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 32705 篇文献，本页显示第 32401 - 32420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 32401 | 2024-08-07 |
Subcutaneous fat predicts bone metastasis in breast cancer: A novel multimodality-based deep learning model
2024, Cancer biomarkers : section A of Disease markers
IF:2.2Q3
DOI:10.3233/CBM-230219
PMID:38043007
|
研究论文 | 本研究利用深度学习方法，结合临床信息和CT图像特征，预测乳腺癌患者的骨转移 | 首次提出使用皮下脂肪指数作为预测乳腺癌骨转移的独立预后因素，并采用多模态深度学习算法进行预测 | NA | 探索利用深度学习技术预测乳腺癌患者的骨转移 | 乳腺癌患者的骨转移预测 | 机器学习 | 乳腺癌 | CT图像 | CNN | 图像 | 431名乳腺癌患者 | NA | NA | NA | NA |
| 32402 | 2024-08-07 |
Learning multi-site harmonization of magnetic resonance images without traveling human phantoms
2024, Communications engineering
DOI:10.1038/s44172-023-00140-w
PMID:38420332
|
研究论文 | 本文提出了一种无需人类受试者跨站点采集数据即可实现磁共振图像多站点协调的深度学习方法 | 该方法通过分离站点特定外观信息和站点不变解剖信息，生成适用于任何目标站点的图像，无需额外数据收集 | NA | 提高磁共振图像数据的一致性，实现多站点图像数据的有效整合 | 磁共振图像的多站点协调 | 计算机视觉 | NA | 深度学习 | 深度神经网络 | 图像 | 超过6,000张多站点T1和T2加权图像 | NA | NA | NA | NA |
| 32403 | 2024-08-07 |
MHCII-peptide presentation: an assessment of the state-of-the-art prediction methods
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1293706
PMID:38646540
|
研究论文 | 本文评估了最新的MHCII-肽结合预测计算方法的性能 | 采用了深度学习算法和大量训练数据，新开发的预测方法性能优于旧方法 | NA | 评估和概述最新的MHCII-肽结合预测计算方法 | MHCII-肽结合预测方法 | 生物信息学 | NA | 深度学习 | NA | 蛋白质序列数据 | 包含20种人类MHCII蛋白同种型的结合和非结合肽的独立数据集 | NA | NA | NA | NA |
| 32404 | 2024-08-07 |
Artificial intelligence in the healthcare sector: comparison of deep learning networks using chest X-ray images
2024, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2024.1386110
PMID:38660365
|
研究论文 | 本研究探讨了深度学习网络在胸部X光图像疾病诊断中的应用 | 本研究首次比较了ResNet101、AlexNet、GoogLeNet和Xception在胸部X光图像疾病诊断中的成功率 | 研究使用的数据集仅包含COVID-19、病毒性肺炎和健康个体的胸部X光图像 | 旨在确定深度学习网络在疾病诊断中的成功率 | 深度学习网络ResNet101、AlexNet、GoogLeNet和Xception | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 1,680张胸部X光图像，包括COVID-19、病毒性肺炎和健康个体 | NA | NA | NA | NA |
| 32405 | 2024-08-07 |
A hybrid deep learning scheme for MRI-based preliminary multiclassification diagnosis of primary brain tumors
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1363756
PMID:38746679
|
研究论文 | 本研究探索了一种结合多种先进技术的混合深度学习方案，用于提高原发性脑肿瘤诊断的分类性能和可解释性 | 本研究通过结合超分辨率重建、动态学习率退火策略、特征迁移和机器学习等技术，提高了深度学习模型的分类性能和可解释性 | NA | 探索一种混合深度学习方案，以提高原发性脑肿瘤诊断的准确性和自动化程度 | 原发性脑肿瘤的诊断 | 机器学习 | 脑肿瘤 | 深度学习 | DenseNet121, LightGBM | MRI图像 | 230名原发性脑肿瘤患者，包括97名脑膜瘤、66名胶质瘤和67名垂体瘤 | NA | NA | NA | NA |
| 32406 | 2024-08-07 |
MAMILNet: advancing precision oncology with multi-scale attentional multi-instance learning for whole slide image analysis
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1275769
PMID:38746682
|
研究论文 | 本文介绍了MAMILNet，一种用于全切片图像分析的多尺度注意力多实例学习框架，旨在提高肿瘤检测、分类和治疗反应预测的精确度 | MAMILNet通过引入注意力机制和多尺度策略，提高了模型的泛化能力和预测准确性，同时减少了病理学家的手动工作量 | NA | 推动精准肿瘤学和个体化治疗计划的发展 | 全切片图像分析中的肿瘤检测、分类和治疗反应预测 | 数字病理学 | NA | 多尺度注意力多实例学习 | 注意力机制 | 图像 | 1171例涵盖多种癌症类型 | NA | NA | NA | NA |
| 32407 | 2024-08-07 |
Editorial: IoT, UAV, BCI empowered deep learning models in precision agriculture
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1399753
PMID:38751845
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 32408 | 2024-08-07 |
Patient-derived PixelPrint phantoms for evaluating clinical imaging performance of a deep learning CT reconstruction algorithm
2023-Dec-09, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.12.07.23299625
PMID:38106064
|
研究论文 | 本研究使用基于患者胸部CT扫描的3D打印PixelPrint肺部幻影，评估商业深度学习重建（DLR）算法在不同辐射剂量水平下的临床成像性能 | 使用基于患者的3D打印PixelPrint肺部幻影，提供比传统CT幻影更真实的组织结构，实现基于结构的图像质量评估 | NA | 评估深度学习重建算法在不同辐射剂量下的临床成像性能 | 深度学习重建算法和3D打印PixelPrint肺部幻影 | 计算机视觉 | NA | 3D打印技术 | 深度学习重建算法 | 图像 | 使用了一个基于患者胸部CT扫描的肺部幻影，并通过不同大小的扩展环模拟小和中等体型的患者 | NA | NA | NA | NA |
| 32409 | 2024-08-07 |
Automatic reorientation by deep learning to generate short-axis SPECT myocardial perfusion images
2023-10, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
IF:3.0Q2
DOI:10.1007/s12350-023-03226-2
PMID:36859594
|
研究论文 | 本研究开发了一种基于深度学习的方法，用于自动重新定位单光子发射计算机断层扫描（SPECT）心肌灌注图像（MPI）到标准短轴切片 | 本研究首次采用卷积神经网络（CNN）预测变换参数，并通过空间变换网络（STN）生成重新定位的图像 | NA | 开发一种基于深度学习的方法，用于自动重新定位SPECT心肌灌注图像到标准短轴切片 | SPECT心肌灌注图像的自动重新定位 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN | 图像 | 共254名患者，包括226个应激SPECT MPI和247个休息SPECT MPI | NA | NA | NA | NA |
| 32410 | 2024-08-07 |
ChampKit: A framework for rapid evaluation of deep neural networks for patch-based histopathology classification
2023-Sep, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2023.107631
PMID:37271050
|
研究论文 | 本文介绍了一个名为ChampKit的软件工具，用于快速评估基于补丁的组织病理学分类的深度神经网络模型 | ChampKit提供了一个可扩展、完全可复制的评估工具包，支持多种公共数据集，并允许用户通过命令行直接训练和评估模型，无需编写代码 | 本文未明确提及具体限制 | 旨在提供一个工具，以系统地评估不同组织病理学分类任务的神经网络模型 | 深度神经网络模型在组织病理学图像分类中的应用 | 计算机视觉 | NA | 深度学习 | CNN, ViT | 图像 | 涉及六个数据集 | NA | NA | NA | NA |
| 32411 | 2024-08-07 |
Leveraging deep learning models to understand the daily experience of anxiety in teenagers over the course of a year
2023-05-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2023.02.084
PMID:36858267
|
研究论文 | 本文利用深度学习模型评估青少年在一年中焦虑症状的日常变化，并探讨GAD-7评估与日常焦虑测量之间的关系 | 本文首次通过深度学习模型LSTM分析了青少年焦虑症状的动态变化，并揭示了GAD-7评估与日常焦虑体验之间的差异 | 研究样本较小，仅包括30名青少年，可能影响结果的普遍性 | 评估GAD-7等即时评估方法与青少年日常焦虑体验之间的关系 | 青少年的焦虑症状及其日常变化 | 机器学习 | NA | NA | LSTM | 文本 | 30名年龄在15至17岁之间的青少年 | NA | NA | NA | NA |
| 32412 | 2024-08-07 |
STRIDE: Systematic Radar Intelligence Analysis for ADRD Risk Evaluation with Gait Signature Simulation and Deep Learning
2023-May-15, IEEE sensors journal
IF:4.3Q2
DOI:10.1109/jsen.2023.3263071
PMID:37547101
|
研究论文 | 本文提出了一种名为STRIDE的系统，结合微多普勒雷达传感器和先进的人工智能技术，用于评估阿尔茨海默病相关痴呆（ADRD）的风险 | STRIDE系统嵌入了一种新的深度学习分类框架，并开发了一个包含人体行走模拟模型和微多普勒雷达模拟模型的“数字孪生”，以生成步态特征数据集 | NA | 评估阿尔茨海默病相关痴呆（ADRD）的风险 | 通过微多普勒雷达捕捉的人体步态运动 | 机器学习 | 阿尔茨海默病 | 微多普勒雷达 | 深度学习 | 步态特征数据 | NA | NA | NA | NA | NA |
| 32413 | 2024-08-07 |
U-net Models Based on Computed Tomography Perfusion Predict Tissue Outcome in Patients with Different Reperfusion Patterns
2022-10, Translational stroke research
IF:3.8Q2
DOI:10.1007/s12975-022-00986-w
PMID:35043358
|
研究论文 | 本文开发了一种基于计算机断层扫描灌注（CTP）图像的U-net深度学习模型，用于更准确地评估急性大血管闭塞（LVO）患者的缺血核心和风险组织 | U-net模型在识别梗死核心和风险组织方面优于固定阈值方法，提供了针对不同再灌注模式的患者的个性化预测 | NA | 评估脑灌注对于急性大血管闭塞患者治疗选择的重要性，并开发一种新的深度学习模型以更准确地评估缺血核心和风险组织 | 急性缺血性卒中接受血管内治疗的患者，分为主要再灌注组和最小再灌注组 | 机器学习 | 脑血管疾病 | CTP | U-net | 图像 | 110名急性缺血性卒中患者 | NA | NA | NA | NA |
| 32414 | 2024-08-07 |
SVision: a deep learning approach to resolve complex structural variants
2022-10, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-022-01609-w
PMID:36109679
|
研究论文 | 本文开发了一种基于深度学习的多目标识别框架SVision，用于自动检测和表征长读长测序数据中的复杂结构变异 | SVision能够识别复杂事件的内部结构，并能敏感地检测常见和先前未表征的复杂重排 | NA | 开发一种新的方法来解析复杂结构变异 | 复杂结构变异 | 机器学习 | NA | 深度学习 | 多目标识别框架 | 长读长测序数据 | 从单个基因组中揭示了80个高质量的复杂结构变异，具有25种不同的结构 | NA | NA | NA | NA |
| 32415 | 2024-08-07 |
BindVAE: Dirichlet variational autoencoders for de novo motif discovery from accessible chromatin
2022-08-15, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-022-02723-w
PMID:35971180
|
研究论文 | 本文介绍了一种名为BindVAE的新型无监督深度学习方法，基于Dirichlet变分自编码器，用于从开放染色质区域联合解码多个转录因子（TF）结合信号。 | BindVAE能够将输入的DNA序列分解为不同的潜在因子，这些因子编码细胞类型特异性的体内结合信号、TFs合作结合的复合模式以及结合位点周围的基因组上下文。 | NA | 开发一种新的无监督深度学习方法，用于从开放染色质区域中联合解码多个转录因子结合信号。 | DNA序列中的转录因子结合信号 | 机器学习 | NA | Dirichlet变分自编码器 | 变分自编码器（VAE） | DNA序列 | NA | NA | NA | NA | NA |
| 32416 | 2024-08-07 |
A Novel Deep Learning Radiomics Model to Discriminate AD, MCI and NC: An Exploratory Study Based on Tau PET Scans from ADNI
2022-Aug-12, Brain sciences
IF:2.7Q3
DOI:10.3390/brainsci12081067
PMID:36009130
|
研究论文 | 本文探索了一种基于深度学习放射组学（DLR）的新模型，用于区分阿尔茨海默病（AD）患者、轻度认知障碍（MCI）患者和正常对照（NC）受试者，该模型在tau正电子发射断层扫描（tau-PET）的基础上进行了验证。 | 提出了一个基于深度学习放射组学的新模型，用于区分AD、MCI和NC，并在tau-PET扫描上进行了验证。 | NA | 探索和验证一种新的深度学习放射组学模型，用于区分阿尔茨海默病、轻度认知障碍和正常对照。 | 阿尔茨海默病（AD）患者、轻度认知障碍（MCI）患者和正常对照（NC）受试者。 | 机器学习 | 阿尔茨海默病 | tau正电子发射断层扫描（tau-PET） | 深度学习放射组学（DLR）模型 | 图像 | 211名正常对照（NC）、197名轻度认知障碍（MCI）和117名阿尔茨海默病（AD）患者。 | NA | NA | NA | NA |
| 32417 | 2024-08-07 |
FissureNet: A Deep Learning Approach For Pulmonary Fissure Detection in CT Images
2019-01, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2018.2858202
PMID:30106711
|
研究论文 | 本文提出了一种名为FissureNet的深度学习框架，用于在CT图像中检测肺裂 | FissureNet采用了一种从粗到细的级联卷积神经网络策略，有效解决了传统方法在检测弱和异常肺裂时敏感性低的问题 | NA | 提高肺裂在CT图像中的检测准确性 | 肺裂在CT图像中的自动检测 | 计算机视觉 | 肺部疾病 | 卷积神经网络 | CNN | 图像 | 3706名受试者的吸气和呼气3DCT扫描，以及20名受试者的4DCT扫描 | NA | NA | NA | NA |
| 32418 | 2024-08-07 |
A lightweight deep learning approach for detecting electrocardiographic lead misplacement
2024-May-15, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ad43ae
PMID:38663434
|
研究论文 | 本文提出了一种基于深度学习的新型心电图（ECG）导联错位检测方法 | 开发了两种新型轻量级深度学习模型，分别用于肢体和胸导联错位检测 | NA | 旨在开发一种有效的心电图导联错位检测方法 | 心电图导联错位检测 | 机器学习 | NA | 深度学习 | 深度学习模型 | 心电图数据 | 使用Chapman数据库进行训练和验证，评估数据集包括PTB-XL、PTB和LUDB数据库 | NA | NA | NA | NA |
| 32419 | 2024-08-07 |
Lattice thermal conductivity and mechanical properties of the single-layer penta-NiN2 explored by a deep-learning interatomic potential
2024-May-15, Physical chemistry chemical physics : PCCP
IF:2.9Q1
DOI:10.1039/d4cp00997e
PMID:38689542
|
研究论文 | 研究了新型二维五边形penta-NiN2单层的晶格热导率、稳定性和力学行为 | 首次使用深度学习原子间势（DLP）从分子动力学（AIMD）数据生成并用于经典分子动力学模拟 | NA | 探索penta-NiN2单层的晶格热导率和力学性能 | penta-NiN2单层的晶格热导率、稳定性、力学行为及缺陷对其性能的影响 | 材料科学 | NA | 深度学习原子间势（DLP） | 深度学习模型 | 分子动力学数据 | NA | NA | NA | NA | NA |
| 32420 | 2024-08-07 |
Automated medication verification system (AMVS): System based on edge detection and CNN classification drug on embedded systems
2024-May-15, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e30486
PMID:38742071
|
研究论文 | 本文介绍了一种基于边缘检测和CNN分类的自动化药物验证系统（AMVS），旨在减少医院中的药物错误 | 系统在封闭空间中进行研究，以最小化光学变化对图像捕捉的影响，并使用深度学习模型快速准确地分类药物 | NA | 提高药物验证过程的效率并减少药物错误 | 自动化药物验证系统 | 计算机视觉 | NA | 边缘检测，CNN | CNN | 图像 | 药物集包含少于十种类型和十种类型 | NA | NA | NA | NA |