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 24103 篇文献，本页显示第 8081 - 8100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8081 | 2025-01-29 |
Photoplethysmography based atrial fibrillation detection: a continually growing field
2024-Apr-17, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ad37ee
PMID:38530307
|
综述 | 本文全面回顾了2019年7月至2022年12月期间，基于光电容积描记术（PPG）的心房颤动（AF）检测领域的最新进展，特别是数字健康和人工智能（AI）解决方案的应用 | 更新了自2019年6月以来PPG-based AF检测领域的最新进展，包括统计方法、传统机器学习技术和深度学习方法的深入评估，并维护了一个专门网站以定期更新该领域的最新研究 | NA | 回顾和评估基于PPG的心房颤动检测技术的最新进展 | 心房颤动（AF）检测 | 数字健康 | 心血管疾病 | 光电容积描记术（PPG） | 传统机器学习和深度学习 | NA | 57项相关研究 |
| 8082 | 2025-01-04 |
Transfer Learning With Active Sampling for Rapid Training and Calibration in BCI-P300 Across Health States and Multi-Centre Data
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3420960
PMID:38949927
|
研究论文 | 本文提出了一种基于主动采样的迁移学习方法，用于在脑机接口（BCI）P300波检测中快速训练和校准，适用于不同健康状况和多中心数据 | 提出了基于Poison Sampling Disk（PDS）的主动采样（AS）方法，用于自适应迁移学习，显著提高了分类精度和训练效率 | 研究仍面临处理来自不同设备、受试者、多中心及健康与患者群体的多样性和不平衡数据集的挑战 | 提高脑机接口（BCI）P300波检测的分类精度和训练效率，适应不同健康状况和多中心数据 | 脑机接口（BCI）P300波检测 | 机器学习 | NA | 迁移学习，主动采样（AS） | 卷积神经网络（CNN） | 神经数据 | 两个不同的国际复制数据集 |
| 8083 | 2025-01-19 |
Artificial intelligence for natural product drug discovery
2023-11, Nature reviews. Drug discovery
DOI:10.1038/s41573-023-00774-7
PMID:37697042
|
研究论文 | 本文探讨了计算组学技术和人工智能在天然产物药物发现中的协同作用 | 结合计算组学技术和机器学习，提出了一种新的方法来发现天然产物中的药物候选分子 | 需要高质量的数据集来训练深度学习算法，并且需要适当的算法验证策略 | 探索如何有效地从自然界产生的众多分子中识别药物候选分子 | 天然产物 | 机器学习 | NA | 计算组学技术 | 深度学习 | 分子数据 | NA |
| 8084 | 2024-09-27 |
NuFold: A Novel Tertiary RNA Structure Prediction Method Using Deep Learning with Flexible Nucleobase Center Representation
2023-Sep-22, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.20.558715
PMID:37790488
|
研究论文 | 提出了一种新的RNA三级结构预测方法NuFold，利用深度学习技术结合灵活的核苷酸中心表示 | 引入了NuFold方法，使用核苷酸中心表示来准确预测RNA的三级结构 | NA | 开发一种成本效益高且高效的计算方法来预测RNA的三级结构 | RNA的三级结构 | 机器学习 | NA | 深度学习 | NuFold | RNA序列 | NA |
| 8085 | 2025-01-29 |
Deep-learning-based image segmentation for image-based computational hemodynamic analysis of abdominal aortic aneurysms: a comparison study
2023-09-12, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/acf3ed
PMID:37625388
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8086 | 2025-01-29 |
Evolution of Breast Cancer Recurrence Risk Prediction: A Systematic Review of Statistical and Machine Learning-Based Models
2023-08, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.23.00049
PMID:37566789
|
系统综述 | 本文系统回顾了2008年至2022年间发表的统计和机器学习模型，用于预测乳腺癌复发风险 | 本文首次系统性地比较了统计和机器学习模型在乳腺癌复发风险预测中的应用，并强调了患者种族多样性的重要性 | 机器学习模型的实用性可能受到解释性有限和泛化能力降低的限制，且现有模型主要忽略了非洲和中东人群 | 评估和比较统计与机器学习模型在乳腺癌复发风险预测中的表现 | 乳腺癌复发风险预测模型 | 机器学习 | 乳腺癌 | 统计方法和机器学习方法 | 支持向量机、决策树、逻辑回归、朴素贝叶斯、深度学习、集成学习 | 回顾性临床数据 | 163篇论文，其中23篇被进一步分析 |
| 8087 | 2025-01-29 |
Dual-sensory fusion self-powered triboelectric taste-sensing system towards effective and low-cost liquid identification
2023-08, Nature food
IF:23.6Q1
DOI:10.1038/s43016-023-00817-7
PMID:37563492
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8088 | 2025-01-28 |
A prognostic and predictive model based on deep learning to identify optimal candidates for intensity-modulated radiotherapy alone in patients with stage II nasopharyngeal carcinoma: A retrospective multicenter study
2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110660
PMID:39645201
|
研究论文 | 本研究开发并验证了一个结合深度学习MRI特征和临床信息的预后和预测模型，用于识别仅需强度调制放疗（IMRT）的低风险II期鼻咽癌患者 | 结合深度学习MRI特征和临床信息，使用3DResNet和eXtreme Gradient Boosting模型进行整合，显著提高了预测性能 | 研究为回顾性多中心研究，可能存在选择偏倚 | 开发并验证一个预后和预测模型，以识别仅需IMRT的低风险II期鼻咽癌患者 | II期鼻咽癌患者 | 数字病理 | 鼻咽癌 | 3DResNet, eXtreme Gradient Boosting | 深度学习模型 | MRI图像, 临床信息 | 999名II期鼻咽癌患者 |
| 8089 | 2025-01-28 |
Deep learning dose prediction to approach Erasmus-iCycle dosimetric plan quality within seconds for instantaneous treatment planning
2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110662
PMID:39647528
|
研究论文 | 本研究探讨了训练数据集大小和模型大小对Erasmus-iCycle GT计划剂量预测准确性的影响，以实现即时治疗计划 | 使用深度学习方法快速预测患者特定的3D剂量分布，以实现即时治疗计划，显著提高临床工作效率、患者等待时间和治疗质量 | 即使使用1000名患者的训练数据，预测准确性尚未达到收敛，仍需进一步研究 | 研究如何通过深度学习方法实现即时治疗计划，以提高临床工作效率和患者治疗质量 | 1250名前列腺癌患者 | 数字病理 | 前列腺癌 | 深度学习 | Hierarchically Densely Connected U-Nets | 3D剂量分布数据 | 1250名前列腺癌患者 |
| 8090 | 2025-01-28 |
Deep learning-assistance significantly increases the detection sensitivity of neurosurgery residents for intracranial aneurysms in subarachnoid hemorrhage
2025-Feb, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia
IF:1.9Q4
DOI:10.1016/j.jocn.2024.110971
PMID:39673838
|
研究论文 | 本研究评估了深度学习模型在提高神经外科住院医师通过CT血管造影检测颅内动脉瘤敏感性方面的有效性 | 首次将深度学习模型应用于神经外科住院医师的动脉瘤检测培训，显著提高了检测敏感性，特别是在小动脉瘤的检测上 | 研究样本量较小，仅包含104例患者的CTA扫描，且仅涉及三名住院医师 | 评估深度学习模型在提高神经外科住院医师检测颅内动脉瘤敏感性方面的效果 | 104例动脉瘤性蛛网膜下腔出血患者的CTA扫描，共126个动脉瘤 | 数字病理 | 颅内动脉瘤 | CT血管造影（CTA） | 深度学习模型（DLM） | 图像 | 104例患者的CTA扫描，共126个动脉瘤 |
| 8091 | 2025-01-28 |
Incorporating patient-specific prior clinical knowledge to improve clinical target volume auto-segmentation generalisability for online adaptive radiotherapy of rectal cancer: A multicenter validation
2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110667
PMID:39675574
|
研究论文 | 本研究探讨了在直肠癌在线自适应放疗中，通过结合患者特定的临床先验知识来提高临床靶区自动分割的泛化能力 | 创新点在于使用治疗前的分割作为患者特定的先验知识，结合基于人群的分割变异，提高了深度学习模型在多中心数据上的泛化能力 | 研究仅针对直肠癌患者，且样本来自三个中心，可能限制了结果的广泛适用性 | 研究目的是提高在线自适应放疗中临床靶区自动分割的泛化能力 | 研究对象为中等风险或局部晚期直肠癌患者 | 数字病理 | 直肠癌 | 深度学习 | 深度学习模型 | MRI图像 | 来自三个中心的直肠癌患者 |
| 8092 | 2025-01-28 |
PPDock: Pocket Prediction-Based Protein-Ligand Blind Docking
2025-Jan-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01373
PMID:39814581
|
研究论文 | 本文提出了一种基于口袋预测的蛋白质-配体盲对接方法PPDock，通过两阶段对接范式显著提高了对接准确性和效率 | 提出了一种新的两阶段对接范式，先进行口袋预测再进行基于口袋的对接，解决了传统方法在盲对接中难以识别正确口袋的问题 | 未提及具体局限性 | 提高蛋白质-配体盲对接的准确性和效率 | 蛋白质-配体对接 | 机器学习 | NA | 深度学习 | NA | 蛋白质结构数据 | 基准数据集上的广泛实验 |
| 8093 | 2025-01-28 |
Harnessing Spectral Libraries From AVIRIS-NG Data for Precise PFT Classification: A Deep Learning Approach
2025-Jan-27, Plant, cell & environment
DOI:10.1111/pce.15393
PMID:39866067
|
研究论文 | 本研究利用AVIRIS-NG高光谱数据和机器学习技术，开发了一个包含130种植物物种的光谱库，用于精确分类植物功能类型（PFTs） | 通过高光谱数据生成光谱库，结合机器学习方法，显著提高了植物功能类型分类的准确性 | 研究仅限于Shoolpaneshwar野生动物保护区的植物物种，可能不适用于其他地区 | 推进植物功能类型（PFTs）的分类和监测 | Shoolpaneshwar野生动物保护区的130种植物物种 | 机器学习 | NA | AVIRIS-NG高光谱成像和ASD手持光谱辐射计 | Parzen Window (PW), Gradient Boosted Machine (GBM), Stochastic Gradient Descent (SGD) | 高光谱图像 | 130种植物物种 |
| 8094 | 2025-01-28 |
Identifying Primary Sites of Spinal Metastases: Expert-Derived Features vs. ResNet50 Model Using Nonenhanced MRI
2025-Jan-27, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29720
PMID:39868626
|
研究论文 | 本研究旨在开发和验证使用非增强MRI的人工智能模型，以识别脊柱转移的原发部位，提高诊断效率 | 比较了基于专家特征的模型和ResNet50深度学习模型在非增强MRI上识别脊柱转移原发部位的性能，发现专家特征模型在多数情况下表现更优 | 研究为回顾性设计，可能存在选择偏差；样本量相对较小，尤其是罕见转移部位 | 提高脊柱转移原发部位的诊断效率 | 514名经病理证实的脊柱转移患者 | 医学影像分析 | 癌症 | 非增强MRI | ResNet50 | MRI图像 | 514名患者（360名用于开发，154名用于测试） |
| 8095 | 2025-01-28 |
Introduction to Memristive Mechanisms and Models
2025-Jan-24, Recent patents on nanotechnology
IF:2.0Q3
|
研究论文 | 本文介绍了忆阻系统的机制和模型，探讨了其在神经形态计算中的应用 | 本文结合了Chua开发的动态系统框架和统计物理学及渗流理论，提供了对忆阻系统复杂动态行为的深入理解，并探讨了其在深度学习方法中的成功应用 | 本文主要关注理论模型和框架，缺乏对实际硬件实现的详细讨论 | 探讨忆阻系统在神经形态计算中的应用，以应对人工智能发展带来的计算能力需求增长 | 忆阻系统及其在神经形态计算中的应用 | 机器学习 | NA | NA | 动态系统模型、渗流理论模型 | NA | NA |
| 8096 | 2025-01-28 |
Deep learning for kidney trauma detection: CT image algorithm performance and external validation: experimental study
2025-Jan-24, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002221
PMID:39869390
|
研究论文 | 本研究开发并验证了一种用于检测肾脏创伤的深度学习算法，使用机构创伤数据和RSNA数据集进行外部验证 | 首次将深度学习技术应用于肾脏创伤的CT图像检测，并通过外部验证展示了其稳健性能 | 模型在外部验证中的阳性预测值较低，可能需要进一步优化图像分割和计算效率 | 开发并验证一种用于检测肾脏创伤的深度学习算法 | 肾脏创伤的CT图像 | 医学影像 | 肾脏创伤 | 深度学习 | RenoTrNet | CT图像 | 机构创伤数据和RSNA数据集中的随机选择病例 |
| 8097 | 2025-01-28 |
MythicVision: a deep learning powered mobile application for understanding Indian mythological deities using weight centric decision approach
2025-Jan-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85922-2
PMID:39837968
|
研究论文 | 本文介绍了一个名为'MythicVision'的深度学习驱动的移动应用程序，旨在通过识别和解释印度神话神祇的图像，帮助外国游客更好地理解印度丰富的文化遗产 | 该应用程序采用了模型权重计算和权重中心决策机制，相比传统的多数投票方法，在多类图像分类中提供了更准确的结果 | NA | 开发一个能够识别和分类实时印度神祇图像，并为用户提供有关神祇的宝贵信息的应用程序 | 印度神话神祇的图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 10,970张印度神祇图像 |
| 8098 | 2025-01-28 |
Decoding the Functional Interactome of Non-Model Organisms with PHILHARMONIC
2025-Jan-14, bioRxiv : the preprint server for biology
DOI:10.1101/2024.10.25.620267
PMID:39553947
|
研究论文 | 本文介绍了一种名为PHILHARMONIC的计算方法，用于解码非模式生物的功能互作组 | PHILHARMONIC结合深度学习网络推理和鲁棒的无监督谱聚类算法，能够揭示非模式生物中的功能关系和高层次组织 | 方法依赖于预测的网络，可能存在噪声，且需要进一步的实验验证 | 研究目的是开发一种计算工具，用于预测和分析非模式生物的蛋白质-蛋白质相互作用网络 | 研究对象包括珊瑚、藻类共生体和果蝇等非模式生物 | 生物信息学 | NA | 深度学习、谱聚类算法、远程同源功能注释 | 深度学习网络 | 蛋白质序列数据 | 珊瑚、藻类共生体和果蝇的蛋白质组数据 |
| 8099 | 2025-01-28 |
ChromBPNet: bias factorized, base-resolution deep learning models of chromatin accessibility reveal cis-regulatory sequence syntax, transcription factor footprints and regulatory variants
2025-Jan-08, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.25.630221
PMID:39829783
|
研究论文 | 本文介绍了ChromBPNet，一种深度学习DNA序列模型，用于解析染色质可及性图谱，揭示调控序列的语法和遗传变异 | ChromBPNet能够检测、学习并分解特定实验的酶偏差，从而在不同实验和测序深度下发现紧凑的转录因子基序词典、协同基序语法和精确足迹 | NA | 研究染色质可及性的调控序列语法和遗传变异 | 染色质可及性图谱和转录因子结合位点 | 机器学习 | NA | 染色质可及性实验 | 深度学习模型 | DNA序列数据 | NA |
| 8100 | 2025-01-28 |
Non-Contact Optical Blood Pressure Biometry Using AI-Based Analysis of Non-Mydriatic Fundus Imaging
2025-Jan-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.01.06.25320084
PMID:39830244
|
研究论文 | 本研究旨在开发一种基于机器学习的模型，通过非散瞳眼底成像来评估血压，其准确性与臂式袖带测量相当 | 使用深度学习模型从眼底图像中评估血压，相比传统臂式袖带测量，可能更能反映长期高血压状况 | 需要在临床环境中进行更多试验，并开展更多前瞻性研究以验证结果 | 开发一种基于机器学习的模型，通过非散瞳眼底成像来评估血压 | 血压（收缩压和舒张压） | 机器学习 | 高血压 | 深度学习 | 深度学习模型 | 眼底图像 | 基于UK Biobank数据集 |