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 24644 篇文献，本页显示第 9741 - 9760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9741 | 2025-01-01 |
Hand gestures classification of sEMG signals based on BiLSTM-metaheuristic optimization and hybrid U-Net-MobileNetV2 encoder architecture
2024-12-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82676-1
PMID:39732856
|
研究论文 | 本文提出了一种基于sEMG信号的手势分类新方法，结合了U-Net架构、MobileNetV2编码器、BiLSTM和元启发式优化 | 提出了一种结合U-Net架构、MobileNetV2编码器、BiLSTM和元启发式优化的新方法，显著提高了手势分类的准确性和鲁棒性 | 未提及具体局限性 | 提高基于sEMG信号的手势分类准确性 | sEMG信号 | 机器学习 | NA | 贝叶斯优化 | U-Net, MobileNetV2, BiLSTM | sEMG信号 | 六个标准数据库 |
| 9742 | 2025-01-01 |
Dynamic relations between longitudinal morphological, behavioral, and emotional indicators and cognitive impairment: evidence from the Chinese Longitudinal Healthy Longevity Survey
2024-Dec-18, BMC public health
IF:3.5Q1
DOI:10.1186/s12889-024-21072-w
PMID:39696204
|
研究论文 | 本文评估了BMI、ADL和SWB对认知障碍的影响，并提出了动态风险预测模型 | 提出了基于贝叶斯联合模型和动态-DeepHit深度学习方法的高精度动态预测模型 | 未提及样本的具体数量及可能的样本偏差 | 评估BMI、ADL和SWB对认知障碍的影响，并建立动态风险预测模型 | 中国纵向健康长寿调查的参与者 | 机器学习 | 老年疾病 | 贝叶斯联合模型、动态-DeepHit深度学习方法 | 线性混合效应模型、Cox比例风险回归模型 | 纵向调查数据 | NA |
| 9743 | 2025-01-01 |
Impact of training data composition on the generalizability of convolutional neural network aortic cross-section segmentation in four-dimensional magnetic resonance flow imaging
2024 Winter, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2024.101081
PMID:39127260
|
研究论文 | 本文探讨了深度学习在改进四维心血管磁共振血流成像（4D flow CMR）分割中的潜力，并分析了训练数据对模型在不同站点、扫描仪厂商、序列和病理中泛化能力的影响 | 使用增强的三维U-net卷积神经网络架构进行时间分辨的二维主动脉横截面分割，并分析了训练数据组成对模型泛化能力的影响 | 研究主要关注训练数据组成对模型性能的影响，未涉及其他可能影响模型性能的因素 | 提高4D flow CMR分割的自动化和可重复性 | 260个4D flow CMR数据集，包括无已知主动脉病理的受试者、健康志愿者和二叶主动脉瓣（BAV）患者 | 数字病理 | 心血管疾病 | 四维心血管磁共振血流成像（4D flow CMR） | 增强的三维U-net卷积神经网络（CNN） | 图像 | 260个4D flow CMR数据集 |
| 9744 | 2025-01-01 |
Improved robustness for deep learning-based segmentation of multi-center myocardial perfusion cardiovascular MRI datasets using data-adaptive uncertainty-guided space-time analysis
2024 Winter, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2024.101082
PMID:39142567
|
研究论文 | 本文提出了一种数据自适应不确定性引导的时空分析方法，用于提高深度学习在多中心心肌灌注心血管MRI数据集分割中的鲁棒性 | 提出了一种新的数据自适应不确定性引导的时空分析方法，通过自动生成像素级不确定性图来优化分割结果 | 研究仅基于三个医疗中心的数据集，样本量相对有限 | 提高深度学习在多中心心肌灌注心血管MRI数据集分割中的鲁棒性 | 多中心心肌灌注心血管MRI数据集 | 计算机视觉 | 心血管疾病 | 深度学习 | U-Net | 图像 | 150名受试者，21,150张首过图像 |
| 9745 | 2025-01-01 |
The accuracy of deep learning models for diagnosing maxillary fungal ball rhinosinusitis
2024-Dec, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-024-08948-8
PMID:39230611
|
研究论文 | 本文评估了深度学习模型在诊断上颌真菌球性鼻窦炎（MFB）中的准确性，并与鼻科医生进行了比较 | 通过增强定位和实例分割的深度学习模型，提高了上颌真菌球性鼻窦炎的诊断准确性 | 研究仅基于CT图像，未考虑其他诊断方法或临床数据 | 评估深度学习模型在诊断上颌真菌球性鼻窦炎中的准确性 | 1539名成人慢性鼻窦炎（CRS）患者的CT图像 | 计算机视觉 | 鼻窦炎 | CT成像 | MobileNetv3, ResNet50, ResNet101, YOLOv5X-SEG, YOLOv8X-SEG, YOLOv9-C-SEG | 图像 | 1539名患者（254例MFB，1285例非MFB） |
| 9746 | 2025-01-01 |
Structural analysis and intelligent classification of clinical trial eligibility criteria based on deep learning and medical text mining
2024-Dec, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2024.104753
PMID:39603550
|
研究论文 | 本文介绍了一种名为CTEC-AC的模型，旨在将临床试验的资格标准结构化，并基于深度学习和医学文本挖掘进行智能分类 | 提出了CTEC-AC模型，结合了ClinicalBERT和MetaMap方法，实现了临床试验资格标准的自动分类 | 未提及具体局限性 | 提高临床试验的效率、质量和创新能力 | 临床试验的资格标准 | 自然语言处理 | NA | ClinicalBERT, MetaMap, 层次聚类算法 | 深度学习模型 | 文本 | 2,500个临床试验，生成超过20,000条资格标准数据 |
| 9747 | 2025-01-01 |
Fed-CL- an atrial fibrillation prediction system using ECG signals employing federated learning mechanism
2024-09-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-71366-7
PMID:39251753
|
研究论文 | 本文提出了一种基于联邦学习机制的心电图信号心房颤动预测系统Fed-CL | 结合长短期记忆网络和卷积神经网络，利用联邦学习机制解决数据隐私问题 | 未提及具体的数据集大小和实验结果的详细比较 | 通过心电图信号预测心房颤动，同时保护用户隐私 | 心电图信号和心率变异性 | 机器学习 | 心血管疾病 | 联邦学习 | LSTM, CNN | 心电图信号 | NA |
| 9748 | 2024-08-07 |
Deep learning for schizophrenia classification based on natural language processing-A pilot study
2024-08, Schizophrenia research
IF:3.6Q1
DOI:10.1016/j.schres.2024.06.052
PMID:38964077
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9749 | 2024-08-16 |
A commentary on 'A CT-based deep learning model predicts overall survival in patients with muscle invasive bladder cancer after radical cystectomy: a multicenter retrospective cohort study'
2024-Aug-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000001510
PMID:38704627
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9750 | 2025-01-01 |
Continuous Motion Intention Prediction Using sEMG for Upper-Limb Rehabilitation: A Systematic Review of Model-Based and Model-Free Approaches
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.2024.3383857
PMID:38557618
|
综述 | 本文系统回顾了过去十年中基于模型（MB）和无模型（MF）方法使用sEMG信号对上肢单关节和多关节组合运动意图进行连续预测的研究 | 提出了结合MB和MF方法的优势，并融入深度学习、注意力机制、肌肉协同特征、运动单元特征和闭环反馈的个性化MB-MF组合方法，以实现精确、实时和长时间的多关节复杂运动预测 | 在受试者组成、算法鲁棒性和泛化能力以及算法在实际应用中的可行性方面仍存在挑战 | 改进现有算法，实现基于sEMG信号的上肢运动意图的精确、实时和长时间预测 | 上肢单关节和多关节组合运动意图 | 机器学习 | 中风 | sEMG | MB和MF方法 | sEMG信号 | 基于186项相关研究 |
| 9751 | 2025-01-01 |
Automatic Sleep Stage Classification Using Nasal Pressure Decoding Based on a Multi-Kernel Convolutional BiLSTM Network
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.2024.3420715
PMID:38941194
|
研究论文 | 本文提出了一种基于多核卷积双向LSTM网络的自动睡眠阶段分类方法，使用鼻压数据进行分类 | 首次使用单维鼻压数据进行睡眠阶段分类，显著降低了复杂性并提高了临床适用性 | 样本量较小，仅包含25名健康受试者，且分类性能仍有提升空间 | 开发一种简化且高效的睡眠阶段分类方法 | 健康受试者的睡眠数据 | 机器学习 | 睡眠障碍 | 深度学习 | 多核卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM） | 鼻压数据 | 25名健康受试者 |
| 9752 | 2025-01-01 |
Multi-Modal Electrophysiological Source Imaging With Attention Neural Networks Based on Deep Fusion of EEG and MEG
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.2024.3424669
PMID:38976470
|
研究论文 | 本文提出了一种基于注意力神经网络的多模态深度融合框架，用于解决脑电和磁电图的电生理源成像问题 | 首次在深度学习框架下，利用注意力神经网络实现脑电和磁电图的多模态深度融合，以充分利用两者的互补信息 | 未提及具体的数据集规模或实验的广泛性，可能影响结果的普适性 | 提高电生理源成像（ESI）的源定位准确性 | 脑电（EEG）和磁电图（MEG）数据 | 机器学习 | NA | 深度学习 | 注意力神经网络（ANN） | 脑电（EEG）和磁电图（MEG）数据 | 合成数据集和真实数据集 |
| 9753 | 2025-01-01 |
A Review of Motor Brain-Computer Interfaces Using Intracranial Electroencephalography Based on Surface Electrodes and Depth Electrodes
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.2024.3421551
PMID:38949928
|
综述 | 本文综述了基于表面电极和深度电极的颅内脑电图在运动脑机接口中的应用 | 本文从解码目标或任务的角度出发，分析了五种任务，包括运动学解码、动力学解码、身体部位识别、灵巧手解码和运动意图解码，并比较了表面电极和深度电极的优劣 | 尽管开环脑机接口取得了显著成就，但带有感觉反馈的闭环脑机接口仍处于早期阶段，且ECoG表面电极和深度电极的长期植入尚未得到充分评估 | 探讨基于表面电极和深度电极的颅内脑电图在运动脑机接口中的应用 | 人类受试者 | 脑机接口 | 神经系统疾病 | ECoG, SEEG, DBS | 深度学习, 传统机器学习算法 | 脑电图信号 | NA |
| 9754 | 2025-01-01 |
Neurophysiologically Meaningful Motor Imagery EEG Simulation With Applications to Data Augmentation
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.2024.3417311
PMID:38900612
|
研究论文 | 本文介绍了一个名为PySimMIBCI的框架，用于生成具有神经生理学意义的运动想象脑电图信号，以解决数据相关限制并提高深度学习模型的训练效果 | 首次在数据增强背景下模拟神经生理学上合理的脑电图信号，并整合了用户特定的神经生理学信息 | 未提及具体的数据集规模或实验对象的多样性 | 解决运动想象脑机接口中数据相关限制，提高深度学习模型的训练效果 | 运动想象脑电图信号 | 脑机接口 | NA | 深度学习 | 深度学习模型 | 脑电图信号 | NA |
| 9755 | 2025-01-01 |
Multi-Modal Sleep Stage Classification With Two-Stream Encoder-Decoder
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.2024.3394738
PMID:38848223
|
研究论文 | 本文提出了一种名为TSEDSleepNet的双流编码-解码网络，用于多模态睡眠阶段分类，以解决现有方法在利用多模态信息互补性、提取睡眠信息的长短期时间特征以及处理睡眠数据类别不平衡问题上的挑战 | 提出了TSEDSleepNet网络，结合深度敏感注意力和自动多模态融合框架，通过双流编码器提取多尺度特征，并利用自注意力机制融合多模态显著特征，进一步通过Transformer模块捕获长短期时间特征，并使用Lovász损失函数缓解类别不平衡问题 | 未提及具体局限性 | 提高自动睡眠阶段分类的准确性，解决多模态信息融合、时间特征提取和类别不平衡问题 | 多模态睡眠信号（EOG和EEG信号） | 机器学习 | 睡眠障碍 | 深度敏感注意力和自动多模态融合框架 | 双流编码-解码网络（TSEDSleepNet），Transformer | 多模态信号（EOG和EEG信号） | Sleep-EDF-39和Sleep-EDF-153数据集 |
| 9756 | 2025-01-01 |
Deep Learning for Electromyographic Lower-Limb Motion Signal Classification Using Residual Learning
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.2024.3403723
PMID:38771681
|
研究论文 | 本文提出了一种基于残差学习的深度学习方法，用于下肢肌电信号的运动分类 | 首次公开了包含亚洲人种特征的下肢肌电信号数据集，并调整了ResNet-18模型用于分类 | 数据集主要针对亚洲人种，可能在其他种族中的适用性有限 | 探索和比较下肢肌电信号分类中的多个关键问题，包括滑动时间窗口方法、时域和频域信号处理效果的比较等 | 下肢肌电信号 | 机器学习 | NA | 深度学习 | ResNet-18 | 肌电信号 | 15人，约13,350个干净的肌电信号段 |
| 9757 | 2025-01-01 |
Classifying Routine Clinical Electroencephalograms With Multivariate Iterative Filtering and Convolutional Neural Networks
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.2024.3403198
PMID:38768007
|
研究论文 | 本研究探讨了在脑年龄预测框架下，使用深度学习模型对EEG时间序列进行分类的问题 | 采用多元本征模态函数（MIMFs）和卷积神经网络（CNN）模型，显著提高了脑年龄预测的准确性 | 未对CNN模型进行微调，可能影响模型性能的进一步提升 | 探索EEG分类的最佳预测模型和特征提取方法 | 常规临床EEG扫描数据 | 机器学习 | NA | 多元迭代滤波（MIF） | 卷积神经网络（CNN） | 时间序列数据 | 6540例患者，年龄从1岁到103岁 |
| 9758 | 2025-01-01 |
BiLSTM-Based Joint Torque Prediction From Mechanomyogram During Isometric Contractions: A Proof of Concept Study
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.2024.3399121
PMID:38722723
|
研究论文 | 本研究提出了一种基于深度学习的模型，用于从等长收缩期间记录的时序机械肌电图（MMG）信号预测踝关节跖屈扭矩，并评估其性能 | 首次使用双向长短期记忆网络（BiLSTM）结合密集层的深度学习模型来预测踝关节跖屈扭矩，并验证了其可行性 | 斜率估计对个体数据集敏感，且样本量较小（10名受试者） | 开发一种用于临床常规评估肌肉强度的实用工具 | 踝关节跖屈扭矩 | 机器学习 | NA | 机械肌电图（MMG） | BiLSTM | 时序信号 | 10名受试者 |
| 9759 | 2025-01-01 |
Association Between Sleep Quality and Deep Learning-Based Sleep Onset Latency Distribution Using an Electroencephalogram
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.2024.3396169
PMID:38696294
|
研究论文 | 本研究开发了一种基于深度学习的模型，利用睡眠周期早期的30秒脑电图（EEG）预测睡眠潜伏期（SOL）分布，并探讨其与睡眠质量（SQ）的关联 | 提出了一种新的深度学习模型，能够通过早期EEG信号预测SOL分布，并将其分为四个簇，展示了个体参与者入睡过程的概率图 | 研究依赖于公开数据集，可能无法完全代表所有人群的睡眠特征 | 探索早期EEG信号在预测SOL分布及其与SQ关联中的应用 | 睡眠潜伏期（SOL）分布与睡眠质量（SQ） | 机器学习 | NA | 脑电图（EEG） | 深度学习模型 | 脑电图（EEG）信号 | 使用Sleep Heart Health Study公开数据集中的大量研究对象 |
| 9760 | 2025-01-01 |
A Novel CNN-BiLSTM Ensemble Model With Attention Mechanism for Sit-to-Stand Phase Identification Using Wearable Inertial Sensors
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.2024.3366907
PMID:38373135
|
研究论文 | 本文提出了一种结合CNN、BiLSTM和注意力机制的集成模型，用于通过可穿戴惯性传感器识别坐立转换阶段 | 提出了一种新颖的CNN-BiLSTM-Attention算法，用于识别坐立转换的三个过渡阶段，并验证了其在模型性能提升方面的有效性 | 研究样本量较小，仅涉及15名受试者 | 开发一种方法，用于分割和识别坐立转换阶段，以辅助可穿戴外骨骼机器人控制 | 坐立转换阶段的识别 | 机器学习 | NA | NA | CNN-BiLSTM-Attention | 加速度和角速度数据 | 15名受试者 |