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 26341 - 26360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 26341 | 2024-09-11 |
2.5D deep learning based on multi-parameter MRI to differentiate primary lung cancer pathological subtypes in patients with brain metastases
2024-Nov, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111712
PMID:39222565
|
研究论文 | 本文研究了基于多参数MRI的2.5D深度学习模型在区分脑转移肺癌病理亚型中的应用 | 首次探讨了2.5D深度学习在区分脑转移肺癌病理亚型中的应用 | 研究为回顾性，样本量有限 | 开发一种有效的方法来区分脑转移肺癌的病理亚型 | 脑转移肺癌患者 | 计算机视觉 | 肺癌 | 多参数MRI | 2.5D深度学习模型 | 图像 | 250名患者，其中训练集175名，测试集75名 | NA | NA | NA | NA |
| 26342 | 2024-09-11 |
Efficient EEG Feature Learning Model Combining Random Convolutional Kernel with Wavelet Scattering for Seizure Detection
2024-Nov, International journal of neural systems
IF:6.6Q1
DOI:10.1142/S0129065724500606
PMID:39252680
|
研究论文 | 本文提出了一种结合随机卷积核与小波散射网络的高效EEG特征学习模型，用于癫痫发作检测 | 将随机卷积核嵌入小波散射网络结构中，并结合ANOVA和MRMR方法筛选显著EEG特征，提高了模型的泛化性能和计算效率 | NA | 开发一种高效的EEG特征学习模型，用于癫痫发作检测 | EEG信号和癫痫发作检测 | 机器学习 | 癫痫 | 随机卷积核变换（ROCKET） | 小波散射网络 | EEG信号 | 头皮和颅内EEG数据库 | NA | NA | NA | NA |
| 26343 | 2024-09-11 |
Advancing Glaucoma Diagnosis: Employing Confidence-Calibrated Label Smoothing Loss for Model Calibration
2024 Nov-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100555
PMID:39253549
|
研究论文 | 本文旨在通过使用一种名为置信校准标签平滑（CC-LS）损失函数的特殊损失函数来提高青光眼分类机器学习模型的校准 | 本文提出了一种新的置信校准标签平滑（CC-LS）损失函数，该函数结合了标签平滑和置信惩罚技术，专门用于青光眼检测，以在不牺牲准确性的情况下改进模型校准 | NA | 提高机器学习模型在青光眼分类中的校准 | 青光眼分类的机器学习模型 | 机器学习 | 眼科疾病 | 置信校准标签平滑（CC-LS）损失函数 | 深度学习模型 | 图像 | 外部数据集包括482张正常眼底图像和168张青光眼眼底图像，以及720张正常眼底图像和80张青光眼眼底图像；内部数据集包括每类4639张图像；验证集包括47913张正常眼底图像和1629张青光眼眼底图像 | NA | NA | NA | NA |
| 26344 | 2024-09-11 |
Patient-specific cerebral 3D vessel model reconstruction using deep learning
2024-Oct, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03136-6
PMID:38802608
|
研究论文 | 本研究利用深度学习方法从患者特定的磁共振血管造影图像中重建三维血管模型 | 首次使用深度学习技术进行患者特定三维血管模型的重建，并展示了其在血流模拟中的应用 | 研究样本量较小，未来需要进一步验证深度学习技术在医学图像处理中的应用 | 开发一种基于深度学习的血管模型重建方法，以减少手动操作的需求 | 40名患有颈内动脉瘤的患者 | 计算机视觉 | 心血管疾病 | 深度学习 | U-net | 图像 | 40名患者，60例病例 | NA | NA | NA | NA |
| 26345 | 2024-09-11 |
Hybrid optimal feature selection-based iterative deep convolution learning for COVID-19 classification system
2024-Oct, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109031
PMID:39173484
|
研究论文 | 本文提出了一种基于混合最优特征选择和迭代深度卷积学习的COVID-19分类系统 | 本文创新性地结合了物联网数据和深度学习技术，通过优化算法提取疾病特征，并使用一维卷积神经网络进行分类 | NA | 开发一种高效的方法用于COVID-19的早期检测和诊断 | COVID-19样本数据和物联网设备生成的数据 | 机器学习 | COVID-19 | 深度学习 | 一维卷积神经网络（1D-CNN） | 数据 | 大量COVID-19样本 | NA | NA | NA | NA |
| 26346 | 2024-09-11 |
Depth estimation from monocular endoscopy using simulation and image transfer approach
2024-Oct, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109038
PMID:39178804
|
研究论文 | 本文提出了一种从单目内窥镜图像中估计深度的方法，通过模拟和图像迁移技术训练深度估计网络模型 | 本文创新性地使用Unity生成模拟内窥镜图像和深度图，并通过循环生成对抗网络增强模拟图像的真实感，最终训练深度学习模型进行深度估计 | NA | 开发一种从单目内窥镜图像中准确估计深度的方法，以提高导航系统的有效性 | 内窥镜图像的深度估计 | 计算机视觉 | NA | 深度学习 | 生成对抗网络 | 图像 | 使用从分割的计算机断层扫描结肠成像数据中获得的结肠表面模型生成的模拟内窥镜图像和深度图进行训练 | NA | NA | NA | NA |
| 26347 | 2024-09-11 |
Skeleton-guided multi-scale dual-coordinate attention aggregation network for retinal blood vessel segmentation
2024-Oct, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109027
PMID:39178808
|
研究论文 | 本文提出了一种用于视网膜血管分割的骨架引导多尺度双坐标注意力聚合网络（SMDAA） | SMDAA网络包含三个创新模块：双坐标注意力（DCA）、不平衡像素放大器（UPA）和血管骨架引导（VSG），分别用于解决类不平衡问题、提高分割精度和保持血管结构连续性 | NA | 提高视网膜血管分割的准确性和连续性 | 视网膜血管 | 计算机视觉 | NA | 深度学习 | SMDAA网络 | 图像 | 三个公共数据集（DRIVE、STARE和CHASE_DB1） | NA | NA | NA | NA |
| 26348 | 2024-09-11 |
RETNet: Resolution enhancement Transformer network for magnetic particle imaging based on X-space
2024-Oct, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109043
PMID:39191080
|
研究论文 | 本文提出了一种用于磁粒子成像分辨率增强的Transformer网络RETNet | RETNet利用浅层特征提取器、跨尺度Transformer和残差Swin Transformer分别提取浅层特征、纹理特征和结构特征，并通过图像重建模块聚合这些特征以重建高分辨率图像 | NA | 提高磁粒子成像的空间分辨率 | 磁粒子成像中的低分辨率图像 | 计算机视觉 | NA | 深度学习 | Transformer | 图像 | 包括仿真、模型和体内实验 | NA | NA | NA | NA |
| 26349 | 2024-09-11 |
A novel pipeline employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy
2024-Oct, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109052
PMID:39216406
|
研究论文 | 本文开发了一种基于深度多注意力通道网络的计算管道，用于通过荧光显微镜自动检测转移细胞 | 本文引入了新的多注意力通道架构，并开发了一种可解释的全局解释方法，以确保网络的高解释性 | NA | 研究细胞骨架中肌动蛋白和波形蛋白中间丝的空间组织变化，以区分正常细胞和转移细胞，从而改进癌症诊断和治疗 | 正常人类细胞及其同基因匹配的、致癌转化的、侵袭性和转移性对应物 | 数字病理学 | NA | 深度学习方法 | 多注意力通道网络 | 图像 | NA | NA | NA | NA | NA |
| 26350 | 2024-09-11 |
WeedCube: Proximal hyperspectral image dataset of crops and weeds for machine learning applications
2024-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2024.110837
PMID:39252779
|
研究论文 | 介绍了一个名为WeedCube的数据集，包含用于机器学习应用的作物和杂草的近红外高光谱图像 | 提供了160个校准的高光谱图像，并附有Jupyter Notebook脚本用于数据增强和可视化，支持杂草分类和识别研究 | NA | 支持杂草分类或识别研究，验证现有模型的泛化能力 | 油菜、大豆、甜菜和四种入侵杂草的高光谱图像 | 机器学习 | NA | 高光谱成像 | NA | 高光谱图像 | 160个校准图像，可通过选择更小的感兴趣区域（ROI）增加图像数量 | NA | NA | NA | NA |
| 26351 | 2024-09-11 |
Physics-driven unsupervised deep learning network for programmable metasurface-based beamforming
2024-Sep-20, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2024.110595
PMID:39246440
|
研究论文 | 本文提出了一种基于可编程超表面的物理驱动无监督深度学习网络，用于波束成形 | 引入了一种物理辅助深度学习模型，能够在毫秒级内计算出编码模式，显著提高了计算效率 | NA | 开发一种快速优化可编程超表面编码模式的方法，以实现高效的电磁波操控 | 可编程超表面的编码模式及其在波束成形中的应用 | 机器学习 | NA | 深度学习 | 深度学习模型 | 电磁波辐射模式 | 涉及单波束和双波束场景的多个编码模式 | NA | NA | NA | NA |
| 26352 | 2024-09-11 |
Deep Learning Potential Assisted Prediction of Local Structure and Thermophysical Properties of the SrCl2-KCl-MgCl2 Melt
2024-Sep-10, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.4c00824
PMID:39195736
|
研究论文 | 本文利用深度学习驱动的分子动力学揭示了SrCl2-KCl-MgCl2熔体的局部结构和热物理性质 | 通过机器学习驱动的深度势能分子动力学方法，首次系统地研究了SrCl2-KCl-MgCl2熔体的局部结构和热物理性质 | NA | 旨在通过深度学习方法预测和分析SrCl2-KCl-MgCl2熔体的局部结构和热物理性质，以促进熔盐电解法制备Mg-Sr合金的发展 | SrCl2-KCl-MgCl2熔体的局部结构和热物理性质 | 机器学习 | NA | 深度势能分子动力学 | NA | NA | 温度范围从873到1173 K的SrCl2-KCl-MgCl2熔体 | NA | NA | NA | NA |
| 26353 | 2024-09-11 |
A Framework for Measuring Tree Rings Based on Panchromatic Images and Deep Learning
2024-Sep-10, Plant, cell & environment
DOI:10.1111/pce.15091
PMID:39253958
|
研究论文 | 提出了一种基于全色图像和深度学习的树轮测量自动化技术 | 利用卷积神经网络提高图像质量，并通过分割技术精确描绘树轮，进行树轮计数和宽度计算 | NA | 解决传统树轮测量方法劳动密集和资源消耗大的问题 | 树轮数据 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 从北京林业大学和颐和园等多个来源收集的大量数据集 | NA | NA | NA | NA |
| 26354 | 2024-09-11 |
Recognition of Molecular Structure of Phosphonium Salts from the Visual Appearance of Material with Deep Learning Can Reveal Subtle Homologs
2024-Sep-10, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202403423
PMID:39254289
|
研究论文 | 本文介绍了一种通过深度学习从材料的视觉外观识别季磷盐分子结构的前沿方法 | 首次展示了通过材料的视觉外观识别几乎无法区分的分子结构的可行性 | NA | 探索从材料的视觉外观识别分子结构的可行性 | 季磷盐及其同系物 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | 季磷盐混合物 | NA | NA | NA | NA |
| 26355 | 2024-09-11 |
Augmenting interpretation of vaginoscopy observations in cycling bitches with deep learning model
2024-Sep-09, BMC veterinary research
IF:2.3Q1
DOI:10.1186/s12917-024-04242-1
PMID:39245728
|
研究论文 | 本文介绍了一种利用深度学习模型增强对发情周期中母犬阴道镜观察结果解释的创新方法 | 本文首次将深度学习模型应用于母犬发情周期的阴道镜图像分析，并结合二进制灰狼优化算法和极端梯度提升算法进行特征优化和分类 | 研究样本量较小，仅包含210张阴道镜图像，可能影响模型的泛化能力 | 开发一种高效可靠的方法，用于识别母犬发情周期的不同阶段，以提高繁殖成功率 | 发情周期中的母犬阴道镜图像 | 计算机视觉 | NA | 深度学习 | ResNet 152, Inception V3, XGBoost | 图像 | 210张阴道镜图像，覆盖四个生殖阶段 | NA | NA | NA | NA |
| 26356 | 2024-09-11 |
Leveraging deep learning and computer vision technologies to enhance management of coastal fisheries in the Pacific region
2024-09-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-71763-y
PMID:39245678
|
研究论文 | 本文介绍了利用人工智能技术设计和开发的海岸渔业监测系统，旨在改进太平洋地区海岸渔业的管理 | 该系统利用YoloV4、OpenCV和ResNet101从图像中提取信息，实现了对近岸鱼类物种的自动识别和测量，并整合了其他关键渔业监测数据，支持快速渔业评估 | NA | 改进太平洋地区海岸渔业的管理 | 海岸渔业监测系统的设计与开发 | 计算机视觉 | NA | YoloV4, OpenCV, ResNet101 | ResNet101 | 图像 | 超过600种近岸鱼类物种的自动识别，以及超过80,000个样本的自动长度和重量测量 | NA | NA | NA | NA |
| 26357 | 2024-09-11 |
Enhanced stock market forecasting using dandelion optimization-driven 3D-CNN-GRU classification
2024-Sep-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-71873-7
PMID:39245700
|
研究论文 | 本文探讨了使用机器学习和深度学习技术进行股票市场预测的方法 | 提出了一种新的混合模型3D-CNN-GRU，结合了3D卷积神经网络和门控循环单元，并使用血凝算法进行超参数调优 | 模型的适用性受限于仅使用Nifty 50指数数据集 | 提高股票市场预测的准确性和效率 | 股票市场数据 | 机器学习 | NA | 小波变换 | 3D-CNN-GRU | 时间序列数据 | Nifty 50指数数据集 | NA | NA | NA | NA |
| 26358 | 2024-09-11 |
Study preferences and exam outcomes in medical education: insights from renal physiology
2024-Sep-06, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-024-05964-4
PMID:39242523
|
研究论文 | 研究了医学教育中学习偏好与考试成绩的关系，特别是肾脏生理学领域 | 揭示了学习时间与学术表现之间没有显著相关性，强调了学习质量而非数量的重要性 | 研究仅限于挪威卑尔根大学二年级的医学生，结果可能不适用于其他地区或年级的学生 | 探讨学习策略和资源利用对医学教育中复杂科目学术表现的影响 | 医学生的学习偏好、学习时间和考试成绩 | NA | 肾脏疾病 | NA | NA | NA | 挪威卑尔根大学二年级的医学生 | NA | NA | NA | NA |
| 26359 | 2024-09-11 |
Magnetostrictive bi-perceptive flexible sensor for tracking bend and position of human and robot hand
2024-Sep-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-70661-7
PMID:39242674
|
研究论文 | 本文提出了一种基于磁致伸缩材料的柔性双感知传感器，用于跟踪人体和机器人手部的弯曲状态和位置 | 利用磁致伸缩材料的独特磁-力耦合效应，实现了对应变和磁场双信息的感知 | NA | 开发一种能够同时感知弯曲应变和磁场的传感器，用于检测人体和机器人手部的弯曲状态和位置 | 人体和机器人手部的弯曲状态和位置 | 传感器技术 | NA | 磁致伸缩材料 | 深度学习模型 | 传感器输出数据 | NA | NA | NA | NA | NA |
| 26360 | 2024-09-11 |
A coordinated adaptive multiscale enhanced spatio-temporal fusion network for multi-lead electrocardiogram arrhythmia detection
2024-09-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-71700-z
PMID:39242748
|
研究论文 | 本文提出了一种用于多导联心电图心律失常检测的协调自适应多尺度时空融合网络STFAC-ECGNet | STFAC-ECGNet结合了CAMV-RNN块、CBMV-CNN块和TSEF块，整合了CNN、RNN和Transformer的优势，增强了模型的性能 | NA | 开发一种能够有效检测多导联心电图心律失常的深度学习模型 | 多导联心电图数据及其心律失常检测 | 机器学习 | 心血管疾病 | 深度学习 | CNN, RNN, Transformer | 心电图数据 | 使用了PTB-XL大型公开心电图数据集和中国生理信号挑战2018（CPSC2018）数据库 | NA | NA | NA | NA |