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 32801 篇文献，本页显示第 31661 - 31680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 31661 | 2024-08-05 |
Deep Metric Learning for Cervical Image Classification
2021, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/access.2021.3069346
PMID:34178558
|
研究论文 | 本文提出了一种基于深度度量学习的宫颈癌前病变检测方法 | 引入了一种不需要标记宫颈边界的新方法，利用深度度量学习处理数据稀缺和类别不平衡问题 | 没有提到使用数据增强技术的局限性 | 旨在改善对宫颈癌前病变的检测效果 | 使用宫颈图像来进行癌前病变的自动视觉评估 | 计算机视觉 | 宫颈癌 | 深度学习 | 深度卷积神经网络 | 图像 | NA | NA | NA | NA | NA |
| 31662 | 2024-08-05 |
Accelerated training of bootstrap aggregation-based deep information extraction systems from cancer pathology reports
2020-10, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2020.103564
PMID:32919043
|
研究论文 | 本研究探讨了通过数据划分和模型集成加速癌症病理报告的深度信息提取系统的训练 | 提出将大问题划分为多个子问题，并通过模型集成提高任务性能和加速训练 | 数据划分依赖于主要癌症部位，因此准确性受分区决定的影响，需要进一步调查和改进 | 提高癌症病理报告中的信息提取性能和训练速度 | 电子癌症病理报告中的自由文本数据 | 机器学习 | 癌症 | 深度学习，模型集成 | 多任务卷积神经网络 (MT-CNN)，多任务层次卷积注意力网络 (MT-HCAN) | 文本 | 训练案例重新采样2000次，生成了多达40000个模型 | NA | NA | NA | NA |
| 31663 | 2024-08-05 |
Deep Parametric Mixtures for Modeling the Functional Connectome
2020-Oct, PRedictive Intelligence in MEdicine. PRIME (Workshop)
DOI:10.1007/978-3-030-59354-4_13
PMID:33163995
|
研究论文 | 本文介绍了一种深度学习模型，用于基于因子值预测功能连接组，以更好地理解各种因素对大脑功能的影响 | 该研究提出的模型能够克服传统方法在处理连续因子时所带来的不一致性问题，通过定义在相关矩阵上的单纯形，确保生成合理的连接组 | 该研究的局限性在于其模型的应用仅限于休息态fMRI数据，未探讨其他类型的数据或其他因子的影响 | 研究旨在通过建模功能连接组，深入理解不同因素对大脑功能的影响 | 研究对象为281名参与者的休息态fMRI扫描数据，以研究性别、酒精和HIV对大脑功能的影响 | 计算机视觉 | NA | 深度学习 | NA | fMRI扫描 | 281名参与者 | NA | NA | NA | NA |
| 31664 | 2024-08-05 |
Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes
2020-Oct, Shape in Medical Imaging : International Workshop, ShapeMI 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4, 2020, Proceedings
DOI:10.1007/978-3-030-61056-2_8
PMID:33283214
|
研究论文 | 该论文提出了一种基于网格的技术，以帮助分类阿尔茨海默病痴呆（ADD） | 创新点在于提出了一种残差学习框架的图卷积网络，显著减少了可学习参数，并提供了网络的可视化解释 | 该研究未提及样本量限制或数据来源的多样性问题 | 研究旨在通过分析大脑形状，改善阿尔茨海默病痴呆的分类 | 研究对象为大脑皮层和皮层下结构的网格表示 | 计算机视觉 | 阿尔茨海默病 | 图卷积网络 | 残差学习框架 | 图形数据 | 在25次试验的蒙特卡洛交叉验证中确认模型性能 | NA | NA | NA | NA |
| 31665 | 2024-08-05 |
6-MONTH INFANT BRAIN MRI SEGMENTATION GUIDED BY 24-MONTH DATA USING CYCLE-CONSISTENT ADVERSARIAL NETWORKS
2020-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi45749.2020.9098515
PMID:34422223
|
研究论文 | 本文提出了一种利用24个月龄数据引导6个月龄婴儿脑MRI分割的方法 | 引入3D-cycleGAN-Seg架构，以在不同年龄段脑图像之间转移特征，用于提高6个月龄图像的分割精度 | 数据集主要依赖于24个月龄的高对比度图像，如何生成高质量的合成图像仍有待进一步验证 | 探讨如何通过高对比度的图像指导低对比度婴儿脑MRI的分割 | 6个月龄和24个月龄的婴儿脑MRI图像 | 计算机视觉 | NA | CycleGAN | 3D-cycleGAN-Seg | 图像 | 使用的样本数量NA | NA | NA | NA | NA |
| 31666 | 2024-08-05 |
Automatic labeling of respiratory phases and detection of abnormal respiratory signals in free-breathing thoracic dynamic MR image acquisitions based on deep learning
2020-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2549983
PMID:33060886
|
研究论文 | 本文提出了基于深度学习的框架，自动标记呼吸阶段并检测异常呼吸信号。 | 创新点在于将卷积神经网络（CNN）和长短期记忆网络（LSTM）结合用于处理3D动态磁共振成像的呼吸相位识别和异常信号检测。 | 研究主要集中在动态磁共振成像上，方法的普适性和适应性仍需进一步验证。 | 旨在改善4D胸部图像构建过程中的呼吸相位识别和异常信号检测。 | 研究对象为接受动态磁共振成像的患者，主要分析其呼吸图像序列。 | 计算机视觉 | 胸部不足症候群 | 动态磁共振成像（dMRI） | 卷积神经网络（CNN）和长短期记忆网络（LSTM） | 图像 | 每位患者约3000个切片 | NA | NA | NA | NA |
| 31667 | 2024-08-05 |
Deep Magnetic Resonance Image Reconstruction: Inverse Problems Meet Neural Networks
2020-Jan, IEEE signal processing magazine
IF:9.4Q1
DOI:10.1109/MSP.2019.2950557
PMID:33746470
|
研究论文 | 本文概述了基于深度学习的MRI图像重建方法 | 探讨了基于深度学习的图像重建方法在快速MRI中的应用潜力 | 未具体涉及不同算法的比较和实际应用案例 | 旨在提高快速MRI图像重建的效率 | 讨论两种类型的基于深度学习的重建方法 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 31668 | 2024-08-05 |
Internal-transfer Weighting of Multi-task Learning for Lung Cancer Detection
2020, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2548755
PMID:34040274
|
研究论文 | 本文提出了一种内部转移加权的多任务学习方法用于肺癌检测 | 介绍了一种新的学习策略Periodic Focusing Learning Policy（PFLP）和内部转移加权策略（ITW），以优化多任务网络的训练 | 对于无法收敛的多任务基线网络，需要进一步研究改进方法 | 提高肺癌预测的准确性 | 3386名患者的CT扫描数据，涉及多种呼吸系统疾病的辅助任务 | 数字病理学 | 肺癌 | 深度学习 | 3D注意力网络 | 图像 | 3386个CT扫描（每名患者一个扫描） | NA | NA | NA | NA |
| 31669 | 2024-08-05 |
Skull-Stripping of Glioblastoma MRI Scans Using 3D Deep Learning
2019-Oct, Brainlesion : glioma, multiple sclerosis, stroke and traumatic brain injuries. BrainLes (Workshop)
DOI:10.1007/978-3-030-46640-4_6
PMID:32577629
|
研究论文 | 本文评估了使用3D深度学习架构进行胶质瘤MRI扫描的头骨去除性能 | 提出了一种新的方法，专注于多参数MRI扫描中的头骨去除，与现有方法相比能够更好地处理脑肿瘤图像 | 只评估了公共可用的实现，而未考虑其他潜在的3D深度学习架构 | 研究旨在优化在胶质瘤MRI图像上进行头骨去除的性能 | 使用1796个手动检查过的胶质瘤mpMRI扫描作为研究对象 | 计算机视觉 | 脑肿瘤 | 3D深度学习 | DeepMedic, 3D U-Net, FCN | MRI图像 | 1796个mpMRI脑肿瘤扫描 | NA | NA | NA | NA |
| 31670 | 2024-08-05 |
DDL: Deep Dictionary Learning for Predictive Phenotyping
2019-Aug, IJCAI : proceedings of the conference
DOI:10.24963/ijcai.2019/812
PMID:33767572
|
研究论文 | 本文提出了一种深度字典学习框架（DDL），旨在通过使用无标签数据来改善预测表型的性能。 | 本研究创新性地使用无标签数据作为信息的补充来源，以生成更好、更简明的数据表示，从而克服标签不足的问题。 | 本研究可能受到无标签数据质量和多样性的影响，这可能限制了结果的广泛适用性。 | 研究的目的是提高基于电子健康记录（EHR）数据的预测表型准确性。 | 研究对象包括多个EHR数据集中的患者表型。 | 机器学习 | NA | 深度学习 | 深度字典学习 | 电子健康记录（EHR）数据 | 多个EHR数据集 | NA | NA | NA | NA |
| 31671 | 2024-08-05 |
BIRNet: Brain image registration using dual-supervised fully convolutional networks
2019-05, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2019.03.006
PMID:30939419
|
研究论文 | 本文提出了一种通过预测变形从图像外观进行图像配准的深度学习方法 | 设计了一种全卷积网络，采用双重指导来避免过度依赖训练变形场的监督 | 获取训练的真实变形场可能具有挑战性 | 研究如何通过深度学习实现脑部图像的配准 | 脑部图像 | 计算机视觉 | NA | 深度学习 | 全卷积网络 | 图像 | 多种数据集的实验 | NA | NA | NA | NA |
| 31672 | 2024-08-07 |
AFAR: A Deep Learning Based Tool for Automated Facial Affect Recognition
2019-May, Proceedings of the ... International Conference on Automatic Face and Gesture Recognition. IEEE International Conference on Automatic Face & Gesture Recognition
DOI:10.1109/FG.2019.8756623
PMID:31762712
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 31673 | 2024-08-05 |
FULLY-AUTOMATIC SEGMENTATION OF KIDNEYS IN CLINICAL ULTRASOUND IMAGES USING A BOUNDARY DISTANCE REGRESSION NETWORK
2019-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/ISBI.2019.8759170
PMID:31803348
|
研究论文 | 本文提出一种新颖的边界距离回归深度神经网络用于自动分割临床超声图像中的肾脏 | 提出了一种全新的深度学习方法，通过边界距离回归网络解决肾脏形状和图像强度分布多样性的挑战 | 未提及具体的限制因素 | 提升肾脏自动分割的性能 | 针对超声图像中的肾脏进行自动分割 | 数字病理学 | NA | 深度学习 | 边界距离回归网络 | 图像 | NA | NA | NA | NA | NA |
| 31674 | 2024-08-05 |
Machine learning for segmenting cells in corneal endothelium images
2019-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2513580
PMID:31762537
|
研究论文 | 本文研究了使用深度学习方法对角膜内皮细胞图像进行自动分割 | 比较了两种深度神经网络方法U-Net和SegNet在细胞分割中的表现 | 未明确提及本文的具体局限性 | 探讨如何自动分割角膜内皮细胞图像以评估角膜健康 | 角膜内皮细胞图像及其分割 | 计算机视觉 | NA | 深度学习 | U-Net和SegNet | 图像 | 130张有专家标注的图像 | NA | NA | NA | NA |
| 31675 | 2024-08-05 |
Predicting Cognitive Scores from Resting fMRI Data and Geometric Features of the Brain
2019-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2512063
PMID:34305256
|
研究论文 | 本文探讨了深度学习神经网络在预测正常人群和注意力缺陷多动障碍(ADHD)患者的认知表现评分中的应用 | 研究展示了将休息态功能性磁共振成像(rfMRI)与几何特征相结合以提高认知评分预测的方法 | 样本量相对较小，仅包含168张图像，可能影响模型的泛化能力 | 探索使用深度学习神经网络来预测认知能力评分 | 正常对照和ADHD患者的脑部结构和功能成像数据 | 计算机视觉 | 注意力缺陷多动障碍 | 功能性磁共振成像(fMRI), T1加权磁共振成像(MRI) | 卷积神经网络(CNN) | 图像 | 168张图像用于训练，90张图像用于测试 | NA | NA | NA | NA |
| 31676 | 2024-08-05 |
Surgical Aid Visualization System for Glioblastoma Tumor Identification based on Deep Learning and In-Vivo Hyperspectral Images of Human Patients
2019-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2512569
PMID:31447494
|
研究论文 | 本研究开发了一种基于深度学习和人脑组织的体内高光谱图像的外科辅助可视化系统，以支持胶质母细胞瘤的识别 | 提出了一种利用深度学习处理高光谱图像的手术辅助可视化系统，实现准确的肿瘤重切及术中实时指导 | 样本量较小，仅包括16个不同患者的高光谱数据 | 旨在提供实时、可靠的肿瘤切除辅助技术，以提高外科手术的准确性和病人生活质量 | 研究对象为人脑组织的高光谱图像 | 数字病理学 | 胶质瘤 | 高光谱成像（HSI） | 深度学习（DL） | 图像 | 16个不同患者的26个超立方体，总计258,810个标记像素 | NA | NA | NA | NA |
| 31677 | 2024-08-05 |
A scalable discrete-time survival model for neural networks
2019, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.6257
PMID:30701130
|
研究论文 | 本文描述了一种适用于神经网络的离散时间生存模型Nnet-survival | 该模型使用小批量随机梯度下降方法进行训练，并具有灵活性，能够处理大数据集及不同的基线风险率 | 未提及具体的模型局限性 | 研究旨在提高生存数据的预测能力 | 研究对象为具有已知随访时间及事件/审查指标的患者数据 | 机器学习 | NA | 最大似然法 | 神经网络 | 模拟数据和真实数据 | NA | NA | NA | NA | NA |
| 31678 | 2024-08-05 |
Pre-operative Overall Survival Time Prediction for Glioblastoma Patients Using Deep Learning on Both Imaging Phenotype and Genotype
2019, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-030-32239-7_46
PMID:34085058
|
研究论文 | 该文章提出了一种新的基于深度学习的方法来预测胶质母细胞瘤（GBM）患者的术前总生存时间。 | 创新点在于结合术前多模态MR图像和肿瘤基因型信息进行总生存时间预测，尤其是使用了多任务卷积神经网络来同时进行基因型和总生存时间预测。 | 文章中可能没有讨论模型在不同临床环境中的适用性和外部验证的结果。 | 研究目的在于通过结合影像表型和基因型信息以提高胶质母细胞瘤患者的术前预后准确性。 | 研究对象是120名胶质母细胞瘤（GBM）患者的术前影像数据。 | 机器学习 | 胶质母细胞瘤 | 深度学习 | 多任务卷积神经网络（CNN） | 影像 | 120名胶质母细胞瘤患者的样本 | NA | NA | NA | NA |
| 31679 | 2024-08-05 |
Improved deep learning-based macromolecules structure classification from electron cryo-tomograms
2018-Nov, Machine vision and applications
IF:2.4Q2
DOI:10.1007/s00138-018-0949-4
PMID:31511756
|
研究论文 | 该论文提出了一种基于深度学习的新方法，用于从电子冷冻断层扫描数据中分类大分子结构 | 本文提出了三种新设计的CNN模型，以提高大规模大分子结构分类的性能 | 尽管新模型在分类准确性上有显著提高，但仍可能在真实世界数据中面临挑战 | 改善深度学习在大分子结构分类中的应用性能 | 使用电子冷冻断层扫描数据进行大分子复杂结构的分类 | 计算机视觉 | NA | 电子冷冻断层扫描 (CECT) | 卷积神经网络 (CNN) | 图像 | 12个不同信噪比和倾斜角度范围的数据集 | NA | NA | NA | NA |
| 31680 | 2024-08-05 |
Voxel Deconvolutional Networks for 3D Brain Image Labeling
2018-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining
DOI:10.1145/3219819.3219974
PMID:30906620
|
研究论文 | 本文提出了一种用于3D脑图像标记的体素反卷积层（VoxelDCL）来解决反卷积层中的棋盘伪影问题 | 首次在3D空间中提出体素反卷积层以解决反卷积层的棋盘伪影问题，并在U-Net架构上构建了多种变体的体素反卷积网络 | 该研究主要集中于解决3D空间中的棋盘伪影问题，未深入探讨其他可能的图像处理问题 | 提高3D脑图像标记的准确性 | 使用ADNI和LONI LPBA40数据集进行3D脑图像标记任务 | 计算机视觉 | NA | 反卷积 | U-Net | 图像 | 使用ADNI和LONI LPBA40数据集 | NA | NA | NA | NA |