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 24772 篇文献，本页显示第 9241 - 9260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9241 | 2025-01-22 |
The Genetic Determinants of Aortic Distention
2023-04-11, Journal of the American College of Cardiology
IF:21.7Q1
DOI:10.1016/j.jacc.2023.01.044
PMID:37019578
|
研究论文 | 本研究旨在发现主动脉扩张性的流行病学相关因素和遗传决定因素，并利用深度学习模型从心脏磁共振图像中量化胸主动脉面积 | 首次利用深度学习模型在大规模人群（42,342名UK Biobank参与者）中量化主动脉扩张性，并识别出多个新的遗传位点 | 研究结果主要基于UK Biobank数据，可能无法完全推广到其他人群 | 发现主动脉扩张性的流行病学相关因素和遗传决定因素 | 42,342名UK Biobank参与者 | 机器学习 | 心血管疾病 | 心脏磁共振成像 | 深度学习模型 | 图像 | 42,342名UK Biobank参与者 |
| 9242 | 2025-01-22 |
Development of a Visualization Deep Learning Model for Classifying Origins of Ventricular Arrhythmias
2022-07-25, Circulation journal : official journal of the Japanese Circulation Society
IF:3.1Q2
DOI:10.1253/circj.CJ-22-0065
PMID:35387940
|
研究论文 | 本研究开发了一种可视化深度学习模型，用于更准确地区分源自右心室流出道（RVOT）和左心室流出道（LVOT）的心律失常 | 创新点在于使用卷积神经网络（CNN）模型结合梯度加权类激活映射方法，不仅提高了心律失常起源分类的准确性，还能可视化显示对诊断贡献最大的导联和波形 | 研究样本量较小，仅包含80名患者，可能影响模型的泛化能力 | 研究目的是开发一种能够更准确分类心律失常起源的可视化深度学习模型 | 研究对象为80名接受导管消融治疗的患者 | 机器学习 | 心血管疾病 | 深度学习 | CNN | 心电图（ECG） | 80名患者 |
| 9243 | 2025-01-21 |
Assessment of ComBat Harmonization Performance on Structural Magnetic Resonance Imaging Measurements
2024-Dec-15, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.70085
PMID:39704541
|
研究论文 | 本研究评估了ComBat技术在结构磁共振成像（MRI）测量中的性能，特别是在多中心数据聚合的背景下 | 使用稳健的交叉验证方法来评估ComBat在多中心MRI数据中的性能，并应用多类高斯过程分类器进行定量分析 | 性能评估主要基于定量的统计分析和机器学习方法，缺乏更广泛的定性验证 | 评估ComBat技术在消除多中心MRI数据中的站点效应方面的有效性 | 多中心MRI数据中的体积和表面测量值 | 医学影像分析 | NA | ComBat技术 | 多类高斯过程分类器 | MRI图像 | 来自三个站点的MRI数据 |
| 9244 | 2025-01-21 |
Prospective de novo drug design with deep interactome learning
2024-Apr-22, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-47613-w
PMID:38649351
|
研究论文 | 本文提出了一种基于交互组深度学习的计算方法，用于从头设计具有特定化学和药理性质的药物分子 | 该方法结合了图神经网络和化学语言模型的独特优势，无需应用特定的强化学习、迁移学习或少样本学习，实现了“零样本”构建具有特定生物活性、可合成性和结构新颖性的化合物库 | NA | 开发一种新的计算方法，用于从头设计药物分子，特别是针对人类过氧化物酶体增殖物激活受体（PPAR）亚型γ的结合位点 | 药物分子，特别是针对PPAR亚型γ的配体 | 机器学习 | NA | 深度学习，图神经网络，化学语言模型 | 图神经网络，化学语言模型 | 化学结构数据 | NA |
| 9245 | 2025-01-20 |
Development and Validation of KCPREDICT: A Deep Learning Model for Early Detection of Coronary Artery Lesions in Kawasaki Disease Patients
2025-Jan-18, Pediatric cardiology
IF:1.5Q2
DOI:10.1007/s00246-024-03762-9
PMID:39825907
|
研究论文 | 本研究开发并验证了一种名为KCPREDICT的深度学习模型，用于早期检测川崎病患者的冠状动脉病变 | 开发了一种新的深度学习算法KCPREDICT，利用24个特征（包括基本患者信息、五个经典川崎病临床体征和14个实验室测量值）来区分川崎病患者的冠状动脉病变 | 研究数据仅来自上海儿童医学中心，可能限制了模型的普遍适用性 | 开发并验证一种人工智能算法，以区分川崎病患者的冠状动脉病变，支持入院时的诊断决策 | 川崎病患者 | 机器学习 | 心血管疾病 | 深度学习 | 决策树模型 | 临床数据 | 1474例川崎病病例 |
| 9246 | 2025-01-20 |
Explainable analysis of infrared and visible light image fusion based on deep learning
2025-Jan-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-79684-6
PMID:39820058
|
研究论文 | 本文研究了基于深度学习的可见光和红外图像融合技术的可解释性，以提高模型理解和应用的可信度 | 提出了一种基于CNN局部上下文提取和Transformer全局注意力机制的多模态图像融合模型，并采用DDFImage算法生成局部解释信息，增强了模型的可解释性 | 未提及具体的数据集或样本量，可能限制了结果的普适性 | 增强可见光和红外图像融合技术的可解释性 | 可见光和红外图像 | 计算机视觉 | NA | CNN, Transformer | 多模态图像融合模型 | 图像 | NA |
| 9247 | 2025-01-20 |
Improving timing resolution of BGO for TOF-PET: a comparative analysis with and without deep learning
2025-Jan-17, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-024-00711-6
PMID:39821728
|
研究论文 | 本文比较了传统实验时间估计方法（LED、TWC）与基于CNN的方法在使用BGO晶体和NUV-HD-MT SiPMs及高频电子设备信号时的性能 | 首次将深度学习（特别是CNN）应用于BGO闪烁体的时间分辨率改进，并与传统方法进行了比较 | CNN方法需要更复杂的波形数字化处理，可能在实际应用中增加复杂性 | 提高BGO闪烁体在TOF-PET中的时间分辨率 | BGO晶体和NUV-HD-MT SiPMs | 机器学习和医学成像 | NA | TOF-PET, Cherenkov光子检测 | CNN | 波形数据 | 2 × 2 × 3 mm³ 和 2 × 2 × 20 mm³ 的BGO晶体 |
| 9248 | 2025-01-20 |
Predicting EV battery state of health using long short term degradation feature extraction and FEA TimeMixer
2025-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85492-3
PMID:39819968
|
研究论文 | 本文提出了一种基于长短期电池退化特征提取和FEA-TimeMixer模型的新能源汽车电池健康状态（SOH）预测方法 | 引入了自动SOH提取算法和频率增强注意力机制（FEA），改进了TimeMixer模型，提高了不同预测长度下的SOH预测精度 | NA | 提高新能源汽车电池健康状态（SOH）的预测精度 | 新能源汽车电池 | 机器学习 | NA | 自动SOH提取算法、经验退化模型、完全集成经验模态分解与自适应噪声（CEEMDAN） | FEA-TimeMixer模型 | 离线充电数据 | NA |
| 9249 | 2025-01-20 |
A deep learning based detection algorithm for anomalous behavior and anomalous item on buses
2025-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85962-8
PMID:39820021
|
研究论文 | 本文提出了一种新的策略，用于分析和检测公交车上的异常乘客行为和异常物品 | 提出了一种基于改进的YOLOv5深度学习算法的MD-AODA算法，用于检测异常乘客行为和异常物品，并结合车载视频分析系统提高了检测的准确性和及时性 | NA | 开发一种有效的算法来检测公交车上的异常乘客行为和异常物品 | 公交车上的乘客行为和物品 | 计算机视觉 | NA | 深度学习 | YOLOv5 | 视频 | 实际公交车视频数据 |
| 9250 | 2025-01-20 |
Harnessing deep learning to detect bronchiolitis obliterans syndrome from chest CT
2025-Jan-16, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-025-00732-x
PMID:39820581
|
研究论文 | 本研究利用深度学习技术从胸部CT扫描中检测闭塞性细支气管炎综合征（BOS） | 首次使用深度神经网络（DNN）进行BOS检测，并采用针对低数据场景设计的共训练方法 | 研究样本量较小，仅包括75名肺移植后患者，其中26名患有BOS | 提高BOS的诊断准确性，特别是在早期检测和管理方面 | 肺移植后患者的胸部CT扫描 | 计算机视觉 | 肺病 | 深度神经网络（DNN） | DNN | 图像 | 75名肺移植后患者，其中26名患有BOS |
| 9251 | 2025-01-20 |
Comparative analysis of deep learning models for crack detection in buildings
2025-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85983-3
PMID:39820575
|
研究论文 | 本文通过比较分析深度学习模型，研究建筑物裂缝检测的最佳方法 | 开发并策划了一种新颖的深度学习图像处理方法，用于检测砖砌体中的裂缝，填补了研究空白和数据稀缺的问题 | 数据集仅限于砖砌体图像，可能不适用于其他类型的建筑材料 | 解决建筑物表面裂缝的精确、快速和自动化识别问题 | 砖砌体图像 | 计算机视觉 | NA | 深度学习图像处理 | Inception V3, VGG-16, RESNET-50, VGG-19, Inception ResNetV2, CNN-RES MLP | 图像 | 24,000张图像 |
| 9252 | 2025-01-20 |
The segmentation of nanoparticles with a novel approach of HRU2-Net†
2025-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86085-w
PMID:39820790
|
研究论文 | 本文提出了一种名为HRU2-Net的新方法，用于纳米粒子的分割，该方法基于U-Net模型的增强，具有多层次语义信息融合的特点 | 提出了HRU2-Net，一种基于U-Net模型的增强方法，具有多层次语义信息融合的特点，显著提高了纳米粒子分割的效果和精度 | 未提及具体局限性 | 提高纳米粒子分割的精度和效果，以促进纳米材料科学的发展 | 纳米粒子 | 计算机视觉 | NA | 深度学习 | HRU2-Net（基于U-Net的增强模型） | 图像 | 未提及具体样本数量 |
| 9253 | 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 |
| 9254 | 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 |
| 9255 | 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 |
| 9256 | 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 |
| 9257 | 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 |
| 9258 | 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 |
| 9259 | 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 |
| 9260 | 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 |