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 24162 篇文献，本页显示第 8581 - 8600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8581 | 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 |
| 8582 | 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 |
| 8583 | 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 |
| 8584 | 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 |
| 8585 | 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 |
| 8586 | 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 |
| 8587 | 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 |
| 8588 | 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 |
| 8589 | 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 |
| 8590 | 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 |
| 8591 | 2025-01-19 |
MultiChem: predicting chemical properties using multi-view graph attention network
2025-Jan-16, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-024-00419-4
PMID:39815309
|
研究论文 | 本文介绍了一种名为MultiChem的多视图图注意力网络模型，用于预测化学化合物的分子特性 | MultiChem模型通过结合局部和全局结构特征，利用图注意力层和多头注意力层来有效捕捉化学化合物的关键结构信息，相比现有方法在AUROC和RMSE上分别有3%和7%的提升 | 未明确提及具体局限性 | 开发一种高效且成本效益高的计算方法，以预测化学化合物的分子特性，从而加速药物发现过程 | 化学化合物的分子特性 | 机器学习 | NA | 多视图学习模型 | 图注意力网络（GAT） | 分子结构数据 | 九个MoleculeNet数据集 |
| 8592 | 2025-01-19 |
Evaluating the feasibility of AI-predicted bpMRI image features for predicting prostate cancer aggressiveness: a multi-center study
2025-Jan-15, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-024-01865-8
PMID:39812752
|
研究论文 | 本研究评估了利用人工智能预测的双参数MRI图像特征预测前列腺癌侵袭性的可行性 | 使用深度学习放射组学模型从bpMRI图像中提取特征，预测前列腺癌的侵袭性，并展示了良好的外部验证能力 | 研究未提及模型在不同种族或地区患者中的适用性 | 评估AI预测的bpMRI图像特征在前列腺癌侵袭性预测中的可行性 | 878名前列腺癌患者 | 数字病理学 | 前列腺癌 | 双参数MRI (bpMRI) | 深度学习放射组学模型 | 图像 | 878名前列腺癌患者，来自4家医院 |
| 8593 | 2025-01-19 |
Pervasive glacier retreats across Svalbard from 1985 to 2023
2025-Jan-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-55948-1
PMID:39814715
|
研究论文 | 本文利用深度学习生成的1985年至2023年间149个海洋终止冰川的124919个冰崩前沿位置数据，揭示了斯瓦尔巴群岛非涌浪冰川在过去38年中的普遍冰崩前沿退缩现象 | 首次使用深度学习技术大规模分析斯瓦尔巴群岛海洋终止冰川的冰崩前沿退缩，揭示了季节性周期和区域海洋变暖对冰崩前沿变化的显著影响 | 研究主要依赖于遥感数据和深度学习模型，可能忽略了局部地形和冰川内部动力学的复杂性 | 研究目的是理解和预测海洋终止冰川的冰崩前沿退缩行为，特别是季节性变化和年际变化对冰川质量损失的影响 | 斯瓦尔巴群岛的149个海洋终止冰川 | 地球科学 | NA | 深度学习 | NA | 遥感数据 | 149个海洋终止冰川的124919个冰崩前沿位置数据 |
| 8594 | 2025-01-19 |
Artificial Intelligence in Computer-Aided Drug Design (CADD) Tools for the Finding of Potent Biologically Active Small Molecules: Traditional to Modern Approach
2025-Jan-15, Combinatorial chemistry & high throughput screening
IF:1.6Q3
|
综述 | 本文探讨了人工智能在计算机辅助药物设计（CADD）中的应用，特别是小分子药物的发现 | 本文强调了人工智能、生物信息学和数据科学在加速药物发现、降低成本和减少动物实验需求方面的作用，并讨论了深度学习在配体性质和靶标活性预测中的进展 | 本文未具体提及研究中使用的数据集或样本量，也未详细讨论AI模型的具体局限性 | 研究目的是探讨人工智能在药物发现和开发中的作用，特别是如何加速高效、靶向特异性药物的发现 | 研究对象是小分子药物及其与生物分子靶标的相互作用 | 药物发现 | NA | 结构基于虚拟筛选（SBVS）、深度学习（DL） | 深度学习（DL） | 分子性质数据、靶标结合数据、3D结构数据 | NA |
| 8595 | 2025-01-19 |
BioStructNet: Structure-Based Network with Transfer Learning for Predicting Biocatalyst Functions
2025-Jan-14, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.4c01391
PMID:39705058
|
研究论文 | 本文介绍了BioStructNet，一种基于结构的深度学习网络，用于预测生物催化剂功能，通过整合蛋白质和配体结构数据来捕捉酶-底物相互作用的复杂性 | BioStructNet结合了蛋白质和配体结构数据，并采用迁移学习优化小数据集的预测精度，提高了生物催化活性预测的准确性 | 特定酶功能（如转化效率和立体选择性）的数据可用性有限，影响了预测精度 | 开发一种深度学习模型，用于预测生物催化剂的功能，以加速工业用功能酶的发现 | 酶-底物相互作用 | 机器学习 | NA | 深度学习，迁移学习 | 深度学习网络 | 蛋白质和配体结构数据 | 使用CalB数据集进行案例研究 |
| 8596 | 2025-01-19 |
DANTE-CAIPI Accelerated Contrast-Enhanced 3D T1: Deep Learning-Based Image Quality Improvement for Vessel Wall MRI
2025-Jan-08, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8424
PMID:39038956
|
研究论文 | 本文探讨了深度学习去噪算法在加速、血液抑制后的颅内血管壁MRI（IVW）中的应用，以提高图像质量并缩短扫描时间 | 首次将深度学习去噪算法应用于DANTE-CAIPI-SPACE加速和血液抑制的IVW，显著减少了动脉和静脉流动伪影，并在较短的扫描时间内提高了信噪比（SNR） | 研究样本量较小（64名患者），且未进行长期随访以评估该技术的临床效果 | 提高加速和血液抑制后的颅内血管壁MRI（IVW）的图像质量，减少伪影并提高信噪比（SNR） | 64名连续接受IVW扫描的患者 | 医学影像 | NA | 深度学习去噪算法 | 深度卷积网络（DCNN） | MRI图像 | 64名患者 |
| 8597 | 2025-01-19 |
Deep Learning-Based Super-Resolution Reconstruction on Undersampled Brain Diffusion-Weighted MRI for Infarction Stroke: A Comparison to Conventional Iterative Reconstruction
2025-Jan-08, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8482
PMID:39779291
|
研究论文 | 本研究比较了基于深度学习的超分辨率重建与传统压缩感知重建在脑部扩散加权磁共振成像（DWI）中对梗死性卒中的图像质量和诊断信心的影响 | 首次将深度学习技术应用于脑部DWI的超分辨率重建，以提高梗死性卒中的诊断信心 | 研究为回顾性设计，样本量相对较小（114例），且未涉及其他类型的卒中 | 评估深度学习超分辨率重建在脑部DWI中对梗死性卒中的图像质量和诊断信心的提升效果 | 114名接受脑部DWI检查的参与者 | 医学影像 | 梗死性卒中 | 深度学习超分辨率重建 | 深度学习模型 | 磁共振成像（MRI）图像 | 114名参与者 |
| 8598 | 2025-01-19 |
Evaluating CNN Architectures for the Automated Detection and Grading of Modic Changes in MRI: A Comparative Study
2025-Jan, Orthopaedic surgery
IF:1.8Q2
DOI:10.1111/os.14280
PMID:39638639
|
研究论文 | 本研究开发并评估了卷积神经网络（CNN）在检测和分级Modic变化（MCs）中的性能，并与初级医生的表现进行了比较 | 首次使用CNN自动检测和分级Modic变化，并验证了AI辅助对初级医生诊断一致性的提升 | 样本量相对较小，且数据来源仅限于特定品牌的MRI扫描仪 | 开发并验证CNN在MRI图像中自动检测和分级Modic变化的性能 | 139名患者的MRI图像 | 计算机视觉 | 脊柱疾病 | MRI | CNN, YOLOv8, YOLOv5 | 图像 | 139名患者的MRI图像（109名来自Philips扫描仪，30名来自Philips和United Imaging扫描仪） |
| 8599 | 2025-01-19 |
Intelligent Diagnosis of Hypopigmented Dermatoses and Intelligent Evaluation of Vitiligo Severity on the Basis of Deep Learning
2024-Dec, Dermatology and therapy
IF:3.5Q1
DOI:10.1007/s13555-024-01296-9
PMID:39514178
|
研究论文 | 本研究提出了一种基于深度学习的智能诊断模型，用于分类诊断色素减退性皮肤病（HD）和评估白癜风严重程度 | 通过将squeeze-and-excitation (SE)模块与候选模型结合，构建了优化的诊断模型，并提出了一种客观的严重程度评估指标，结合分割模型形成了严重程度评估模型 | 研究中使用的数据集主要来自4744名患者，可能无法涵盖所有类型的HD和白癜风病例 | 开发一种客观、准确且方便的智能诊断和评估方法，用于色素减退性皮肤病和白癜风的严重程度评估 | 色素减退性皮肤病（HD）和白癜风患者 | 计算机视觉 | 皮肤病 | 深度学习 | SE_ResNet-18, HR-Net | 图像 | 4744名患者的11483张图像 |
| 8600 | 2025-01-19 |
Three-dimensional convolutional neural network for leak detection and localization in smart water distribution systems
2024-Dec-01, Water research X
IF:7.2Q1
DOI:10.1016/j.wroa.2024.100264
PMID:39822329
|
研究论文 | 本文提出了一种三维卷积神经网络（3D CNN）深度学习模型，用于智能水分配系统中的泄漏检测和定位 | 首次将3D CNN应用于水分配网络的泄漏检测和定位，能够处理压力和时间的空间分布信息 | 深度学习模型的适应性可能受限，且受水力模拟模型影响较大，网络变化时需要重新训练，可能耗时且难以处理多种故障情况 | 研究智能水分配系统中的泄漏检测和定位方法 | 水分配网络（WDNs）中的泄漏 | 机器学习 | NA | 深度学习 | 3D CNN | 压力数据 | 使用奥斯汀的一个真实水分配网络进行测试，生成了150毫米管道中3升/秒的泄漏模拟数据 |