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 8621 - 8640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8621 | 2025-01-31 |
Advances in Protein-Ligand Binding Affinity Prediction via Deep Learning: A Comprehensive Study of Datasets, Data Preprocessing Techniques, and Model Architectures
2024, Current drug targets
IF:3.0Q2
|
综述 | 本文全面分析了蛋白质-配体结合亲和力预测（BAP）领域中最常用的数据集、数据预处理技术和深度学习模型架构，为该领域的研究提供了新的视角 | 填补了先前研究的空白，全面分析了常用数据集的质量和局限性，并对最新的深度学习方法进行了分类，提出了未来研究方向 | 数据质量、模型可解释性和可解释性等挑战仍然存在 | 提高蛋白质-配体结合亲和力预测的准确性和可靠性，以加速药物开发过程 | 蛋白质-配体结合亲和力预测 | 机器学习 | NA | 深度学习 | 图神经网络（GNN）、卷积神经网络（CNN）、Transformer | 蛋白质-配体相互作用数据 | NA |
| 8622 | 2025-01-31 |
The application of explainable artificial intelligence (XAI) in electronic health record research: A scoping review
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241272657
PMID:39493635
|
综述 | 本文对可解释人工智能（XAI）在电子健康记录（EHR）研究中的应用进行了范围审查 | 首次全面评估了XAI方法在ML/DL模型中使用EHR数据的有效性，并识别了XAI方法在应用中的广泛差异和缺乏关键评估的问题 | XAI方法的应用缺乏关键评估，报告方法不足，且对有效性和稳健性的评估不足 | 评估XAI方法在ML/DL模型中使用EHR数据的应用效果 | 电子健康记录（EHR）数据 | 机器学习 | NA | NA | Extreme Gradient Boosting, Random Forest, SHAP, PDPs, LIME | 表格数据 | 76篇出版物 |
| 8623 | 2025-01-31 |
A scoping review of magnetic resonance angiography and perfusion image synthesis
2024, Frontiers in dementia
DOI:10.3389/frdem.2024.1408782
PMID:39588202
|
综述 | 本文探讨了人工智能在从现有神经解剖和神经血管采集数据中生成合成TOF-MRA和灌注相关图像的应用，以研究脑血管系统 | 利用深度学习技术从现有对比度生成合成医学图像，特别是TOF-MRA和灌注MRI图像，为脑血管研究提供新的视角 | 需要进一步研究以评估这些合成图像的敏感性和特异性，并确保其在不同人群中的适用性 | 研究人工智能在生成合成TOF-MRA和灌注相关图像中的应用，以增强脑血管研究 | 脑血管系统及其与阿尔茨海默病等疾病的关联 | 医学影像 | 阿尔茨海默病 | 深度学习 | NA | 医学影像 | 729项研究中的13项符合标准 |
| 8624 | 2025-01-31 |
Past, present, and future of electrical impedance tomography and myography for medical applications: a scoping review
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1486789
PMID:39726983
|
综述 | 本文综述了两种新兴的电阻抗技术：电阻抗肌电图（EIM）和电阻抗断层扫描（EIT），并探讨了它们在医学应用中的过去、现在和未来 | 总结了EIM和EIT技术的最新进展，特别是数字采集、处理算法和重建工具的应用，以及机器学习和深度学习在诊断、治疗计划和监测中的作用 | 未具体提及研究的局限性 | 探讨电阻抗技术在医学应用中的发展、算法、工具和数据集，为研究人员和临床医生提供有效使用和创新研究的信息 | 电阻抗肌电图（EIM）和电阻抗断层扫描（EIT）技术 | 医学成像 | 癌症、肺部疾病、神经肌肉疾病 | 电阻抗技术、电压控制电流源（VCCS） | NA | 电阻抗数据 | NA |
| 8625 | 2025-01-31 |
Recent advances in deep learning and language models for studying the microbiome
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1494474
PMID:39840283
|
综述 | 本文综述了深度学习和语言模型在微生物组和宏基因组数据分析中的应用 | 探讨了将大型语言模型（LLMs）应用于微生物蛋白质和基因组序列分析的新方法，以及这些方法在微生物生态学研究中的贡献 | NA | 研究深度学习和语言模型在微生物组和宏基因组数据分析中的应用 | 微生物蛋白质和基因组序列 | 自然语言处理 | NA | 大型语言模型（LLMs） | LLMs | 蛋白质和基因组序列 | NA |
| 8626 | 2025-01-31 |
LWheatNet: a lightweight convolutional neural network with mixed attention mechanism for wheat seed classification
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1509656
PMID:39866319
|
研究论文 | 本文提出了一种轻量级的卷积神经网络LWheatNet，用于小麦种子分类，结合了混合注意力机制和堆叠的倒置残差卷积网络 | 提出了混合注意力机制，结合了通道注意力和空间注意力，并设计了堆叠的倒置残差网络，使用深度可分离卷积、通道混洗和通道分割技术来减少模型参数和计算量 | 未提及具体局限性 | 提高小麦种子分类的准确性和实时性 | 小麦种子图像 | 计算机视觉 | NA | 深度可分离卷积、通道混洗、通道分割 | CNN | 图像 | 未提及具体样本数量 |
| 8627 | 2025-01-28 |
Editorial: Deep learning for high-dimensional sense, non-linear signal processing and intelligent diagnosis
2024, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2024.1538534
PMID:39866684
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8628 | 2025-01-31 |
Who is WithMe? EEG features for attention in a visual task, with auditory and rhythmic support
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1434444
PMID:39867449
|
研究论文 | 本研究探讨了与注意力最密切相关的EEG数据表示或特征，并评估了它们在处理跨被试变异性方面的能力 | 研究了单通道EEG时间序列的特征，包括时域特征和递归图，以及从多变量时间序列中直接获得的表示，如全局场功率或功能性脑网络，并探索了对不同类型噪声具有鲁棒性的持久同调特征 | 研究结果仅限于WithMe实验范式，需要进一步研究不同任务以提供更全面的理解 | 研究哪些EEG数据表示或特征与注意力最密切相关，并评估它们在处理跨被试变异性方面的能力 | EEG数据 | 脑机接口 | NA | EEG | 支持向量机(SVM), 深度学习架构 | 时间序列数据 | NA |
| 8629 | 2025-01-31 |
A stacking ensemble system for identifying the presence of histological variants in bladder carcinoma: a multicenter study
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1469427
PMID:39868365
|
研究论文 | 本研究旨在构建一个堆叠集成系统，用于简单、高效且非侵入性地识别膀胱癌的组织学变异 | 使用Swin UNETR算法构建交互式深度学习膀胱癌图像分割框架，并结合放射组学特征和深度学习特征构建堆叠集成系统 | 样本量相对较小，且仅基于CT图像进行分析，未涉及其他影像学或分子生物学数据 | 开发一种非侵入性方法，用于早期识别膀胱癌的组织学变异 | 膀胱癌患者 | 数字病理学 | 膀胱癌 | CT成像、放射组学分析、深度学习 | Swin UNETR、堆叠集成模型 | CT图像 | 训练集410名患者，测试集60名患者 |
| 8630 | 2025-01-31 |
Deep learning-enabled exploration of global spectral features for photosynthetic capacity estimation
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1499875
PMID:39872203
|
研究论文 | 本研究提出了一种基于深度学习的模型，通过增强的可解释性和全局光谱特征挖掘来准确估计光合能力 | 提出了一种基于注意力和植被指数计算的深度学习模型，用于全局光谱特征挖掘，提高了模型的可解释性和准确性 | 未明确提及具体局限性 | 准确估计光合能力 | 植被的光谱特征 | 机器学习 | NA | 深度学习 | 基于注意力的深度学习模型 | 光谱数据 | NA |
| 8631 | 2025-01-31 |
Contrastive learning with transformer for adverse endpoint prediction in patients on DAPT post-coronary stent implantation
2024, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2024.1460354
PMID:39872877
|
研究论文 | 本研究提出了一种基于对比学习和Transformer的新方法，用于预测冠状动脉支架植入后接受双抗血小板治疗（DAPT）患者的不良事件 | 结合对比学习和Transformer架构，通过多头注意力机制优化特征表示，提升多时间间隔预测的准确性 | 研究依赖于回顾性数据，可能存在选择偏倚，且未进行外部验证 | 提高冠状动脉支架植入后DAPT患者不良事件的预测准确性 | 接受药物洗脱支架（DES）植入的成年患者 | 机器学习 | 心血管疾病 | 对比学习 | Transformer | 临床数据 | 19,713名成年患者 |
| 8632 | 2025-01-30 |
Revolutionising Osseous Biopsy: The Impact of Artificial Intelligence in the Era of Personalised Medicine
2025-Jan-29, The British journal of radiology
DOI:10.1093/bjr/tqaf018
PMID:39878877
|
综述 | 本文综述了人工智能在个性化医疗时代对骨肿瘤活检的影响，包括其在影像引导活检、标本处理、诊断准确性提升、活检安全性提高以及病灶精确定位方面的应用 | 探讨了人工智能在骨肿瘤活检中的多种技术应用，如传统机器学习、深度学习、放射组学、模拟和生成模型，并提出了未来发展的潜在方向 | 讨论了人工智能在骨活检程序中的伦理考虑、技术限制、健康公平性、通用性、部署问题和报销挑战 | 探索人工智能在个性化医疗时代对骨肿瘤活检的影响，以提高诊断准确性和患者治疗效果 | 骨肿瘤（原发性和继发性）的影像引导活检和标本处理 | 数字病理学 | 骨肿瘤 | 传统机器学习、深度学习、放射组学、模拟和生成模型 | NA | 影像 | NA |
| 8633 | 2025-01-30 |
Intraindividual Comparison of Image Quality Between Low-Dose and Ultra-Low-Dose Abdominal CT With Deep Learning Reconstruction and Standard-Dose Abdominal CT Using Dual-Split Scan
2025-Jan-28, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001151
PMID:39874436
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8634 | 2025-01-30 |
Artificial Intelligence and Identification of the Deceased: a Narrative Review With Implications in Forensic Science
2025-Jan-28, Behavioral sciences & the law
IF:1.0Q4
DOI:10.1002/bsl.2718
PMID:39875344
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8635 | 2025-01-30 |
MHNet: Multi-view High-Order Network for Diagnosing Neurodevelopmental Disorders Using Resting-State fMRI
2025-Jan-28, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01399-5
PMID:39875742
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8636 | 2025-01-30 |
End-to-End Deep Learning Prediction of Neoadjuvant Chemotherapy Response in Osteosarcoma Patients Using Routine MRI
2025-Jan-28, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01424-7
PMID:39875741
|
研究论文 | 本研究旨在开发一种端到端的深度学习模型，利用常规磁共振成像（MRI）预测骨肉瘤（OS）患者的新辅助化疗（NACT）反应 | 提出了一种结合ResUNet和3D-ResNet-18的端到端深度学习模型，用于自动肿瘤分割和NACT疗效预测 | 研究样本量较小（112例患者），且未发现年龄、性别、碱性磷酸酶水平、肿瘤大小或位置在两组间有显著差异 | 预测骨肉瘤患者对新辅助化疗的反应 | 112例经组织学确认的骨肉瘤患者 | 计算机视觉 | 骨肉瘤 | MRI | ResUNet, 3D-ResNet-18 | 图像 | 112例患者 |
| 8637 | 2025-01-29 |
Machine learning and deep learning to improve prevention of anastomotic leak after rectal cancer surgery
2025-Jan-27, World journal of gastrointestinal surgery
IF:1.8Q2
DOI:10.4240/wjgs.v17.i1.101772
PMID:39872776
|
研究论文 | 本文探讨了机器学习和深度学习在预测和预防直肠癌手术后吻合口漏（AL）中的应用 | 利用AI技术分析临床数据，识别术前和术中的风险因素，提供术中反馈，以减少AL的发生 | 未提及具体的数据集大小或模型验证的详细结果 | 提高直肠癌手术后吻合口漏的预防效果 | 直肠癌手术患者 | 机器学习 | 直肠癌 | 机器学习和深度学习 | NA | 临床数据 | NA |
| 8638 | 2025-01-30 |
Deep 3D-DIC using a coarse-to-fine network for robust and accurate 3D shape and displacement measurements
2025-Jan-27, Optics express
IF:3.2Q2
DOI:10.1364/OE.549759
PMID:39876362
|
研究论文 | 本文提出了一种基于深度学习的3D数字图像相关（3D-DIC）方法，通过粗到细的网络G-RAFT实现大范围且精确的图像位移估计 | 提出了一种新的学习型3D-DIC方法，结合GMA网络和RAFT-DIC技术，解决了传统方法在大位移估计和精度上的不足 | 虽然方法在复杂表面场景中表现出色，但未明确提及其在其他特定场景或数据上的适用性 | 解决传统数字图像相关方法在三维测量中的局限性，特别是大位移估计和精度问题 | 三维形状和位移测量 | 计算机视觉 | NA | 深度学习，数字图像相关（DIC） | G-RAFT, GMA, RAFT-DIC | 图像 | 未明确提及具体样本数量 |
| 8639 | 2025-01-30 |
Deep learning-based polarization 3D imaging method for underwater targets
2025-Jan-27, Optics express
IF:3.2Q2
DOI:10.1364/OE.541298
PMID:39876365
|
研究论文 | 本文提出了一种基于深度学习的偏振3D成像方法，用于水下目标的3D形状重建 | 提出了一种基于Attention UNet的网络框架，用于水下偏振图像的3D重建，解决了方位角模糊问题并减少了纹理损失 | 缺乏公开的水下偏振3D成像数据集，需要自行模拟Jerlov Type I水条件进行数据采集 | 开发高精度的水下3D成像技术，解决光在水中的吸收和散射问题 | 水下目标的3D形状重建 | 计算机视觉 | NA | 偏振成像 | Attention UNet | 图像 | 模拟Jerlov Type I水条件下采集的水下偏振图像数据集 |
| 8640 | 2025-01-30 |
Accurate deep learning based method for real-time directly modulated laser modeling
2025-Jan-27, Optics express
IF:3.2Q2
DOI:10.1364/OE.549604
PMID:39876387
|
研究论文 | 本文介绍了一种基于深度学习的实时直接调制激光器建模方法，旨在通过降低计算复杂度实现高精度 | 采用双向长短期记忆网络（BiLSTM）并结合高级特征重校准和非线性拟合技术，提出了一种新的数据驱动方法，用于实时模拟直接调制激光器的动态行为 | 未提及具体局限性 | 开发一种高精度且计算复杂度低的直接调制激光器实时建模方法 | 直接调制激光器（DMLs） | 机器学习 | NA | 深度学习 | BiLSTM, LSTM, RNN | NA | NA |