深度学习在生物医药领域中的应用
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，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10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 24567 篇文献，本页显示第 6581 - 6600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6581 | 2025-03-11 |
Multimodal optimal matching and augmentation method for small sample gesture recognition
2025-Mar-06, Bioscience trends
IF:5.7Q1
DOI:10.5582/bst.2024.01370
PMID:39864830
|
研究论文 | 本文提出了一种多模态最优匹配和增强方法，用于小样本手势识别，通过引入运动信息到基于表面肌电图的识别中，实现了每个手势仅需一次采集的高效识别 | 引入运动信息到基于表面肌电图的识别中，提出了一种多模态最优匹配和增强方法，显著减少了数据采集的负担 | 方法在非健康用户中的应用效果需要进一步验证，且数据集的多样性可能仍然有限 | 提高小样本手势识别模型的准确性，减少数据采集的负担 | 手势识别，特别是基于表面肌电图的手势识别 | 机器学习 | 中风 | 数据增强，迁移学习 | 深度学习模型 | 生理信号数据，运动信息数据 | 自收集的中风患者数据集，Ninapro DB1数据集和Ninapro DB5数据集 |
| 6582 | 2025-03-11 |
A Preoperative CT-based Multiparameter Deep Learning and Radiomic Model with Extracellular Volume Parameter Images Can Predict the Tumor Budding Grade in Rectal Cancer Patients
2025-Mar-06, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.02.028
PMID:40055057
|
研究论文 | 本文研究了一种基于CT的多参数深度学习-放射组学模型（DLRM），用于预测直肠癌患者术前肿瘤萌芽（TB）等级 | 结合深度学习和手工放射组学特征，构建了预测直肠癌TB等级的多参数模型，并验证了其优于单独的深度学习和放射组学特征 | 研究为回顾性设计，样本量相对较小（135例患者），可能影响模型的泛化能力 | 预测直肠癌患者术前肿瘤萌芽（TB）等级，以支持临床治疗决策 | 135例经组织学确诊的直肠癌患者 | 数字病理 | 直肠癌 | CT成像，深度学习，放射组学 | 深度学习-放射组学模型（DLRM） | CT图像 | 135例直肠癌患者（85例Bd1+2组，50例Bd3组） |
| 6583 | 2025-03-11 |
Unraveling the three-dimensional genome structure using machine learning
2025-Mar-05, BMB reports
IF:2.9Q3
PMID:40058875
|
综述 | 本文综述了利用机器学习技术研究三维基因组结构的方法 | 介绍了机器学习特别是深度学习在检测和分析染色体结构信息中的应用 | 指出了Hi-C数据的局限性，并提出了提高染色体接触频率图分辨率的进展 | 研究三维基因组结构及其调控机制 | 染色质相互作用和层次结构 | 机器学习 | NA | Hi-C测序 | 深度学习 | 基因组数据 | NA |
| 6584 | 2025-03-11 |
MetAssimulo 2.0: a web app for simulating realistic 1D and 2D metabolomic 1H NMR spectra
2025-Mar-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf045
PMID:39862393
|
研究论文 | 本文介绍了MetAssimulo 2.0，一个用于模拟真实1D和2D代谢组学1H NMR光谱的Python网络应用 | MetAssimulo 2.0在1.0版本的基础上进行了全面升级，增加了对尿液、血液和脑脊液的光谱模拟功能，并引入了2D J-resolved和Correlation Spectroscopy光谱的模拟能力 | 尽管MetAssimulo 2.0提高了光谱模拟的真实性，但其模拟结果与真实光谱的Pearson相关系数约为0.82，仍有改进空间 | 开发一个工具以支持深度学习与代谢组学交叉领域的研究 | 1D和2D代谢组学1H NMR光谱 | 代谢组学 | NA | 核磁共振（NMR）光谱 | NA | 光谱数据 | NA |
| 6585 | 2025-03-11 |
gRNAde: Geometric Deep Learning for 3D RNA inverse design
2025-Feb-25, ArXiv
PMID:38827456
|
研究论文 | 本文介绍了gRNAde，一种基于几何深度学习的3D RNA逆设计管道，旨在设计考虑结构和动力学的RNA序列 | gRNAde通过多状态图神经网络和自回归解码，生成基于一个或多个3D骨架结构的候选RNA序列，显著提高了序列恢复率 | 尽管gRNAde在单状态固定骨架重新设计基准测试中表现优异，但在多状态设计方面的应用仍需进一步验证 | 研究目的是开发一种能够考虑3D构象多样性的RNA序列设计方法 | 研究对象是RNA序列及其3D骨架结构 | 机器学习 | NA | 几何深度学习 | 图神经网络（GNN） | 3D结构数据 | 14个来自PDB的RNA结构 |
| 6586 | 2025-03-11 |
Tracking the Preclinical Progression of Transthyretin Amyloid Cardiomyopathy Using Artificial Intelligence-Enabled Electrocardiography and Echocardiography
2025-Feb-24, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.08.25.24312556
PMID:39252891
|
研究论文 | 本研究利用人工智能技术，通过经胸超声心动图（TTE）和心电图（ECG）追踪转甲状腺素蛋白淀粉样心肌病（ATTR-CM）的临床前进展 | 首次将深度学习模型应用于TTE视频和ECG图像，以区分ATTR-CM与年龄/性别匹配的对照组，并在临床前阶段进行疾病风险分层 | 研究为回顾性分析，可能存在选择偏差，且样本主要来自两个医疗中心，可能限制结果的普适性 | 开发一种可扩展的策略，用于ATTR-CM的临床前监测和风险分层 | 转甲状腺素蛋白淀粉样心肌病（ATTR-CM）患者及年龄/性别匹配的对照组 | 数字病理 | 心血管疾病 | 深度学习 | 深度学习模型 | 视频（TTE）、图像（ECG） | YNHHS队列984名参与者（中位年龄74岁，44.3%女性），HMH队列806名参与者（中位年龄69岁，34.5%女性） |
| 6587 | 2025-03-11 |
ralphi: a deep reinforcement learning framework for haplotype assembly
2025-Feb-21, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.17.638151
PMID:40027721
|
研究论文 | 本文介绍了一种名为ralphi的深度强化学习框架，用于单倍型组装，该框架结合了深度学习的表示能力和强化学习，以准确地将读取片段分配到各自的单倍型集合中 | ralphi框架首次将深度学习和强化学习结合用于单倍型组装，通过片段图的经典问题简化来设定强化学习的奖励目标 | NA | 研究目的是开发一种新的方法，以更准确地组装个体二倍体基因组的单倍型 | 个体二倍体基因组的单倍型 | 机器学习 | NA | ONT读取 | 深度强化学习 | 基因读取数据 | 来自1000 Genomes Project的基因组数据 |
| 6588 | 2025-03-11 |
Long-Term Carotid Plaque Progression and the Role of Intraplaque Hemorrhage: A Deep Learning-Based Analysis of Longitudinal Vessel Wall Imaging
2025-Feb-19, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.12.09.24318661
PMID:39711698
|
研究论文 | 本研究利用深度学习技术分析颈动脉斑块长期进展及斑块内出血（IPH）的作用 | 首次使用深度学习分割管道在长期随访中识别IPH、量化IPH体积，并测量其对颈动脉斑块负担的影响 | 样本量较小（28名无症状颈动脉粥样硬化患者），且仅针对无症状患者进行研究 | 评估IPH对颈动脉斑块负担长期进展的影响 | 无症状颈动脉粥样硬化患者 | 数字病理 | 心血管疾病 | 多对比磁共振血管壁成像（VWI） | 深度学习分割管道 | 图像 | 28名无症状颈动脉粥样硬化患者，共50条动脉 |
| 6589 | 2025-03-11 |
VASCilia (Vision Analysis StereoCilia): A Napari Plugin for Deep Learning-Based 3D Analysis of Cochlear Hair Cell Stereocilia Bundles
2025-Feb-15, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.17.599381
PMID:38948743
|
研究论文 | 本文介绍了VASCilia，一个基于深度学习的Napari插件，用于自动化分析耳蜗毛细胞立体纤毛束的3D共聚焦显微镜数据集 | VASCilia是首个专门用于耳蜗毛细胞立体纤毛束3D分析的深度学习工具，提供了五种深度学习模型和自动化计算工具，支持高通量图像定量分析 | NA | 开发一个自动化工具，用于分析耳蜗毛细胞立体纤毛束的3D形态，以促进耳蜗毛细胞发育和功能的研究 | 耳蜗毛细胞立体纤毛束 | 计算机视觉 | NA | 深度学习 | Z-Focus Tracker (ZFT), PCPAlignNet, 分割模型, 分类工具 | 3D共聚焦显微镜图像 | 55个3D图像堆栈，包含502个内毛细胞和1,703个外毛细胞束的3D注释 |
| 6590 | 2025-03-11 |
Global Deep Forecasting with Patient-Specific Pharmacokinetics
2025-Feb-12, ArXiv
PMID:37965077
|
研究论文 | 本文提出了一种新颖的混合全局-局部架构和药代动力学编码器，用于预测医疗时间序列数据，特别是在血糖预测任务中展示了其有效性 | 提出了一种混合全局-局部架构和药代动力学编码器，能够为深度学习模型提供患者特定的治疗效果信息 | 未明确提及具体局限性 | 提高医疗时间序列数据预测的准确性，特别是在患者特定药代动力学影响下的血糖预测 | 医疗时间序列数据，特别是血糖数据 | 机器学习 | 糖尿病 | 深度学习 | 混合全局-局部架构 | 时间序列数据 | 模拟数据和真实世界数据 |
| 6591 | 2025-03-11 |
gRNAde: A Geometric Deep Learning Pipeline for 3D RNA Inverse Design
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4079-1_8
PMID:39312140
|
研究论文 | 本文介绍了一种名为gRNAde的几何深度学习管道，用于3D RNA逆向设计，该管道考虑了RNA的3D结构和动态性 | gRNAde采用图神经网络和SE(3)等变编码-解码框架，首次在RNA设计中明确考虑3D几何和构象多样性 | NA | 开发一种能够基于RNA的3D骨架结构设计RNA序列的计算工具 | RNA的3D骨架结构 | 机器学习 | NA | 几何深度学习 | 图神经网络 | 3D RNA骨架结构 | 来自PDB的现有RNA结构，包括核糖开关、适配体和核酶 |
| 6592 | 2025-03-11 |
Comparison of Vendor-Pretrained and Custom-Trained Deep Learning Segmentation Models for Head-and-Neck, Breast, and Prostate Cancers
2024-Dec-18, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics14242851
PMID:39767212
|
研究论文 | 本文评估了本地患者和临床特征对商业深度学习分割模型在头颈、乳腺和前列腺癌症中性能的影响 | 比较了供应商预训练和自定义训练的深度学习分割模型，并展示了自定义模型在多个器官风险区域（OARs）上的显著改进 | 研究样本量相对较小，且仅针对头颈、乳腺和前列腺癌症 | 评估本地数据和临床特征对商业深度学习分割模型性能的影响 | 头颈、乳腺和前列腺癌症患者 | 数字病理 | 头颈癌、乳腺癌、前列腺癌 | 深度学习分割模型 | 深度学习模型 | CT扫描图像 | 210名患者（53名头颈癌、49名左乳腺癌、55名右乳腺癌、53名前列腺癌） |
| 6593 | 2025-03-11 |
Sampling Conformational Ensembles of Highly Dynamic Proteins via Generative Deep Learning
2024-Dec-09, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.05.592587
PMID:38979147
|
研究论文 | 本文介绍了一种基于深度学习的模型ICoN，用于从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并应用于高度动态的蛋白质构象采样 | 提出了一种新的深度学习模型ICoN，能够从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并生成新的合成构象，揭示了实验未观察到的原子级细节 | 模型的训练依赖于分子动力学模拟数据，可能受限于模拟的准确性和计算资源 | 研究高度动态蛋白质的构象集合，以理解其功能调控和疾病相关聚集 | 高度动态的蛋白质，特别是内在无序蛋白质（IDPs）和淀粉样β（Aβ42）单体 | 机器学习 | NA | 分子动力学模拟（MD） | 深度学习模型（ICoN） | 分子动力学模拟数据 | NA |
| 6594 | 2025-03-11 |
Sampling Conformational Ensembles of Highly Dynamic Proteins via Generative Deep Learning
2024-Jun-28, Research square
DOI:10.21203/rs.3.rs-4301803/v1
PMID:38978607
|
研究论文 | 本文开发了一种基于无监督深度学习的模型ICoN，用于从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并通过插值数据点快速识别具有复杂和大规模侧链和骨架排列的新合成构象 | 提出了ICoN模型，能够从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并生成新的合成构象，揭示了实验发现中未包含的重要原子细节 | 方法的普适性依赖于可用训练数据的质量和数量，且需要进一步的实验验证来确认生成构象的生物学相关性 | 研究蛋白质构象集合，特别是高度动态蛋白质的构象变化，以理解其功能调控和疾病相关聚集 | 高度动态的淀粉样β（Aβ42）单体 | 机器学习 | NA | 分子动力学（MD）模拟 | ICoN（Internal Coordinate Net） | 分子动力学模拟数据 | NA |
| 6595 | 2025-03-11 |
A novel deep learning model for diabetic retinopathy detection in retinal fundus images using pre-trained CNN and HWBLSTM
2024-Feb-19, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2024.2314269
PMID:38373067
|
研究论文 | 本文提出了一种新的深度学习模型，用于通过视网膜眼底图像检测糖尿病视网膜病变，结合了预训练的CNN和HWBLSTM | 创新点在于结合了He加权双向长短期记忆网络（HWBLSTM）和有效的迁移学习技术，用于从视网膜眼底图像中检测糖尿病视网膜病变 | 未明确提及研究的局限性 | 研究目的是开发一种深度学习方法来准确检测和分类糖尿病视网膜病变 | 研究对象是糖尿病视网膜病变患者的视网膜眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习、迁移学习、图像预处理、图像分割、特征提取、降维 | CNN、HWBLSTM | 图像 | 使用了APTOS和MESSIDOR数据集 |
| 6596 | 2025-03-11 |
Adapting physics-informed neural networks to improve ODE optimization in mosquito population dynamics
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315762
PMID:39715201
|
研究论文 | 本文提出了一种改进的物理信息神经网络（PINN）框架，用于解决蚊子种群动态建模中的ODE优化问题 | 提出了一种改进的PINN框架，解决了梯度不平衡和刚性ODE问题，并通过逐步扩展训练时间域来解决时间因果关系问题 | 当前PINN框架在现实世界的ODE系统中还不够成熟，尤其是在具有极端多尺度行为的系统中 | 改进物理信息神经网络在ODE系统中的应用，特别是用于蚊子种群动态建模 | 蚊子种群动态建模 | 机器学习 | NA | 物理信息神经网络（PINN） | PINN | 模拟数据 | NA |
| 6597 | 2025-03-11 |
Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis
2023-10, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020218
PMID:37258226
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6598 | 2025-03-11 |
Response to 'Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis'
2023-10, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020804
PMID:37714539
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6599 | 2025-03-11 |
Letter re: Integration of deep learning-based image analysis and genomic data in cancer pathology: A systematic review: Label-free diagnostic technique to differentiate cancer cells from healthy cells
2022-09, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2022.04.032
PMID:35717368
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6600 | 2025-03-11 |
Response to letter entitled: Re: Integration of deep learning-based image analysis and genomic data in cancer pathology: A systematic review
2022-09, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2022.06.001
PMID:35781181
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |