实体识别 | NA | 提高中文医学命名实体识别的准确性 | 中文医学文本中的命名实体 | 自然语言处理 | NA | 卷积神经网络（CNN） | BERT-imConvNet-BiLSTM-CRF | 文本 | 公共医学数据集yidu-s4k和实际电子病历文本 | NA | NA | NA | NA |
| 25775 | 2024-09-08 |
White blood cell detection, classification and analysis using phase imaging with computational specificity (PICS)
2022-11-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-022-21250-z
PMID:36414631
|
研究论文 | 本文使用颜色空间光干涉显微镜（cSLIM）和深度学习工具，对未标记血涂片中的白细胞进行定位、分类和分割 | 结合定量相位成像（QPI）无标签数据与人工智能（AI）技术，提出了一种名为计算特异性相位成像（PICS）的新方法 | 训练数据集的平均精度为75%，像素级多数投票F1得分为80%，仍有提升空间 | 开发一种快速、自动化的方法来评估未标记血涂片中的白细胞异常 | 白细胞（WBCs）的定位、分类和分割 | 数字病理学 | NA | 定量相位成像（QPI） | EfficientNet 和 U-net | 图像 | 数字染色的血涂片图像 | NA | NA | NA | NA |
| 25776 | 2024-09-08 |
DeepPROTACs is a deep learning-based targeted degradation predictor for PROTACs
2022-11-21, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-022-34807-3
PMID:36414666
|
研究论文 | 本文介绍了一种基于深度学习的PROTACs靶向降解预测模型DeepPROTACs | DeepPROTACs模型能够基于目标蛋白质和E3连接酶的结构预测PROTAC分子的降解能力 | NA | 帮助设计有效的PROTACs分子 | PROTACs分子的降解能力 | 机器学习 | NA | 深度学习 | 图卷积网络和双向长短期记忆网络 | 蛋白质结构和SMILES表示 | 主要来自PROTAC-DB的数据集，根据DC和Dmax值进行适当标记 | NA | NA | NA | NA |
| 25777 | 2024-09-08 |
Multiple high-regional-incidence cardiac disease diagnosis with deep learning and its potential to elevate cardiologist performance
2022-Nov-18, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2022.105434
PMID:36388959
|
研究论文 | 本文构建了一个大规模的心电图数据集，并开发了一种深度学习模型用于多种高发区域心脏疾病的诊断，展示了其提升心脏病专家诊断性能的潜力 | 本文首次报道了基于AI的心电图诊断模型能够辅助心脏病专家提高诊断性能 | 本文未详细讨论模型的泛化能力和在不同数据集上的表现 | 开发一种能够辅助心脏病专家提高诊断性能的AI模型 | 多种高发区域的心脏疾病，包括心律失常和急性冠状动脉综合征相关疾病 | 机器学习 | 心血管疾病 | 深度学习 | 深度学习模型 | 心电图 | 162,622份12导联心电图 | NA | NA | NA | NA |
| 25778 | 2024-09-08 |
UnMICST: Deep learning with real augmentation for robust segmentation of highly multiplexed images of human tissues
2022-11-18, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-022-04076-3
PMID:36400937
|
研究论文 | 本文报道了两种方法显著改善了使用多种机器学习架构对组织图像进行分割的效果 | 意外发现有意模糊和饱和的图像在训练数据中的包含显著提高了后续图像分割效果，并且实际增强优于计算增强（高斯模糊） | NA | 提高高度多重化图像中组织分割的准确性 | 高度多重化（20-60通道）、亚细胞分辨率的哺乳动物组织图像 | 计算机视觉 | NA | 深度学习 | 多种机器学习架构 | 图像 | 多种组织类型 | NA | NA | NA | NA |
| 25779 | 2024-09-08 |
Identifying behavioral structure from deep variational embeddings of animal motion
2022-11-18, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-022-04080-7
PMID:36400882
|
研究论文 | 本文介绍了一种无监督的概率深度学习框架，用于从动物运动的深度变分嵌入中识别行为结构 | 提出了VAME方法，能够识别离散的行为模式并捕捉其层次结构，无需人工干预 | NA | 开发一种能够量化和检测行为层次结构的技术 | 动物运动的行为模式 | 机器学习 | NA | 深度变分嵌入 | 深度学习框架 | 动物运动数据 | 使用了一个患有β淀粉样蛋白沉积症的小鼠模型作为案例研究 | NA | NA | NA | NA |
| 25780 | 2024-09-08 |
Automated Lung-Related Pneumonia and COVID-19 Detection Based on Novel Feature Extraction Framework and Vision Transformer Approaches Using Chest X-ray Images
2022-Nov-18, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering9110709
PMID:36421110
|
研究论文 | 本文提出了一种基于新型特征提取框架和视觉变换器方法的自动化肺部相关肺炎和COVID-19检测模型，使用胸部X光图像进行高精度分类 | 本文创新性地采用了集成技术提取更丰富的特征，并结合全局二阶池化进一步提取图像的高级全局特征，最后通过视觉变换器方法分析图像块 | NA | 构建一个能够对胸部X光图像进行高分类准确率的深度学习模型，用于肺部疾病的检测 | 胸部X光图像中的肺部相关肺炎和COVID-19 | 计算机视觉 | 肺部疾病 | 视觉变换器 | 视觉变换器 | 图像 | COVID-19 Radiography Dataset和Covid-ChestX-ray-15k dataset | NA | NA | NA | NA |