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 42795 篇文献，本页显示第 33721 - 33740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 33721 | 2024-10-09 |
Overcoming the Barrier of Incompleteness: A Hyperspectral Image Classification Full Model
2024-Oct, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2023.3279377
PMID:37279129
|
研究论文 | 本文提出了一种用于高光谱图像分类的全模型，通过创新的三要素解决了分类不完整的问题 | 首次提出了完整分类的三要素：广泛探索可用特征、充分重用代表性特征和差异化融合多领域特征 | NA | 解决高光谱图像分类中的不完整性问题 | 高光谱图像 | 计算机视觉 | NA | NA | Transformer | 图像 | 四个数据集，从小规模到大规模，每类仅使用五个训练样本 | NA | NA | NA | NA |
| 33722 | 2024-10-09 |
A Survey of Automated Data Augmentation for Image Classification: Learning to Compose, Mix, and Generate
2024-Oct, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2023.3282258
PMID:37342945
|
综述 | 本文综述了图像分类中自动数据增强技术的最新进展 | 将数据增强过程视为学习任务，并寻找最有效的数据增强方法 | 主要依赖于手工操作的数据增强方法，缺乏自动化和智能化的提升 | 探讨自动数据增强技术在图像分类中的应用及其未来发展方向 | 图像分类中的数据增强方法 | 计算机视觉 | NA | 自动数据增强 | NA | 图像 | NA | NA | NA | NA | NA |
| 33723 | 2024-10-09 |
Enhancing pap smear image classification: integrating transfer learning and attention mechanisms for improved detection of cervical abnormalities
2024-Sep-30, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad7bc0
PMID:39377445
|
研究论文 | 本研究通过结合迁移学习和注意力机制，改进了宫颈异常的宫颈涂片图像分类 | 本研究创新性地结合了迁移学习和注意力机制，并应用了图像预处理技术，显著提高了宫颈癌检测的准确性 | NA | 提高宫颈癌检测的准确性和效率 | 宫颈涂片图像 | 计算机视觉 | 宫颈癌 | 迁移学习、注意力机制、图像预处理 | ResNet、Xception | 图像 | 使用了Mendeley液基细胞学数据集，包含由专家细胞病理学家标注的宫颈细胞学图像 | NA | NA | NA | NA |
| 33724 | 2024-10-09 |
Deep learning for identifying personal and family history of suicidal thoughts and behaviors from EHRs
2024-Sep-28, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-024-01266-7
PMID:39341983
|
研究论文 | 本研究开发了利用变压器模型（Bio_ClinicalBERT和GatorTron）的深度学习工具，用于从电子健康记录的临床笔记中自动识别个人和家庭自杀想法和行为的历史 | 本研究首次利用深度学习技术自动识别电子健康记录中的个人和家庭自杀想法和行为的历史，并展示了其在性能上优于基于规则的自然语言处理工具 | 本研究仅在三个学术医学中心的临床笔记上进行了验证，可能需要进一步的跨机构验证 | 开发和评估用于自动识别电子健康记录中个人和家庭自杀想法和行为历史的深度学习工具 | 个人和家庭自杀想法和行为的历史 | 自然语言处理 | NA | 深度学习 | 变压器模型（Bio_ClinicalBERT和GatorTron） | 文本 | 来自三个学术医学中心的临床笔记 | NA | NA | NA | NA |
| 33725 | 2024-10-09 |
A Comprehensive study on the different types of soil desiccation cracks and their implications for soil identification using deep learning techniques
2024-Sep-25, The European physical journal. E, Soft matter
DOI:10.1140/epje/s10189-024-00453-4
PMID:39320558
|
研究论文 | 本文研究了不同类型土壤的干裂模式及其在土壤识别中的应用，结合传统分析方法和深度学习技术 | 本文创新性地将分形维数分析作为深度学习图像分析的预处理工具，并证明了数据增强技术在提高模型鲁棒性和准确性方面的有效性 | NA | 研究不同类型土壤的干裂模式，并探讨其在土壤识别中的应用 | 来自印度布拉马普特拉河流域的三种土壤：粘土、粉土和砂质壤土 | 计算机视觉 | NA | 深度学习技术 | 前馈神经网络 | 图像 | 三种土壤类型，具体数量未提及 | NA | NA | NA | NA |
| 33726 | 2024-10-09 |
Geometric deep learning of protein-DNA binding specificity
2024-Sep, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02372-w
PMID:39103447
|
研究论文 | 本文介绍了一种名为DeepPBS的几何深度学习模型，用于预测蛋白质-DNA结合特异性 | 提出了DeepPBS模型，能够从蛋白质-DNA结构中预测结合特异性，并提供了可解释的蛋白质重原子重要性评分 | NA | 理解基因调控中的蛋白质-DNA结合特异性 | 蛋白质-DNA复合物的结合特异性 | 机器学习 | NA | 几何深度学习 | 几何深度学习模型 | 蛋白质-DNA结构 | NA | NA | NA | NA | NA |
| 33727 | 2024-10-09 |
Microwave detection technique combined with deep learning algorithm facilitates quantitative analysis of heavy metal Pb residues in edible oils
2024-Sep, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.17259
PMID:39136980
|
研究论文 | 本研究结合微波检测技术和深度学习算法，开发了一种用于量化食用油中重金属铅残留的模型 | 提出了基于注意力机制的深度残差神经网络模型，用于替代传统的建模方法，并在微波数据处理过程中探讨了深度对卷积神经网络的影响 | NA | 开发一种新的方法来量化食用油中的重金属铅残留 | 食用油中的重金属铅残留 | 机器学习 | NA | 微波检测技术 | 基于注意力机制的深度残差神经网络 | 微波数据 | 标准大豆油样本 | NA | NA | NA | NA |
| 33728 | 2024-10-09 |
Evaluation of deep learning and convolutional neural network algorithms for mandibular fracture detection using radiographic images: A systematic review and meta-analysis
2024-Sep, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20240038
PMID:39371302
|
meta-analysis | 本文对使用放射影像进行下颌骨骨折检测的深度学习和卷积神经网络算法进行了系统评价和荟萃分析 | 本文首次对使用放射影像进行下颌骨骨折检测的深度学习和卷积神经网络算法进行了系统评价和荟萃分析 | 当前研究的有效性受限于可用数据集的小规模和狭窄范围 | 评估深度学习算法在放射影像中检测下颌骨骨折的潜力 | 下颌骨骨折的放射影像 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 5项符合条件的研究 | NA | NA | NA | NA |
| 33729 | 2024-10-09 |
Clinical validity and precision of deep learning-based cone-beam computed tomography automatic landmarking algorithm
2024-Sep, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20240009
PMID:39371307
|
研究论文 | 本研究评估了基于深度学习的锥形束计算机断层扫描（CBCT）自动地标识别算法的临床有效性和准确性 | 开发了一种基于深度学习的CBCT自动地标识别算法，显著减少了地标识别所需的时间 | 研究样本量较小，且仅限于三种特定类型的CBCT扫描 | 评估基于深度学习的CBCT自动地标识别算法的临床有效性和准确性 | CBCT扫描中的三维头部测量数据 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 80例CBCT扫描，分为三组：非手术组（39例）、无硬件手术组（9例）和有硬件手术组（32例） | NA | NA | NA | NA |
| 33730 | 2024-10-09 |
Classification of mandibular molar furcation involvement in periapical radiographs by deep learning
2024-Sep, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20240020
PMID:39371308
|
研究论文 | 本研究使用深度学习算法对下颌磨牙根分叉病变在根尖片中的分类进行研究 | 本研究首次使用ResNet-18卷积神经网络模型对下颌磨牙根分叉病变进行分类 | 研究仅限于下颌磨牙的根尖片，未涉及其他类型的影像学检查 | 开发一种深度学习算法，用于分类下颌磨牙根分叉病变 | 下颌磨牙的根分叉病变 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 (CNN) | 图像 | 2011-2023年间东卡罗莱纳大学牙医学院拍摄的全口系列影像，包括健康和根分叉病变的下颌磨牙根尖片 | NA | NA | NA | NA |
| 33731 | 2024-10-09 |
AlphaFold predictions of fold-switched conformations are driven by structure memorization
2024-Aug-24, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-51801-z
PMID:39181864
|
研究论文 | 本文探讨了AlphaFold在预测折叠切换蛋白质结构方面的能力，发现其成功部分源于对训练集结构的记忆而非学习到的蛋白质能量学 | 首次系统评估了AlphaFold在预测折叠切换蛋白质结构方面的局限性，并揭示了其成功预测的部分原因 | AlphaFold在预测折叠切换蛋白质结构时表现不佳，部分成功源于对训练集结构的记忆而非学习到的蛋白质能量学 | 评估AlphaFold在预测折叠切换蛋白质结构方面的预测能力及其局限性 | 折叠切换蛋白质的结构预测 | 机器学习 | NA | 深度学习 | AlphaFold | 蛋白质结构 | 超过280,000个模型，包括AlphaFold2和AlphaFold3的多个实现 | NA | NA | NA | NA |
| 33732 | 2024-10-09 |
CT-based synthetic contrast-enhanced dual-energy CT generation using conditional denoising diffusion probabilistic model
2024-Aug-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad67a1
PMID:39053511
|
研究论文 | 研究利用条件去噪扩散概率模型从非对比单能量CT扫描生成合成对比增强双能量CT图像 | 首次采用条件去噪扩散概率模型生成合成对比增强双能量CT图像，为缺乏双能量CT扫描仪的机构和不适合碘对比成像的患者提供了一种替代成像解决方案 | 研究样本仅限于130名头颈部癌症患者，结果的普适性有待进一步验证 | 解决双能量CT扫描仪稀缺和碘对比剂对高风险患者健康风险的问题 | 头颈部癌症患者的非对比单能量CT和对比增强双能量CT图像 | 计算机视觉 | 头颈部癌症 | 条件去噪扩散概率模型 | C-DDPM | 图像 | 130名头颈部癌症患者 | NA | NA | NA | NA |
| 33733 | 2024-10-09 |
ArcheD, a residual neural network for prediction of cerebrospinal fluid amyloid-beta from amyloid PET images
2024-Jun, The European journal of neuroscience
DOI:10.1111/ejn.16332
PMID:38576196
|
研究论文 | 开发了一种深度学习模型ArcheD，用于从淀粉样蛋白PET图像中直接预测脑脊液中的淀粉样蛋白-β浓度 | 提出了一种新的残差神经网络ArcheD，能够独立于示踪剂、脑参考区域或预选感兴趣区域，直接从淀粉样蛋白PET图像中预测脑脊液中的淀粉样蛋白-β浓度 | 未提及 | 开发一种深度学习模型，用于从淀粉样蛋白PET图像中直接预测脑脊液中的淀粉样蛋白-β浓度，以辅助阿尔茨海默病的早期识别和诊断 | 淀粉样蛋白PET图像和脑脊液中的淀粉样蛋白-β浓度 | 机器学习 | 阿尔茨海默病 | 深度学习 | 残差神经网络 | 图像 | 1870个淀粉样蛋白PET图像和脑脊液测量数据 | NA | NA | NA | NA |
| 33734 | 2024-10-09 |
Detection of Personal and Family History of Suicidal Thoughts and Behaviors using Deep Learning and Natural Language Processing: A Multi-Site Study
2024-Mar-11, Research square
DOI:10.21203/rs.3.rs-4014472/v1
PMID:38559051
|
研究论文 | 本文开发并验证了一种基于深度学习和自然语言处理的工具，用于从电子健康记录中的临床笔记中检测个人和家庭自杀意念和行为的历史 | 本文首次使用深度学习方法，特别是预训练的transformer模型Bio_ClinicalBERT和GatorTron，来识别个人和家庭自杀意念和行为的历史，并展示了其在多个医疗系统中的有效性 | 本文未详细讨论深度学习模型在不同医疗系统中的泛化能力，以及其在实际临床应用中的可行性和接受度 | 开发和验证一种能够从电子健康记录中的临床笔记中检测个人和家庭自杀意念和行为历史的工具 | 个人和家庭自杀意念和行为的历史 | 自然语言处理 | NA | 深度学习 | transformer | 文本 | NA | NA | NA | NA | NA |
| 33735 | 2024-10-09 |
Automated Cell Lineage Reconstruction using Label-Free 4D Microscopy
2024-Jan-22, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.20.576449
PMID:38328064
|
研究论文 | 本文介绍了一种名为embGAN的深度学习管道，用于在无标记的3D时间序列显微镜成像中实现自动细胞检测和跟踪 | embGAN无需手动数据标注即可进行训练，学习到的检测具有高度的尺度不变性，并且在多个实验室和仪器的图像中具有良好的泛化能力 | NA | 开发一种自动化的细胞谱系重建方法 | 无标记的3D时间序列显微镜成像中的细胞检测和跟踪 | 计算机视觉 | NA | 深度学习 | GAN | 图像 | 多个实验室和仪器的图像 | NA | NA | NA | NA |
| 33736 | 2024-10-09 |
Breast Multiparametric MRI for Prediction of Neoadjuvant Chemotherapy Response in Breast Cancer: The BMMR2 Challenge
2024-01, Radiology. Imaging cancer
DOI:10.1148/rycan.230033
PMID:38180338
|
研究论文 | 描述了BMMR2挑战的设计、实施和结果，旨在通过多参数乳腺MRI预测新辅助化疗反应 | 识别了几种具有高预测性能的模型，进一步扩展了多参数乳腺MRI作为治疗反应早期标志物的价值 | NA | 通过多参数乳腺MRI识别基于图像的标志物，预测新辅助化疗后的病理完全反应 | 多参数乳腺MRI数据，包括扩散加权成像和动态对比增强MRI，以及临床数据 | 数字病理学 | 乳腺癌 | 多参数MRI | 深度学习和人工智能方法 | 图像 | 573例乳腺MRI研究，来自191名女性（平均年龄48.9岁±10.56） | NA | NA | NA | NA |
| 33737 | 2024-10-09 |
DGDRP: drug-specific gene selection for drug response prediction via re-ranking through propagating and learning biological network
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1441558
PMID:39371421
|
研究论文 | 本文提出了一种基于图神经网络（GNN）的药物特异性基因选择模型DGDRP，用于药物反应预测 | DGDRP通过路径知识增强的网络传播算法和GNN学习到的基因与药物目标嵌入相似性进行基因重排序，从而选择与药物机制相关的基因，提高了药物反应预测的准确性 | NA | 开发一种新的方法来提高药物反应预测的准确性，并发现有效的生物标志物 | 药物特异性基因的选择和药物反应预测 | 机器学习 | NA | 图神经网络（GNN） | GNN | 基因数据 | NA | NA | NA | NA | NA |
| 33738 | 2024-10-09 |
Deep learning-based Alzheimer's disease detection: reproducibility and the effect of modeling choices
2024, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2024.1360095
PMID:39371524
|
研究论文 | 本文研究了基于深度学习的阿尔茨海默病检测方法的再现性和建模选择的影响 | 本文探讨了数据增强技术和模型复杂度对阿尔茨海默病检测性能的影响，强调了这些常被忽视的因素的重要性 | 本文未详细讨论其他可能影响模型性能的因素，如数据质量和样本多样性 | 研究如何通过严格遵循最佳实践来确保机器学习在临床实践中的可靠性和再现性 | 阿尔茨海默病的检测 | 机器学习 | 阿尔茨海默病 | 磁共振成像 (MRI) | 3D卷积神经网络 (CNN) | 图像 | 使用了来自ADNI语料库的MRI数据进行二分类问题研究 | NA | NA | NA | NA |
| 33739 | 2024-10-09 |
Spiking representation learning for associative memories
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1439414
PMID:39371606
|
研究论文 | 本文介绍了一种新型脉冲神经网络（SNN），用于无监督表示学习和联想记忆操作 | 利用Hebbian突触和活动依赖的结构可塑性，结合Poisson脉冲发生器模型，实现了高效的表示学习和联想记忆操作 | NA | 解决人工脉冲神经网络在处理大规模现实数据集时的挑战 | 脉冲神经网络的表示学习和联想记忆操作 | 机器学习 | NA | Hebbian突触和活动依赖的结构可塑性 | 脉冲神经网络（SNN） | NA | NA | NA | NA | NA | NA |
| 33740 | 2024-10-09 |
The Deep Learning-Crop Platform (DL-CRoP): For Species-Level Identification and Nutrient Status of Agricultural Crops
2024, Research (Washington, D.C.)
DOI:10.34133/research.0491
PMID:39371687
|
研究论文 | 本文介绍了一种名为Deep Learning-Crop Platform (DL-CRoP)的深度学习平台，用于通过叶片、茎和根图像识别商业种植植物及其营养需求 | DL-CRoP平台通过卷积神经网络提取内在特征模式，并在识别任务中取得了显著成果。此外，通过引入多头注意力机制改进了氮缺乏分类的准确性 | 尽管DL-CRoP平台在多个案例中表现出色，但在某些情况下（如案例D）的准确率仍有提升空间 | 开发一种可靠的深度学习平台，用于精确识别农作物种类及其营养状态 | 商业种植的植物及其营养需求 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 使用了Jammu University-Botany Image Database (JU-BID)中的植物图像数据集，具体样本数量未明确说明 | NA | NA | NA | NA |