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 33586 篇文献，本页显示第 28101 - 28120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 28101 | 2024-08-30 |
Head and Neck Cancer Primary Tumor Auto Segmentation Using Model Ensembling of Deep Learning in PET/CT Images
2022, Head and neck tumor segmentation and outcome prediction : second challenge, HECKTOR 2021, held in conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings. Head and Neck Tumor Segmentation Challenge (2nd : 2021 ...
DOI:10.1007/978-3-030-98253-9_11
PMID:35399869
|
研究论文 | 本研究开发了一系列基于3D残差Unet（ResUnet）架构的深度学习模型，用于自动分割PET/CT图像中的口咽癌原发肿瘤，并通过内部和外部验证展示了其高性能 | 采用标签融合集成方法，包括Simultaneous Truth and Performance Level Estimation（STAPLE）和基于多数投票的体素级阈值方法（AVERAGE），生成共识分割 | 未来研究应关注通道组合和标签融合策略的最佳组合，以最大化分割性能 | 提高辐射肿瘤学工作流程中口咽癌原发肿瘤的自动分割 | 口咽癌原发肿瘤的自动分割 | 计算机视觉 | 头颈癌 | 深度学习 | 3D Residual Unet（ResUnet） | 图像 | 训练集224名患者，测试集101名患者 | NA | NA | NA | NA |
| 28102 | 2024-08-30 |
Combining Tumor Segmentation Masks with PET/CT Images and Clinical Data in a Deep Learning Framework for Improved Prognostic Prediction in Head and Neck Squamous Cell Carcinoma
2022, Head and neck tumor segmentation and outcome prediction : second challenge, HECKTOR 2021, held in conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings. Head and Neck Tumor Segmentation Challenge (2nd : 2021 ...
DOI:10.1007/978-3-030-98253-9_28
PMID:35399870
|
研究论文 | 本研究利用基于DenseNet架构的深度学习框架，结合PET图像、CT图像、原发肿瘤分割掩模和临床数据，预测头颈鳞状细胞癌患者的无进展生存期 | 本研究首次将肿瘤分割掩模作为额外的输入通道，显著提高了预测模型的C-index值 | NA | 提高头颈鳞状细胞癌患者的预后预测准确性 | 头颈鳞状细胞癌患者的无进展生存期 | 机器学习 | 头颈鳞状细胞癌 | 深度学习 | DenseNet | 图像 | 大量训练数据来自2021年HECKTOR挑战赛 | NA | NA | NA | NA |
| 28103 | 2024-08-30 |
Optimizing Graphical Procedures for Multiplicity Control in a Confirmatory Clinical Trial via Deep Learning
2022, Statistics in biopharmaceutical research
IF:1.5Q2
DOI:10.1080/19466315.2020.1799855
PMID:35401935
|
研究论文 | 本文评估了两种现有的无导数约束方法的性能，并提出了一种基于深度学习的优化框架，用于在确认性临床试验中优化图形程序以控制多重性 | 提出了一种基于前馈神经网络（FNN）的深度学习增强优化框架，该方法在保持某些测试程序特征固定的同时，优化其他特征 | NA | 优化确认性临床试验中的图形程序，以控制多重性并最大化特定目标函数 | 确认性临床试验中的多重性控制 | 机器学习 | NA | 深度学习 | 前馈神经网络（FNN） | NA | NA | NA | NA | NA | NA |
| 28104 | 2024-08-30 |
A systematic review on cough sound analysis for Covid-19 diagnosis and screening: is my cough sound COVID-19?
2022, PeerJ. Computer science
DOI:10.7717/peerj-cs.958
PMID:35634112
|
综述 | 本文综述了2020年和2021年利用人工智能工具分析咳嗽声音进行COVID-19筛查的最新研究 | 采用机器学习算法和深度学习模型分析咳嗽声音，以实现COVID-19的筛查 | 未包括预印本文章，因为它们未经同行评审 | 探讨人工智能工具在资源有限地区进行COVID-19大规模筛查的应用 | 咳嗽声音分析 | 机器学习 | COVID-19 | 机器学习 | 深度学习模型 | 声音 | NA | NA | NA | NA | NA |
| 28105 | 2024-08-30 |
Multiple Traffic Target Tracking with Spatial-Temporal Affinity Network
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/9693767
PMID:35655505
|
研究论文 | 本文提出了一种时空编码解码亲和网络用于多交通目标跟踪，旨在利用深度学习的力量学习检测和轨迹的鲁棒时空亲和特征以进行数据关联 | 该研究提出了一种新的时空编码解码亲和网络，通过两阶段变换器编码模块捕获图像级别和轨迹级别的特征，以及一个空间变换器解码模块计算关联亲和度，从而实现高效的数据关联 | NA | 利用深度学习技术改进智能交通系统中的多目标跟踪任务 | 多交通目标的跟踪 | 计算机视觉 | NA | 深度学习 | 变换器（Transformer） | 图像 | 使用了三个流行的多交通目标跟踪数据集：KITTI、UA-DETRAC和VisDrone进行评估 | NA | NA | NA | NA |
| 28106 | 2024-08-30 |
Interpretable Deep Learning Model Reveals Subsequences of Various Functions for Long Non-Coding RNA Identification
2022, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2022.876721
PMID:35685437
|
研究论文 | 本文介绍了一种名为Xlnc1DCNN的工具，用于通过一维卷积神经网络区分长非编码RNA（lncRNA）和蛋白质编码转录本（PCT），并提供预测解释 | Xlnc1DCNN不仅在准确性和F1分数上优于其他现有工具，还提供了预测结果的解释，揭示了lncRNA和PCT的主要识别特征 | NA | 开发一种能够有效区分lncRNA和PCT的计算工具，并提供预测结果的解释 | 长非编码RNA（lncRNA）和蛋白质编码转录本（PCT） | 机器学习 | NA | 下一代测序技术 | 一维卷积神经网络（1DCNN） | 序列数据 | 人类测试集 | NA | NA | NA | NA |
| 28107 | 2024-08-30 |
PSegNet: Simultaneous Semantic and Instance Segmentation for Point Clouds of Plants
2022, Plant phenomics (Washington, D.C.)
DOI:10.34133/2022/9787643
PMID:35693119
|
研究论文 | 本文提出了一种名为PSegNet的深度学习网络，用于植物点云的语义和实例分割 | 引入了Voxelized Farthest Point Sampling (VFPS)点云下采样策略和三个新模块：Double-Neighborhood Feature Extraction Block (DNFEB)、Double-Granularity Feature Fusion Module (DGFFM)和Attention Module (AM) | 未提及 | 提高植物表型分析中对植物生长监测的自动化水平 | 植物的叶子和茎的3D点云 | 计算机视觉 | NA | 深度学习 | PSegNet | 点云 | 涉及三种植物物种的数据集 | NA | NA | NA | NA |
| 28108 | 2024-08-30 |
Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline
2022, Plant phenomics (Washington, D.C.)
DOI:10.34133/2022/9758532
PMID:35693120
|
研究论文 | 开发并验证了一种基于深度学习的自动化微根窗图像分析流程 | 结合了先进的软件工具，使用深度神经网络和自动特征提取，显著减少了微根窗图像的处理时间 | NA | 开发一种用于高通量图像分析的客观方法，为田间根系表型分析提供数据 | 作物根系及其在农业生态系统中的作用 | 计算机视觉 | NA | 深度神经网络 | 神经网络模型 | 图像 | 超过36,500张图像 | NA | NA | NA | NA |
| 28109 | 2024-08-30 |
Deep Learning-Based Automated Detection of Arterial Vessel Wall and Plaque on Magnetic Resonance Vessel Wall Images
2022, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2022.888814
PMID:35720719
|
研究论文 | 本文开发并评估了一种基于深度学习的动脉血管壁和斑块自动分割方法，该方法有助于在磁共振血管壁成像中进行动脉形态学定量分析 | 提出的自动分割方法在分割动脉血管壁和斑块方面与手动方法具有良好的一致性，并且比传统U-Net、Attention U-Net和Inception U-Net在相同测试集上表现更好 | NA | 开发和评估一种自动分割动脉血管壁和斑块的方法，以促进动脉形态学在磁共振血管壁成像中的定量分析 | 动脉血管壁和斑块的自动分割 | 计算机视觉 | 心血管疾病 | 磁共振血管壁成像 | 卷积神经网络 | 图像 | 124名患有动脉粥样硬化斑块的患者 | NA | NA | NA | NA |
| 28110 | 2024-08-30 |
A novel and efficient deep learning approach for COVID-19 detection using X-ray imaging modality
2021-Dec, International journal of imaging systems and technology
IF:3.0Q2
DOI:10.1002/ima.22627
PMID:34518739
|
研究论文 | 本文提出了一种基于深度学习的卷积神经网络（CNN）集成模型，用于通过X射线影像快速准确地检测COVID-19 | 采用对比度增强和图像归一化预处理方法，以及数据增强技术，提高了检测准确性 | NA | 开发一种高效且准确的自动化COVID-19检测方法，以减少计算需求并防止病毒传播 | COVID-19、肺炎和正常胸部X射线图像 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | 2161张COVID-19图像，2022张肺炎图像，5863张正常胸部X射线图像 | NA | NA | NA | NA |
| 28111 | 2024-08-30 |
Multilevel depth-wise context attention network with atrous mechanism for segmentation of COVID19 affected regions
2021-Oct-26, Neural computing & applications
IF:4.5Q2
DOI:10.1007/s00521-021-06636-w
PMID:34720443
|
研究论文 | 本文提出了一种带有膨胀机制的多层次深度上下文注意力网络，用于COVID-19受影响区域的精确分割 | 引入了3D深度卷积和3D残差挤压激励块，以及不同膨胀率的膨胀机制，以捕获多尺度上下文特征 | 未提及 | 开发一种高效的深度学习解决方案，用于COVID-19及其变种的快速准确诊断 | COVID-19受影响区域的分割和病变定位 | 计算机视觉 | COVID-19 | 深度学习 | CNN | CT图像 | 基准CT数据集 | NA | NA | NA | NA |
| 28112 | 2024-08-30 |
Characterizing Swallows From People With Neurodegenerative Diseases Using High-Resolution Cervical Auscultation Signals and Temporal and Spatial Swallow Kinematic Measurements
2021-09-14, Journal of speech, language, and hearing research : JSLHR
DOI:10.1044/2021_JSLHR-21-00134
PMID:34428093
|
研究论文 | 本研究通过高分辨率颈听诊信号和时空吞咽运动学测量，比较了神经退行性疾病患者与健康成年人的吞咽功能差异，并探讨了高分辨率颈听诊在标记神经退行性疾病患者吞咽运动学事件中的能力 | 本研究首次使用高分辨率颈听诊（HRCA）结合深度学习机器学习算法，对神经退行性疾病患者的吞咽运动学事件进行精确标注 | 研究样本量相对较小，且仅限于神经退行性疾病患者与健康成年人之间的比较 | 比较神经退行性疾病患者与健康成年人的吞咽运动学测量，并评估高分辨率颈听诊在标记这些事件中的准确性 | 神经退行性疾病患者和健康成年人的吞咽功能 | 数字病理学 | 神经退行性疾病 | 高分辨率颈听诊（HRCA） | 深度学习机器学习算法 | 信号 | 170名神经退行性疾病患者和171名健康成年人的吞咽样本 | NA | NA | NA | NA |
| 28113 | 2024-08-30 |
Examining embedded apparatuses of AI in Facebook and TikTok
2021-Sep-12, AI & society
IF:2.9Q2
DOI:10.1007/s00146-021-01270-5
PMID:34539095
|
研究论文 | 本文通过分析Facebook和TikTok的透明度倡议和官方声明，探讨了AI在这些社交平台中的嵌入方式及其功能，特别是AI内容审核作为解决问题材料和错误信息传播的解决方案。 | 文章创新地分析了AI作为物质-话语机制的复杂性，强调了其在特定时间段内可见、可说、可知的论述技巧以及算法、数据集、用户、平台、基础设施、审核员等物质安排。 | 文章主要依赖于Facebook和TikTok的透明度倡议和官方声明，可能未能全面揭示AI在这些平台中运作的所有细节。 | 研究目的是探讨AI在社交平台中的嵌入方式及其对内容推荐、广告个性化、新闻聚合和问题材料审核的影响。 | 研究对象包括Facebook和TikTok这两个社交平台中的AI嵌入机制。 | 自然语言处理 | NA | 机器学习 (ML), 深度学习 (DL) | NA | 文本 | NA | NA | NA | NA | NA |
| 28114 | 2024-08-30 |
Machine learning for medical imaging-based COVID-19 detection and diagnosis
2021-Sep, International journal of intelligent systems
IF:5.0Q1
DOI:10.1002/int.22504
PMID:38607786
|
综述 | 本文综述了机器学习在基于医学影像的COVID-19检测与诊断中的最新进展，特别关注使用CT和X射线图像的机器学习模型 | 利用深度学习算法，特别是卷积神经网络，进行图像分割和分类，以识别COVID-19患者 | 许多机器学习模块在样本量有限的数据集上取得了显著的预测结果 | 探讨机器学习在COVID-19检测与诊断中的应用，以控制疫情传播和降低死亡率 | COVID-19的检测与诊断 | 机器学习 | COVID-19 | NA | 卷积神经网络 | 图像 | 有限样本量 | NA | NA | NA | NA |
| 28115 | 2024-08-30 |
CondenseNet with exclusive lasso regularization
2021, Neural computing & applications
IF:4.5Q2
DOI:10.1007/s00521-021-06222-0
PMID:34219978
|
研究论文 | 本文开发了CondenseNet-elasso，通过应用exclusive lasso正则化来消除不同卷积组之间的特征相关性，从而缓解神经网络的过拟合问题 | 引入exclusive lasso正则化，鼓励不同卷积组使用不同的输入通道子集，学习更多样化的特征 | NA | 提高计算效率并缓解神经网络的过拟合问题 | CondenseNet-elasso模型及其在图像分类任务中的性能 | 机器学习 | NA | group convolution | CNN | image | CIFAR10, CIFAR100和Tiny ImageNet数据集 | NA | NA | NA | NA |
| 28116 | 2024-08-30 |
Deep neural networks for COVID-19 detection and diagnosis using images and acoustic-based techniques: a recent review
2021, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-021-06137-x
PMID:34456618
|
综述 | 本文综述了使用图像和声学技术基于深度学习算法进行COVID-19检测和诊断的方法 | 讨论了不同方法的优势和劣势，并介绍了基于深度学习的COVID-19检测的数据库和主要未来挑战 | 未具体提及 | 探讨基于深度学习的COVID-19早期诊断和检测方法，以加快治疗过程并防止病毒传播 | COVID-19的早期检测和诊断 | 计算机视觉 | COVID-19 | 深度学习算法 | 深度神经网络 | 图像 | 未具体提及 | NA | NA | NA | NA |
| 28117 | 2024-08-30 |
Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks
2021, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-020-01900-3
PMID:34764554
|
研究论文 | 本文提出了一种使用后前位胸X光图像和微调深度神经网络来自动诊断COVID-19的方法 | 采用随机过采样和加权类别损失函数方法，以实现无偏微调学习，并应用于多种先进的深度学习模型 | 研究使用的数据集样本有限，主要关注COVID-19阳性病例 | 开发一种更稳健和替代的COVID-19诊断技术 | COVID-19的自动诊断和肺部感染的识别 | 机器学习 | 呼吸系统疾病 | 深度学习 | NASNetLarge, ResNet, Inception-v3, Inception ResNet-v2, DenseNet169 | 图像 | 公开数据集中包含的COVID-19阳性患者的后前位胸X光图像有限 | NA | NA | NA | NA |
| 28118 | 2024-08-30 |
A deep learning approach to characterize 2019 coronavirus disease (COVID-19) pneumonia in chest CT images
2020-Dec, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-07044-9
PMID:32617690
|
研究论文 | 利用深度学习模型自动检测COVID-19患者的胸部CT图像中的异常，并与放射科住院医师的定量判断性能进行比较 | 深度学习模型在检测COVID-19肺炎方面表现出比放射科住院医师更高的敏感性和诊断效率 | NA | 开发和验证一种深度学习算法，用于自动检测COVID-19患者的胸部CT图像中的肺炎病变 | COVID-19患者的胸部CT图像 | 计算机视觉 | COVID-19 | 深度学习 | 深度学习算法 | 图像 | 14,435名参与者的胸部CT图像用于训练和验证，96名确诊COVID-19患者的非重叠数据集用于测试 | NA | NA | NA | NA |
| 28119 | 2024-08-29 |
Osteoporotic vertebral compression fracture (OVCF) detection using artificial neural networks model based on the AO spine-DGOU osteoporotic fracture classification system
2024-Sep, North American Spine Society journal
DOI:10.1016/j.xnsj.2024.100515
PMID:39188670
|
研究论文 | 本文评估了基于AO脊柱-DGOU骨质疏松性骨折分类系统的人工神经网络模型在骨质疏松性椎体压缩骨折（OVCF）检测中的潜力。 | 利用深度学习的人工神经网络模型快速自动识别和可视化OVCF。 | NA | 评估人工神经网络在OVCF检测中的潜力。 | 骨质疏松性椎体压缩骨折（OVCF）的检测、分类和分级。 | 机器学习 | 骨质疏松症 | 深度学习 | ANN | CT图像 | 训练数据集包含934张CT图像，测试数据集包含116张CT图像。 | NA | NA | NA | NA |
| 28120 | 2024-08-29 |
The prognostic value of visual and automatic coronary calcium scoring from low-dose computed tomography-[15O]-water positron emission tomography
2024-Aug-26, European heart journal. Cardiovascular Imaging
DOI:10.1093/ehjci/jeae081
PMID:38525588
|
研究论文 | 本研究旨在验证通过低剂量计算机断层扫描（LDCT）自动和视觉评分冠状动脉钙化（CAC）的准确性，并评估在[15O]-水正电子发射断层扫描（PET）心肌灌注成像（MPI）期间获取的LDCT扫描对主要不良心脏事件（MACE）预测的附加价值 | 本研究首次评估了在[15O]-水PET MPI期间获取的LDCT扫描对CAC评分的附加价值，并使用深度学习方法进行自动评分 | 风险组分类的一致性仅为中等，且样本量相对较小 | 验证LDCT扫描中CAC评分的准确性并评估其对MACE预测的附加价值 | 572名疑似冠状动脉疾病患者 | 数字病理学 | 心血管疾病 | 低剂量计算机断层扫描（LDCT） | 深度学习 | 图像 | 572名患者 | NA | NA | NA | NA |