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 24022 篇文献，本页显示第 8321 - 8340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8321 | 2025-01-20 |
Predicting Age and Visual-Motor Integration Using Origami Photographs: Deep Learning Study
2025-Jan-10, JMIR formative research
IF:2.0Q4
DOI:10.2196/58421
PMID:39803896
|
研究论文 | 本研究利用深度学习技术，通过折纸照片预测儿童的年龄和视觉-运动整合（VMI）发展水平 | 首次将人工智能技术应用于折纸作品，以预测儿童的年龄和VMI发展水平，包括VMI水平和VMI发展状态 | 研究样本仅限于2-6岁儿童，且仅使用了一种折纸作品（折纸狗），可能限制了结果的普适性 | 探索人工智能技术在儿童发展评估中的应用，特别是通过折纸作品预测年龄和VMI发展水平 | 2-6岁儿童及其折纸作品 | 计算机视觉 | NA | 深度学习 | ResNet-50, XGBoost, 多层感知机 | 图像 | 515名2-6岁儿童，按4:1比例分为训练组和测试组 |
| 8322 | 2025-01-20 |
Awareness and Attitude Toward Artificial Intelligence Among Medical Students and Pathology Trainees: Survey Study
2025-Jan-10, JMIR medical education
IF:3.2Q1
DOI:10.2196/62669
PMID:39803949
|
研究论文 | 本研究通过问卷调查评估和比较了医学生和病理学实习生对人工智能（AI）在医学中应用的认知和态度 | 这是首次在约旦分析医学生对AI的认知和态度，并首次纳入病理学实习生的视角 | 研究样本仅限于约旦的医学生和病理学实习生，可能无法完全代表其他地区的情况 | 评估医学生和病理学实习生对AI在医学中应用的认知和态度，以指导教育课程和培训的发展 | 医学生和病理学实习生 | 医学教育 | NA | 问卷调查 | NA | 调查数据 | 394名受访者（328名医学生和66名病理学实习生） |
| 8323 | 2024-12-05 |
I can see clearly now the blur has gone: Deep learning efficiencies in single-photon emission computed tomography myocardial perfusion imaging
2025-Jan, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
IF:3.0Q2
DOI:10.1016/j.nuclcard.2024.102091
PMID:39622362
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8324 | 2024-12-06 |
Prediction of Neoadjuvant Chemotherapy Response based on Ultrasound Deep Learning Radiomics Nomogram
2025-Jan, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.040
PMID:39632218
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8325 | 2024-12-09 |
Response to the Letter on Prediction Tumor and Axillary Lymph Nodes Response to Neoadjuvant Chemotherapy based on Ultrasound Deep Learning
2025-Jan, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.050
PMID:39643472
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8326 | 2025-01-20 |
UAV target tracking method based on global feature interaction and anchor-frame-free perceptual feature modulation
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314485
PMID:39820190
|
研究论文 | 本文提出了一种基于全局特征交互和无锚框感知特征调制的无人机目标跟踪方法，旨在提高跟踪器的效率和性能 | 通过深度互相关操作中的特征融合和全局注意力机制，增强了模型对小目标的跟踪性能，并设计了无锚框感知特征调制机制以减少计算量并生成高质量锚框 | NA | 提高无人机视角下目标跟踪的准确性和速度兼容性 | 无人机捕获的视频流中的特定目标 | 计算机视觉 | NA | 深度学习 | Siamese网络 | 视频 | UAV123@10fps, UAV20L, DTB70等无人机跟踪数据集 |
| 8327 | 2025-01-20 |
Automatic classification of mobile apps to ensure safe usage for adolescents
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313953
PMID:39820808
|
研究论文 | 本文介绍了一种利用深度学习技术，特别是注意力卷积神经网络（A-CNNs），对移动应用程序（M-APPs）进行分类的创新方法，旨在保护青少年免受不当内容的影响 | 提出了一种基于注意力卷积神经网络（A-CNNs）的创新方法，用于移动应用程序的分类，以提高对青少年使用移动设备的安全性 | NA | 确保青少年使用移动设备的安全性，防止他们接触不当内容 | 移动应用程序（M-APPs） | 自然语言处理 | NA | 深度学习 | A-CNNs | 文本 | NA |
| 8328 | 2025-01-20 |
Deep learning-based skin lesion analysis using hybrid ResUNet++ and modified AlexNet-Random Forest for enhanced segmentation and classification
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315120
PMID:39820868
|
研究论文 | 本文提出了一种基于深度学习的混合ResUNet++和改进的AlexNet-随机森林方法，用于增强皮肤病变的分割和分类 | 结合了ResUNet++和改进的AlexNet-随机森林模型，实现了更精确的皮肤病变分割和分类 | 仅在Ham10000数据集上进行了验证，未在其他数据集上测试其泛化能力 | 提高皮肤病变的分割和分类精度，以改善皮肤癌的早期诊断和治疗 | 皮肤病变图像 | 计算机视觉 | 皮肤癌 | 深度学习 | ResUNet++, AlexNet-Random Forest | 图像 | Ham10000数据集中的皮肤病变图像 |
| 8329 | 2025-01-20 |
Investigating the performance of multivariate LSTM models to predict the occurrence of Distributed Denial of Service (DDoS) attack
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313930
PMID:39823417
|
研究论文 | 本文探讨了多变量LSTM模型在预测分布式拒绝服务（DDoS）攻击发生中的性能 | 本文创新地评估了多种深度学习模型（包括Vanilla LSTM、Stacked LSTM、DNN）以及传统机器学习模型（如随机森林、AdaBoost和高斯朴素贝叶斯）在DDoS攻击预测中的表现，并比较了这些方法的优劣 | 尽管本文提出的方法在预测DDoS攻击方面表现优异，但无法完全避免服务器受到此类威胁 | 研究目的是评估不同模型在预测DDoS攻击中的性能，并找出最有效的预测方法 | 研究对象是DDoS攻击及其预测模型 | 机器学习 | NA | 深度学习、机器学习 | LSTM、DNN、随机森林、AdaBoost、高斯朴素贝叶斯 | 网络流量数据 | 使用CICDDoS2019基准数据集，包含88个特征，从中提取了22个特征用于模型训练 |
| 8330 | 2025-01-20 |
Glaucoma detection and staging from visual field images using machine learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316919
PMID:39823435
|
研究论文 | 本研究探讨了深度学习模型在区分正常与青光眼视野图像以及将青光眼从早期到晚期进行分类中的性能，并观察深度学习模型是否仅使用模式偏差图就能按照Mills标准对青光眼进行分期 | 使用深度学习模型仅基于模式偏差图对青光眼进行分期，并与传统的机器学习分类器进行比较 | 样本量相对较小，且仅使用了Humphrey 24-2视野图像 | 评估深度学习模型在青光眼检测和分期中的性能 | 正常和青光眼患者的视野图像 | 计算机视觉 | 青光眼 | 深度学习 | ResNet18, VGG16, 随机森林 | 图像 | 265个模式偏差图和265个数值数据集，来自119只正常眼和146只青光眼 |
| 8331 | 2025-01-20 |
Field-scale detection of Bacterial Leaf Blight in rice based on UAV multispectral imaging and deep learning frameworks
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314535
PMID:39823436
|
研究论文 | 本研究提出了一种基于无人机多光谱成像和深度学习框架的水稻细菌性叶枯病田间检测新方法 | 首次将U-Net架构与ResNet-101骨干网络结合，用于无人机多光谱图像的水稻病害检测，并通过数据增强和补丁提取方法提高了训练鲁棒性 | 缺乏合适的基于无人机的水稻病害数据集，需通过实验稻田病害接种技术生成自有数据集 | 开发一种准确检测水稻细菌性叶枯病的方法，以精确评估病害严重程度并合理分配补偿 | 水稻细菌性叶枯病 | 计算机视觉 | 水稻病害 | 无人机多光谱成像 | U-Net with ResNet-101 backbone | 多光谱图像 | 实验稻田病害接种生成的数据集 |
| 8332 | 2025-01-20 |
Identifying retinal pigment epithelium cells in adaptive optics-optical coherence tomography images with partial annotations and superhuman accuracy
2024-Dec-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.538473
PMID:39679394
|
研究论文 | 本文提出了一种基于深度学习的方法，用于在自适应光学-光学相干断层扫描（AO-OCT）图像中检测视网膜色素上皮（RPE）细胞，其准确率超过人类表现 | 使用部分标注训练数据，开发了一种自动化细胞分割算法，其准确率优于人类表现 | 未提及具体局限性 | 开发一种自动化算法，用于快速、经济且客观地量化RPE细胞的结构特性 | 视网膜色素上皮（RPE）细胞 | 计算机视觉 | 视网膜神经退行性疾病 | 自适应光学-光学相干断层扫描（AO-OCT） | 深度学习 | 图像 | 未提及具体样本数量 |
| 8333 | 2025-01-20 |
scGO: interpretable deep neural network for cell status annotation and disease diagnosis
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf018
PMID:39820437
|
研究论文 | 本文介绍了scGO，一种基于基因本体论（GO）的深度学习框架，旨在为单细胞RNA测序数据提供可解释的细胞状态注释 | scGO利用稀疏神经网络，结合基因、转录因子和GO术语之间的内在生物学关系，显著增强了可解释性并降低了计算成本 | NA | 开发一种可解释的深度学习模型，用于细胞状态注释和疾病诊断 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 稀疏神经网络 | RNA测序数据 | 多种单细胞RNA测序数据集 |
| 8334 | 2025-01-19 |
Motion-Compensated Multishot Pancreatic Diffusion-Weighted Imaging With Deep Learning-Based Denoising
2025-Jan-20, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001148
PMID:39823511
|
研究论文 | 本研究结合了运动补偿扩散编码梯度（MCGs）和基于深度学习的去噪技术，以改善胰腺扩散加权成像（DWI）的质量 | 创新点在于结合了CODE生成的MCGs和深度学习去噪技术，减少了运动补偿带来的信号损失，并提高了图像质量和ADC值的一致性 | 研究样本量较小（22名患者），且仅在3.0 T扫描器上进行，可能限制了结果的普适性 | 提高胰腺扩散加权成像（DWI）的图像质量和定量准确性 | 胰腺扩散加权成像（DWI） | 医学影像 | 胰腺疾病 | 扩散加权成像（DWI）、深度学习去噪 | 深度学习 | 医学影像 | 22名患者 |
| 8335 | 2025-01-19 |
Enhancing Real-Time Patient Monitoring in Intensive Care Units with Deep Learning and the Internet of Things
2025-Jan-17, Big data
IF:2.6Q2
DOI:10.1089/big.2024.0113
PMID:39819048
|
研究论文 | 本文探讨了深度学习和物联网技术在重症监护病房（ICU）中实时患者监测的应用，旨在优化ICU的工作流程和提高诊疗水平 | 结合深度学习和物联网技术，提出了一种新型的智能ICU病房管理模式，以减少人为错误并改善患者监测和治疗效果 | 文章未具体提及现有系统的局限性，仅概述了深度学习和物联网技术整合的潜在优势和挑战 | 通过深度学习和物联网技术优化ICU的患者监测和诊疗流程，提高工作效率和诊疗水平 | 重症监护病房（ICU）中的患者监测系统 | 机器学习 | NA | 深度学习（DL）、物联网（IoT） | 深度学习模型 | 临床数据、传感器数据 | NA |
| 8336 | 2025-01-19 |
Advanced deep learning algorithms in oral cancer detection: Techniques and applications
2025-Jan-17, Journal of environmental science and health. Part C, Toxicology and carcinogenesis
DOI:10.1080/26896583.2024.2445957
PMID:39819195
|
研究论文 | 本文探讨了深度学习算法在口腔癌检测中的应用和技术 | 提供了最新的基于AI的口腔癌检测方法分析，包括使用卷积神经网络的深度学习模型和机器学习算法 | 未提及具体的研究局限性 | 推进口腔癌的早期诊断，改善患者预后并减轻医疗系统负担 | 口腔癌 | 计算机视觉 | 口腔癌 | 深度学习，卷积神经网络 | CNN | 图像 | NA |
| 8337 | 2025-01-19 |
GLAC-Unet: Global-Local Active Contour Loss with an Efficient U-Shaped Architecture for Multiclass Medical Image Segmentation
2025-Jan-17, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01387-9
PMID:39821780
|
研究论文 | 本文提出了一种新的损失函数GLAC（全局-局部主动轮廓损失），并结合改进的U-Net架构，用于多类医学图像分割 | 提出了GLAC损失函数，结合全局和局部图像特征，并改进了U-Net架构，包括引入Dense Layers、卷积块注意力模块和DropBlock，以提高分割精度 | 未明确提及具体局限性 | 开发一种新的损失函数和改进的U-Net架构，以提高多类医学图像分割的精度 | 医学图像，包括二维和三维图像，如皮肤镜、心脏磁共振成像和脑磁共振成像 | 计算机视觉 | NA | 深度学习 | U-Net | 图像 | 三个生物医学分割数据集，包括ISIC-2018、ACDC 2017和Infant Brain MRI Segmentation Challenge 2019 |
| 8338 | 2025-01-19 |
HCTTI: High-Performance Heterogeneous Computing Toolkit for Tissue Image Stain Normalization
2025-Jan-17, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01398-6
PMID:39821779
|
研究论文 | 本文介绍了一种高性能异构计算工具包HCTTI，用于组织图像染色标准化，旨在提高全片图像（WSI）分析的效率和深度学习分类的准确性 | HCTTI是首个包含分布式WSI读取、标准化和序列化的综合工具包，相比现有工具如TIAToolbox，在标准化单个WSI时实现了13倍加速 | 尽管HCTTI在性能上有显著提升，但其在不同医院和实验室的广泛适用性仍需进一步验证 | 开发一种高性能工具包，以优化全片图像的读取、染色标准化和存储，从而提高深度学习在医学诊断中的应用效率 | 全片图像（WSI） | 数字病理学 | 癌症 | 深度学习 | NA | 图像 | NA |
| 8339 | 2025-01-19 |
Utilizing a Novel Convolutional Neural Network for Diagnosis and Lesion Delineation in Colorectal Cancer Screening
2025-Jan-17, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01396-8
PMID:39821781
|
研究论文 | 本研究提出了一种创新的卷积神经网络模型，用于结直肠癌筛查中的癌症分类和病变区域的热图生成 | 该模型结合了并行的全局和局部特征提取分支以及独特的分类头，能够同时进行癌症分类和病变区域的热图生成 | 研究中使用的数据集仅来自四个医疗机构，可能限制了模型的泛化能力 | 提高结直肠癌筛查的效率和准确性 | 结直肠癌筛查图像 | 计算机视觉 | 结直肠癌 | 深度学习 | CNN | 图像 | 8260张来自四个医疗机构的筛查图像 |
| 8340 | 2025-01-19 |
Prognostic value of manual versus automatic methods for assessing extents of resection and residual tumor volume in glioblastoma
2025-Jan-17, Journal of neurosurgery
IF:3.5Q1
DOI:10.3171/2024.8.JNS24415
PMID:39823581
|
研究论文 | 本研究比较了手动与自动方法在评估胶质母细胞瘤切除范围和残留肿瘤体积中的预后价值 | 使用Raidionics软件进行自动分割，并与传统手动方法进行预后价值比较 | 未发现全切除与近全切除（90%-99%）之间的显著预后差异 | 比较手动与自动评估胶质母细胞瘤切除范围和残留肿瘤体积的预后价值 | 胶质母细胞瘤患者 | 数字病理学 | 胶质母细胞瘤 | 深度学习模型 | Cox回归模型 | 图像 | 来自欧洲和北美12家医院的成年胶质母细胞瘤患者 |