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 45529 篇文献，本页显示第 33241 - 33260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 33241 | 2024-08-07 |
Editorial for "Deep Learning Model for Grading and Localization of Lumbar Disc Herniation on Magnetic Resonance Imaging"
2025-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29457
PMID:38804734
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 33242 | 2024-12-15 |
A deep-learning system for diagnosing ectopic eruption
2025-Jan, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2024.105399
PMID:39424256
|
研究论文 | 构建了一个用于混合牙列诊断的多阶段深度学习网络模型，以预测恒牙的异位萌发 | 该研究创新性地将牙列分割整合到自动分类牙发育阶段的过程中，并展示了模型在多个场景中的适应性 | NA | 开发一种用于诊断异位萌发的深度学习系统 | 儿童的混合牙列和恒牙的异位萌发 | 机器学习 | NA | 深度学习 | 多阶段深度学习网络 | 图像 | 1576张儿童全景X光片，年龄范围为6-12岁 | NA | NA | NA | NA |
| 33243 | 2024-12-14 |
A combined deep learning framework for mammalian m6A site prediction
2024-Dec-11, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2024.100697
PMID:39571573
|
研究论文 | 本文设计了一个结合Transformer架构和循环神经网络的深度学习框架deepSRAMP，用于预测哺乳动物m6A位点 | deepSRAMP在性能上显著优于其前身SRAMP，并在多个基准数据集上超越了其他最先进的m6A预测器 | NA | 开发一种新的深度学习框架，用于精确预测哺乳动物mRNA中的m6A位点 | 哺乳动物mRNA中的m6A位点 | 机器学习 | NA | 深度学习 | Transformer架构和循环神经网络 | 序列数据和基因组数据 | 多个基准数据集 | NA | NA | NA | NA |
| 33244 | 2024-12-15 |
Prediction of gene expression-based breast cancer proliferation scores from histopathology whole slide images using deep learning
2024-Dec-11, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-024-13248-9
PMID:39663527
|
研究论文 | 本研究使用深度学习模型从全切片数字病理图像中预测乳腺癌的基因表达增殖评分 | 首次展示了使用深度卷积神经网络（CNN）从全切片数字病理图像中直接预测乳腺癌的基因表达增殖评分，并提供了临床预测信息 | 研究样本量有限，且仅限于侵袭性乳腺癌患者 | 评估是否可以从数字全切片图像中使用深度学习模型预测乳腺癌的分子增殖标志物 | 乳腺癌患者的全切片数字病理图像和RNA测序数据 | 数字病理学 | 乳腺癌 | RNA测序 | CNN | 图像 | 819名侵袭性乳腺癌患者的训练数据，172例内部测试集和997例外部独立测试集 | NA | NA | NA | NA |
| 33245 | 2024-12-15 |
Diagnostic accuracy of deep learning in prediction of osteoporosis: a systematic review and meta-analysis
2024-Dec-04, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-024-08120-7
PMID:39633356
|
meta-analysis | 本文系统回顾和荟萃分析了深度学习在骨质疏松预测中的诊断准确性 | 深度学习在骨质疏松诊断中的表现优于其他机器学习算法 | 需要进一步的临床试验来验证研究结果 | 研究深度学习在骨质疏松预测中的诊断准确性 | 深度学习算法在骨质疏松预测中的诊断性能 | machine learning | 代谢性疾病 | 深度学习 | CNN | NA | 10项研究 | NA | NA | NA | NA |
| 33246 | 2024-12-15 |
Transformer-based deep learning model for the diagnosis of suspected lung cancer in primary care based on electronic health record data
2024-Dec, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2024.105442
PMID:39536394
|
研究论文 | 本文提出了一种基于Transformer的深度学习模型，用于在初级医疗中通过电子健康记录数据诊断疑似肺癌 | 该模型利用了电子健康记录中的时间序列数据，捕捉了癌症与非癌症路径之间的时序关系，从而提高了诊断的准确性 | 本文仅在英国的数据集上进行了验证，未来需要在外部数据集上进行验证 | 构建一个用于肺癌早期检测的模型，以提高诊断的准确性 | 疑似肺癌患者 | 机器学习 | 肺癌 | ALBERT | Transformer | 文本 | 3,303,992名患者，其中11,847例肺癌病例 | NA | NA | NA | NA |
| 33247 | 2024-12-15 |
Deep learning-based body composition analysis from whole-body magnetic resonance imaging to predict all-cause mortality in a large western population
2024-Dec, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2024.105467
PMID:39622188
|
研究论文 | 本文开发并测试了一种基于深度学习的框架，用于从全身磁共振成像（MRI）中自动量化体积身体成分测量，并研究其在预测西方大人群全因死亡率中的预后价值 | 本文首次使用深度学习技术自动量化全身MRI中的体积身体成分测量，并验证其在预测全因死亡率中的预后价值 | 本文仅在西方人群中进行了验证，尚未在其他人群中进行测试 | 开发一种基于深度学习的框架，用于自动量化全身MRI中的体积身体成分测量，并评估其在预测全因死亡率中的预后价值 | 全身MRI中的体积身体成分测量，包括皮下脂肪组织（SAT）、内脏脂肪组织（VAT）、骨骼肌（SM）、骨骼肌脂肪分数（SMFF）和肌内脂肪组织（IMAT） | 计算机视觉 | NA | 深度学习 | 深度学习框架 | 图像 | 36,317名UKBB参与者（平均年龄65.1±7.8岁，年龄范围45-84岁；51.7%为女性；1.7%全因死亡率；中位随访4.8年）和23,725名NAKO参与者（平均年龄53.9±8.3岁，年龄范围40-75；44.9%为女性） | NA | NA | NA | NA |
| 33248 | 2024-12-15 |
Deep learning-based prediction of nodal metastasis in lung cancer using endobronchial ultrasound
2024-Dec, JTCVS techniques
IF:1.7Q2
DOI:10.1016/j.xjtc.2024.09.008
PMID:39669341
|
研究论文 | 本文评估了基于深度学习的卷积神经网络在无监督情况下从内窥镜超声视频中自动提取图像，用于预测肺癌淋巴结转移的诊断性能 | 本文首次使用卷积神经网络从内窥镜超声视频中自动提取图像，进行肺癌淋巴结转移的预测 | 研究仅基于单中心数据库，未来需要在大规模前瞻性研究中验证算法的有效性 | 评估基于深度学习的卷积神经网络在预测肺癌淋巴结转移中的诊断性能 | 肺癌患者的纵隔和肺门淋巴结 | 计算机视觉 | 肺癌 | 卷积神经网络 | SqueezeNet | 视频 | 来自单中心数据库的患者和淋巴结数据 | NA | NA | NA | NA |
| 33249 | 2024-12-15 |
Automated crack localization for road safety using contextual u-net with spatial-channel feature integration
2024-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2024.102796
PMID:39669512
|
研究论文 | 本文提出了一种基于上下文U-Net深度学习模型的道路裂缝自动定位框架 | 该框架采用EfficientNet编码器捕捉道路图像中的空间特征和通道特征，并通过自定义的分层注意力机制使模型能够适应不同尺度和分辨率的裂缝定位 | NA | 提高道路裂缝定位的准确性和及时性，以保障道路安全和维护 | 道路图像中的裂缝 | 计算机视觉 | NA | 深度学习 | U-Net | 图像 | 基准数据集和自定义数据集 | NA | NA | NA | NA |
| 33250 | 2024-12-15 |
Real-World and Clinical Trial Validation of a Deep Learning Radiomic Biomarker for PD-(L)1 Immune Checkpoint Inhibitor Response in Advanced Non-Small Cell Lung Cancer
2024-Dec, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.24.00133
PMID:39671539
|
研究论文 | 本研究开发并验证了一种基于深度学习的放射组学生物标志物，用于预测晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应 | 首次使用真实世界数据和临床试验数据验证了一种基于深度学习的放射组学生物标志物，用于预测免疫检查点抑制剂治疗的反应 | 研究仅限于晚期非小细胞肺癌患者，且依赖于特定的CT/PET-CT扫描数据 | 开发并验证一种新的深度学习放射组学生物标志物，用于预测晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应 | 晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应 | 数字病理学 | 肺癌 | 深度学习 | 深度学习特征提取器和生存模型 | 图像 | 1829名接受PD-(L)1免疫检查点抑制剂治疗的晚期非小细胞肺癌患者 | NA | NA | NA | NA |
| 33251 | 2024-12-15 |
Construction and validation of deep learning model for cachexia in extensive-stage small cell lung cancer patients treated with immune checkpoint inhibitors: a multicenter study
2024-Nov-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-24-543
PMID:39670020
|
研究论文 | 本研究构建并验证了一种深度学习模型，用于预测接受免疫检查点抑制剂治疗的广泛期小细胞肺癌患者的恶病质及其预后价值 | 本研究首次开发并验证了一种基于深度学习的恶病质预测模型，并展示了其在预测广泛期小细胞肺癌患者生存结果方面的优越性能 | 本研究的样本量相对较小，且仅在三家医院的数据上进行了验证，可能限制了模型的普适性 | 评估恶病质对免疫治疗效果的影响，开发并验证一种基于深度学习的恶病质预测模型及其预后价值 | 接受一线免疫治疗和化疗的广泛期小细胞肺癌患者 | 机器学习 | 肺癌 | 深度学习 | 深度学习模型 | 医学记录和CT图像 | 231名广泛期小细胞肺癌患者 | NA | NA | NA | NA |
| 33252 | 2024-12-15 |
Effect of Deep Learning Image Reconstruction Algorithms on Radiomic Features of Pulmonary Nodules in Ultra-Low-Dose CT
2024 Nov-Dec 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001634
PMID:39095065
|
研究论文 | 本研究探讨了深度学习图像重建（DLIR）算法对超低剂量CT中肺结节放射组学特征定量的影响 | DLIR算法在超低剂量CT中提高了放射组学特征的可重复性，特别是在纯磨玻璃结节（pGGNs）和实性结节（SNs）的纹理特征上 | 研究样本量相对较小，且仅比较了两种不同的重建算法 | 探讨DLIR算法在超低剂量CT中对放射组学特征定量的影响 | 肺结节的放射组学特征 | 计算机视觉 | 肺癌 | 深度学习图像重建（DLIR） | NA | 图像 | 183名肺结节患者 | NA | NA | NA | NA |
| 33253 | 2024-12-15 |
Image Quality Assessment of a Deep Learning-Based Automatic Bone Removal Algorithm for Cervical CTA
2024 Nov-Dec 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001637
PMID:39095057
|
研究论文 | 本研究评估了基于深度学习的自动骨移除算法在颈椎CTA中的后处理图像质量 | 深度学习算法在骨移除和血管完整性方面表现优于传统算法，特别是在复杂解剖结构和邻近骨的区域 | 研究仅涉及100名患者，样本量相对较小 | 评估深度学习算法在颈椎CTA中自动骨移除的图像质量 | 颈椎CTA图像中的骨移除和血管完整性 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 100名患者（31名女性，平均年龄61.4 ± 12.4岁） | NA | NA | NA | NA |
| 33254 | 2024-12-15 |
Accelerated Diffusion-Weighted Magnetic Resonance Imaging of the Liver at 1.5 T With Deep Learning-Based Image Reconstruction: Impact on Image Quality and Lesion Detection
2024 Nov-Dec 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001622
PMID:38722777
|
研究论文 | 比较基于深度学习的扩散加权序列与传统和加速扩散加权序列在临床肝脏磁共振成像中的图像质量和病变检测效果 | 提出了一种基于深度学习的扩散加权磁共振成像序列，显著缩短了采集时间，同时保持或提高了图像质量 | 研究仅包括50名患者，样本量较小，可能影响结果的普适性 | 评估基于深度学习的扩散加权序列在临床肝脏磁共振成像中的图像质量和病变检测效果 | 50名接受1.5T磁共振成像的肝脏患者 | NA | NA | 磁共振成像 (MRI) | 深度学习 | 图像 | 50名患者 | NA | NA | NA | NA |
| 33255 | 2024-12-15 |
Application of U-Net Network Utilizing Multiattention Gate for MRI Segmentation of Brain Tumors
2024 Nov-Dec 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001641
PMID:39190714
|
研究论文 | 本文提出了一种基于U-Net网络并结合多注意力门机制的脑肿瘤MRI分割方法 | 本文创新性地在U-Net网络中引入了多注意力门机制，通过在编码部分抑制无关区域的特征并减少特征冗余，在解码部分通过添加注意力门来突出重要特征信息，从而提高了模型的敏感性和准确性 | 本文未提及具体的局限性 | 本研究旨在通过深度学习算法实现低级别胶质瘤MRI的自动分割，以提高诊断效率 | 研究对象为低级别胶质瘤的MRI图像 | 计算机视觉 | 脑肿瘤 | 深度学习算法 | U-Net | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 33256 | 2024-12-15 |
The Rapidly Evolving Scenario of Acoustic Voice Analysis in Otolaryngology
2024-Nov, Cureus
DOI:10.7759/cureus.73491
PMID:39669823
|
综述 | 本文综述了声学语音分析在外科领域的发展历程，从基本感知评估到高级数字信号处理和计算工具的整合 | 本文介绍了声学语音分析的最新进展，包括使用倒谱测量等更可靠的指标，以及人工智能（尤其是深度学习）在提高诊断精度和实现高效非侵入性筛查方法方面的潜力 | NA | 探讨声学语音分析在外科领域的最新进展及其在临床实践中的应用前景 | 声学语音分析及其在外科领域的应用 | NA | NA | 声学语音分析 | 深度学习 | 声音信号 | NA | NA | NA | NA | NA |
| 33257 | 2024-12-15 |
An intensity-based self-supervised domain adaptation method for intervertebral disc segmentation in magnetic resonance imaging
2024-Sep, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03219-7
PMID:38976178
|
研究论文 | 本研究提出了一种基于强度的自监督域适应方法，用于磁共振图像中的椎间盘分割 | 创新性地使用基于强度的自监督学习方法，利用未标记的多域数据减少对大规模标注数据的依赖 | 未提及具体的局限性 | 提高椎间盘分割的准确性，减少对大规模标注数据的依赖 | 磁共振图像中的椎间盘 | 计算机视觉 | NA | 磁共振成像 | 双任务系统 | 图像 | 使用了来自多个域的未标记数据 | NA | NA | NA | NA |
| 33258 | 2024-12-15 |
Transformers and large language models in healthcare: A review
2024-08, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2024.102900
PMID:38878555
|
综述 | 本文综述了Transformer神经网络架构在医疗保健领域的应用 | 介绍了Transformer架构在多种医疗数据分析中的应用，包括临床NLP、医学影像、结构化电子健康记录、社交媒体、生物生理信号和生物分子序列 | 讨论了使用Transformer在医疗保健中的局限性，如计算成本、模型可解释性、公平性、与人类价值观的一致性、伦理影响和环境影响 | 探讨Transformer架构在医疗保健领域的应用及其优缺点 | Transformer架构在医疗数据分析中的应用，包括临床诊断、报告生成、数据重建和药物/蛋白质合成 | 自然语言处理 | NA | Transformer | Transformer | 文本、图像、结构化数据、社交媒体数据、生物生理信号、生物分子序列 | NA | NA | NA | NA | NA |
| 33259 | 2024-12-15 |
Learning-based sound speed estimation and aberration correction for linear-array photoacoustic imaging
2024-Aug, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2024.100621
PMID:39669099
|
研究论文 | 本文提出了一种基于深度学习的声速估计和校正方法，用于线性阵列光声成像 | 利用深度学习框架在双模态光声/超声成像系统中进行声速估计和后续的像差校正，通过数字和物理幻影数据进行预训练和迁移学习，提高了光声图像重建的准确性和质量 | 研究主要基于数字和物理幻影数据，尚未在广泛的人体临床数据上进行验证 | 提高光声成像中的声速估计和像差校正的准确性，从而改善图像质量 | 光声成像中的声速分布和像差校正 | 计算机视觉 | NA | 深度学习 | 深度神经网络 | 图像 | 数字幻影数据和物理幻影数据，以及一名人体志愿者 | NA | NA | NA | NA |
| 33260 | 2024-12-15 |
UPAMNet: A unified network with deep knowledge priors for photoacoustic microscopy
2024-Aug, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2024.100608
PMID:39669096
|
研究论文 | 本文提出了一种名为UPAMNet的统一网络，用于光声显微镜图像的超分辨率和去噪 | 该方法通过结合三种基于注意力的模块和像素与感知层面的混合训练约束，利用深度图像先验进行图像重建 | NA | 提高光声显微镜图像的分辨率和去噪效果 | 光声显微镜图像 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | 不同光声显微镜数据集 | NA | NA | NA | NA |