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 33344 篇文献，本页显示第 26061 - 26080 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 26061 | 2024-09-15 |
A Lightweight Hybrid Dilated Ghost Model-Based Approach for the Prognosis of Breast Cancer
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/9325452
PMID:39262920
|
研究论文 | 提出了一种基于轻量级混合扩张Ghost模型的乳腺癌预后方法 | 引入改进的随机通道注意力机制和DenseNet模型进行恶性细胞检测和家族分类 | 未提及具体局限性 | 提高乳腺癌恶性细胞检测和家族分类的准确性 | 乳腺癌恶性细胞及其家族分类 | 计算机视觉 | 乳腺癌 | 卷积神经网络 (CNN) | DenseNet | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 26062 | 2024-09-15 |
Ten future challenges for synthetic biology
2021-Sep, Engineering biology
DOI:10.1049/enb2.12011
PMID:36968258
|
评论 | 本文讨论了合成生物学领域的10个未来挑战 | NA | NA | 探讨合成生物学未来的技术进步和发展方向 | 合成生物学领域的技术挑战 | 合成生物学 | NA | 自动化、深度学习、进化控制 | NA | NA | NA | NA | NA | NA | NA |
| 26063 | 2024-09-14 |
Smartphone video imaging: A versatile, low-cost technology for food authentication
2025-Jan-01, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2024.140911
PMID:39213969
|
研究论文 | 本研究介绍了一种基于智能手机的低成本成像技术——智能手机视频成像（SVI），用于食品认证 | SVI技术通过人工智能辅助，实现了对异质内容样本的分类、分析物含量的空间表示以及从视频中重建高光谱图像，超越了传统的计算机视觉方法 | NA | 开发一种低成本、多功能的成像技术，用于食品认证 | 食品样本，特别是人参和藏红花粉混合物 | 计算机视觉 | NA | 智能手机视频成像（SVI） | 残差神经网络（ResNet），U-Net | 视频 | NA | NA | NA | NA | NA |
| 26064 | 2024-09-14 |
The research hotspots and theme trends of artificial intelligence in nurse education: A bibliometric analysis from 1994 to 2023
2024-10, Nurse education today
IF:3.6Q1
DOI:10.1016/j.nedt.2024.106321
PMID:39084073
|
综述 | 本文通过文献计量分析探讨了1994年至2023年间人工智能在护理教育中的研究热点和主题趋势 | 本文通过多种分析工具揭示了人工智能在护理教育中的研究热点和未来趋势 | 本文主要依赖文献计量分析，可能忽略了其他定性研究方法的贡献 | 探讨人工智能在护理教育中的研究热点和主题趋势 | 人工智能在护理教育中的应用 | 机器学习 | NA | 文献计量分析 | NA | 文本 | 135篇文章 | NA | NA | NA | NA |
| 26065 | 2024-09-14 |
Non-invasive prediction of axillary lymph node dissection exemption in breast cancer patients post-neoadjuvant therapy: A radiomics and deep learning analysis on longitudinal DCE-MRI data
2024-Oct, Breast (Edinburgh, Scotland)
DOI:10.1016/j.breast.2024.103786
PMID:39137488
|
研究论文 | 本研究利用放射组学和深度学习分析纵向DCE-MRI数据，预测乳腺癌患者在新辅助治疗后腋窝淋巴结切除豁免的可能性 | 本研究引入了一种基于支持向量机的“数据整合”模型，显著提高了腋窝淋巴结状态评估的准确性 | 本研究为回顾性分析，样本量有限，需要进一步的前瞻性研究验证 | 开发一种精确的方法来评估乳腺癌患者在新辅助治疗后腋窝淋巴结的状态 | 乳腺癌患者在新辅助治疗后的腋窝淋巴结状态 | 数字病理学 | 乳腺癌 | 动态对比增强MRI (DCE-MRI) | 支持向量机 (SVM) | 图像 | 160名乳腺癌患者 | NA | NA | NA | NA |
| 26066 | 2024-08-20 |
Correction to "Physics-Informed Deep Learning Approach for Reintroducing Atomic Detail in Coarse-Grained Configurations of Multiple Poly(lactic acid) Stereoisomers"
2024-Sep-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01407
PMID:39158929
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 26067 | 2024-09-14 |
Enhancing early Parkinson's disease detection through multimodal deep learning and explainable AI: insights from the PPMI database
2024-09-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-70165-4
PMID:39251639
|
研究论文 | 研究通过多模态深度学习和可解释人工智能技术，利用PPMI数据库数据，提升帕金森病早期检测的准确性 | 引入了一种联合协同学习方法进行多模态融合，结合了不同的3D架构和新型激励网络（EN），并支持可解释人工智能（XAI）技术 | NA | 提升帕金森病早期检测的准确性 | 帕金森病的早期检测 | 机器学习 | 神经退行性疾病 | 多模态深度学习 | DenseNet, ResNet, Vision Transformer (ViT) | 影像和临床数据 | 利用了Parkinson's Progression Markers Initiative数据库的数据 | NA | NA | NA | NA |
| 26068 | 2024-09-14 |
Advancements in supervised deep learning for metal artifact reduction in computed tomography: A systematic review
2024-Sep-07, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111732
PMID:39265203
|
综述 | 本文系统回顾了监督式深度学习在计算机断层扫描中减少金属伪影的算法性能 | 介绍了基于深度学习的金属伪影减少算法在临床实践中的应用 | 需要标准化方法来评估基于深度学习的金属伪影减少算法在临床数据上的性能，以提高算法之间的可比性 | 提供当前监督式深度学习金属伪影减少算法在计算机断层扫描中的性能概述 | 监督式深度学习金属伪影减少算法在计算机断层扫描中的应用 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 14项研究 | NA | NA | NA | NA |
| 26069 | 2024-09-14 |
Visible and near-infrared spectral imaging combined with robust regression for predicting firmness, fatness, and compositional properties of fresh pork bellies
2024-Sep-06, Meat science
IF:5.7Q1
DOI:10.1016/j.meatsci.2024.109645
PMID:39265383
|
研究论文 | 研究利用可见光和近红外光谱成像结合稳健回归方法预测新鲜猪腹肉的硬度、脂肪含量和化学成分 | 首次将可见光和近红外光谱成像技术应用于预测猪腹肉的硬度、脂肪含量和化学成分，并提出了一种稳健的回归方法 | 研究仅限于猪腹肉样本，未来可扩展到其他肉类产品 | 探索可见光和近红外光谱成像技术在实时评估猪腹肉质量方面的潜力 | 猪腹肉的硬度、脂肪含量和化学成分 | 计算机视觉 | NA | 可见光和近红外光谱成像 | 迭代重加权偏最小二乘回归 | 光谱图像 | 182个猪腹肉样本 | NA | NA | NA | NA |
| 26070 | 2024-09-14 |
scNODE : generative model for temporal single cell transcriptomic data prediction
2024-09-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae393
PMID:39230694
|
研究论文 | 提出了一种名为scNODE的深度学习模型，用于预测未观测时间点的单细胞基因表达数据 | scNODE结合了变分自编码器和神经常微分方程，通过连续非线性的潜在空间预测基因表达，并引入动态正则化项以增强模型对分布偏移的鲁棒性 | NA | 解决单细胞实验中由于资源和技术限制导致的离散和稀疏采样问题，以促进细胞发育分析 | 单细胞基因表达数据 | 机器学习 | NA | 深度学习 | 变分自编码器、神经常微分方程 | 基因表达数据 | 三个真实世界的scRNA-seq数据集 | NA | NA | NA | NA |
| 26071 | 2024-09-14 |
Multi-task deep latent spaces for cancer survival and drug sensitivity prediction
2024-09-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae388
PMID:39230696
|
研究论文 | 本文介绍了一种名为MODAE的新型深度学习算法，用于整合细胞系和患者的组学数据，以探索精准医学的机会 | MODAE算法在药物敏感性迁移学习框架中引入了患者生存预测作为附加任务，旨在平衡自编码、领域适应、药物敏感性预测和生存预测目标，以更好地保留与生存相关的患者异质性 | 尽管MODAE在生存预测任务中表现与基线模型相当，但在药物敏感性预测任务中表现不佳 | 探索精准医学的机会，特别是通过整合细胞系和患者的组学数据来预测癌症患者的生存和药物敏感性 | 癌症患者的生存和药物敏感性 | 机器学习 | 癌症 | 深度学习 | MODAE | 组学数据 | NA | NA | NA | NA | NA |
| 26072 | 2024-09-14 |
Metadata-guided feature disentanglement for functional genomics
2024-09-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae403
PMID:39230700
|
研究论文 | 本文介绍了一种名为Metadata-guided Feature Disentanglement (MFD)的方法，用于从潜在的技术偏差中分离出生物学相关的特征 | MFD方法通过将目标元数据纳入模型训练，条件化模型输出层的权重，并使用对抗性学习惩罚来强制特征子空间之间的独立性，从而实现特征解耦 | NA | 开发一种方法，从功能基因组学数据中分离出生物学相关的特征，同时减少技术偏差的影响 | 功能基因组学数据中的生物学相关特征和技术偏差 | 机器学习 | NA | 深度学习 (DL) | NA | 基因组序列 | NA | NA | NA | NA | NA |
| 26073 | 2024-09-14 |
Improving dictionary-based named entity recognition with deep learning
2024-09-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae402
PMID:39230709
|
研究论文 | 本文通过深度学习方法改进了基于字典的命名实体识别，自动生成需要屏蔽的名称列表，从而提高了文本挖掘的精度 | 本文创新性地使用Transformer模型（BioBERT）进行实体类型分类，自动生成需要屏蔽的名称列表，显著提高了文本挖掘的精度 | 本文未详细讨论模型的召回率略有下降的问题 | 改进基于字典的命名实体识别方法，提高文本挖掘的精度 | 生物医学领域的基因、疾病、物种和化学物质四种实体类型 | 自然语言处理 | NA | Transformer模型（BioBERT） | Transformer | 文本 | 超过1250万个文本片段 | NA | NA | NA | NA |
| 26074 | 2024-09-14 |
Daily PM2.5 concentration prediction based on variational modal decomposition and deep learning for multi-site temporal and spatial fusion of meteorological factors
2024-Aug-29, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-024-13005-2
PMID:39207594
|
研究论文 | 本文提出了一种基于变分模态分解和深度学习的多站点时空融合气象因子预测每日PM2.5浓度的混合模型 | 该研究引入了新的混合模型VCBA，结合了变分模态分解、因果卷积神经网络、双向长短期记忆网络和注意力机制，用于时空融合的多站点数据预测 | NA | 准确预测每日PM2.5浓度，以保护环境和公众健康 | PM2.5浓度及其影响因素 | 机器学习 | NA | 变分模态分解（VMD） | 因果卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM） | 气象数据 | 太原市多个站点 | NA | NA | NA | NA |
| 26075 | 2024-09-14 |
A study on the classification of complexly shaped cultivated land considering multi-scale features and edge priors
2024-Aug-15, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-024-12966-8
PMID:39145878
|
研究论文 | 本文提出了一种考虑多尺度特征和边缘先验的复杂形状耕地提取网络（MFEPNet），通过设计上下文交叉注意力融合模块和纹理增强边缘模块，提高了复杂形状耕地的提取精度 | 本文的创新点在于设计了上下文交叉注意力融合模块和纹理增强边缘模块，有效减少了尺度变化、边缘模糊和全局视野有限的影响 | NA | 研究目的是提高复杂形状耕地的提取精度，为可持续农业发展提供准确的耕地分布数据 | 研究对象是复杂形状的耕地，特别是其多尺度和模糊边缘问题 | 计算机视觉 | NA | 深度学习 | CNN-transformer | 图像 | 使用了IFLYTEK和荷兰数据集划分的规则和不规则耕地数据集 | NA | NA | NA | NA |
| 26076 | 2024-09-14 |
D'or: deep orienter of protein-protein interaction networks
2024-07-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae355
PMID:38862241
|
研究论文 | 本文提出了一种新的深度学习方法用于蛋白质-蛋白质相互作用网络的方向性预测 | 本文提出的深度学习方法在蛋白质-蛋白质相互作用网络方向性预测上表现优异，超越了以往的方法 | NA | 开发一种计算方法来推断蛋白质-蛋白质相互作用的方向性 | 蛋白质-蛋白质相互作用网络的方向性 | 机器学习 | NA | 深度学习 | 深度集编码器 | 蛋白质-蛋白质相互作用数据 | 来自五个不同来源的综合数据集 | NA | NA | NA | NA |
| 26077 | 2024-09-14 |
Geometric epitope and paratope prediction
2024-07-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae405
PMID:38984742
|
研究论文 | 本文研究了用于预测抗体和抗原结合位点的最佳表示方法，强调了几何信息的重要性 | 本文提出了基于几何深度学习的方法，比较了不同几何表示对预测抗体和抗原结合位点的效果，发现表面模型在预测表位结合方面更有效，而图模型在预测表位方面表现更好 | NA | 研究用于预测抗体和抗原结合位点的最佳几何表示方法 | 抗体和抗原的结合位点 | 计算机视觉 | NA | 几何深度学习 | 表面模型和图模型 | 3D坐标和光谱几何描述符 | NA | NA | NA | NA | NA |
| 26078 | 2024-09-14 |
GraphADT: empowering interpretable predictions of acute dermal toxicity with multi-view graph pooling and structure remapping
2024-07-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae438
PMID:38967119
|
研究论文 | 本文介绍了一种名为GraphADT的新模型，利用结构重映射和多视角图池化技术来准确预测化合物的急性皮肤毒性 | 提出了结构重映射和多视角图池化技术，通过将“键”转换为新节点并将“键-原子-键”相互作用转换为新边来重建化合物分子图，从而提高模型的解释性和预测准确性 | 未提及 | 提高化合物急性皮肤毒性的预测准确性和模型的解释性 | 化合物分子及其急性皮肤毒性 | 机器学习 | NA | 图神经网络 | GraphADT | 图数据 | 未提及 | NA | NA | NA | NA |
| 26079 | 2024-09-14 |
SFINN: inferring gene regulatory network from single-cell and spatial transcriptomic data with shared factor neighborhood and integrated neural network
2024-07-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae433
PMID:38950180
|
研究论文 | 本文介绍了一种基于共享因子邻域和集成神经网络（SFINN）的新型深度学习框架，用于从单细胞和空间转录组数据中推断转录因子与目标基因之间的潜在相互作用和因果关系 | SFINN利用共享因子邻域构建基于基因表达数据的细胞邻域网络，并整合来自空间位置信息的细胞网络，通过图卷积神经网络和全连接神经网络的集成框架来确定基因是否相互作用 | NA | 开发一种准确推断基因调控网络（GRN）的算法，以应对单细胞RNA测序（scRNA-seq）数据中的噪声、技术误差和丢失现象 | 单细胞和空间转录组数据中的转录因子与目标基因之间的相互作用和因果关系 | 机器学习 | NA | 单细胞RNA测序（scRNA-seq），空间转录组测序 | 图卷积神经网络（GCN），全连接神经网络 | 基因表达数据 | NA | NA | NA | NA | NA |
| 26080 | 2024-09-14 |
PredGCN: a Pruning-enabled Gene-Cell Net for automatic cell annotation of single cell transcriptome data
2024-07-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae421
PMID:38924517
|
研究论文 | 本文提出了一种名为PredGCN的剪枝启用的基因-细胞网络，用于单细胞转录组数据的自动细胞注释 | PredGCN通过结合基因拼接网络和细胞分层网络，并采用剪枝操作来动态处理异质性细胞识别问题，显著提高了细胞类型注释的准确性和跨物种数据的可扩展性 | NA | 解决现有自动细胞注释方法在分类器架构和训练数据质量与多样性方面的局限性 | 单细胞转录组数据的细胞类型注释 | 机器学习 | NA | 深度学习 | GCN（图卷积网络） | 转录组数据 | 涉及多种物种的真实单细胞转录组数据集 | NA | NA | NA | NA |