深度学习在生物医药领域的应用

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(使用关键词“['deep learning']”过滤),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!

Sample Image
添加微信请说明来意
Sample Image
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19.9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。

当前筛选条件: [分区不过滤] [IF不过滤] [发表日期不过滤] [清除筛选条件]
当前共找到 32372 篇文献,本页显示第 11741 - 11760 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 算法框架 模型架构 性能指标 计算资源
11741 2025-05-09
[18F]FDG administered activity reduction capabilities of a 32-cm axial field-of-view solid-state digital bismuth germanium oxide PET/CT system while maintaining EARL compliance
2025-Mar, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
研究论文 评估数字BGO 32厘米轴向视场PET系统在符合当前和更新的EANM Research Ltd氟-18认证规范(EARL1和EARL2)的情况下,降低[18F]FDG给药活性和/或扫描时间的能力 使用数字BGO PET系统结合深度学习图像增强技术(PDL),显著降低[18F]FDG给药活性,同时保持EARL1和EARL2合规性 研究仅基于幻影测量,未涉及实际患者数据 评估PET系统在降低放射性药物活性和扫描时间方面的性能 数字BGO 32厘米轴向视场PET系统(Omni Legend 32 cm) 医学影像 NA PET/CT成像,深度学习图像增强(PDL) NA 医学影像数据 使用校准QC和NEMA IEC幻影进行测量,图像质量QC扫描每小时重复一次,共7小时 NA NA NA NA
11742 2025-05-09
Adaptable graph neural networks design to support generalizability for clinical event prediction
2025-Mar, Journal of biomedical informatics IF:4.0Q2
研究论文 本文提出了一种可适应性的图卷积神经网络设计,用于提高临床事件预测模型的泛化能力 利用图卷积神经网络的独特属性,使模型在训练后能够适应不同机构的数据,无需重新训练 外部验证数据集中存在缺失/不完整数据可能影响模型性能 解决临床事件预测模型在不同医疗机构间泛化能力不足的问题 电子健康记录中的患者人口统计数据和账单代码等多模态数据 机器学习 NA 图卷积神经网络(GCNN) GCNN 多模态数据(包括人口统计数据和账单代码) 未明确说明具体样本数量 NA NA NA NA
11743 2025-05-09
Deep learning opportunistic screening for osteoporosis and osteopenia using radiographs of the foot or ankle - A pilot study
2025-Mar, European journal of radiology IF:3.2Q1
研究论文 本研究旨在开发一种深度学习模型,通过足部或踝关节的X光片筛查骨质疏松或骨质减少 开发了一种新颖的深度学习模型,利用定制的架构从足部和踝关节的X光片中提取深度特征,用于骨质疏松或骨质减少的筛查 研究为回顾性横断面研究,样本中白种人占比较高(96.7%),可能影响模型的泛化能力 创建一种深度学习模型,用于通过足部或踝关节的X光片筛查骨质疏松或骨质减少 50岁及以上接受足部或踝关节X光检查及DXA检查的患者 数字病理学 骨质疏松 X光成像 深度学习定制架构 图像 907名患者(3109张X光片),其中白种人占96.7%,黑人占1.8%,亚洲人占0.4% NA NA NA NA
11744 2025-05-09
Application of Surface-Enhanced Raman Spectroscopy in Head and Neck Cancer Diagnosis
2025-Feb-25, Analytical chemistry IF:6.7Q1
review 本文综述了表面增强拉曼光谱(SERS)在头颈癌诊断和治疗中的应用现状及前景 展示了SERS在液体活检、单分子检测、肿瘤微环境表征以及与人工智能结合方面的创新应用 未提及具体的技术实施难点或临床转化障碍 探讨SERS技术在头颈癌精准诊疗领域的应用潜力 头颈癌的分子生物学诊断、组织水平识别和治疗监测 数字病理学 头颈癌 表面增强拉曼光谱(SERS) 机器学习与深度学习算法 光谱数据 NA NA NA NA NA
11745 2025-05-09
Stacked CNN-based multichannel attention networks for Alzheimer disease detection
2025-Feb-17, Scientific reports IF:3.8Q1
research paper 该研究提出了一种基于堆叠CNN和多通道注意力网络的轻量级模型SCCAN,用于MRI图像中的阿尔茨海默病检测 提出了一种结合堆叠CNN和通道注意力模块的新型模型SCCAN,通过多层次特征提取和通道维度上的特征选择,有效减少噪声并提升特征权重效果 模型在较小数据集上训练,可能在大规模数据集上的泛化能力有待验证 开发一种高效的阿尔茨海默病自动识别系统 阿尔茨海默病患者的MRI图像 digital pathology geriatric disease MRI CNN, Channel Attention Network image ADNI1 Complete 1Yr 1.5T, Kaggle和OASIS-1数据集 NA NA NA NA
11746 2025-05-09
Dense convolution-based attention network for Alzheimer's disease classification
2025-Feb-17, Scientific reports IF:3.8Q1
研究论文 提出了一种名为DenseAttentionNetwork (DANet)的轻量级模型,用于在3D MRI图像中检测阿尔茨海默病 结合密集连接和线性注意力机制,以较少的参数实现高效预测,并克服标准自注意力的一些限制 未提及具体的局限性 开发一个高效且参数较少的模型,用于阿尔茨海默病的分类 3D MRI图像 数字病理学 阿尔茨海默病 3D MRI成像 CNN与线性注意力机制结合的DANet 3D图像 多机构数据集,具体数量未提及 NA NA NA NA
11747 2025-05-09
Multimodal surface-based transformer model for early diagnosis of Alzheimer's disease
2025-Feb-17, Scientific reports IF:3.8Q1
研究论文 提出了一种基于多模态表面特征的Transformer模型,用于阿尔茨海默病的早期诊断 首次利用多模态、轻量级的皮层表面特征(来自MRI和PET扫描)替代计算密集型的3D体积特征,并采用中间融合方法和交叉注意力机制高效整合不同模态的特征 研究仅基于ADNI系列数据集,未在其他独立数据集上验证 开发一种计算效率更高的阿尔茨海默病早期诊断方法 阿尔茨海默病患者 数字病理学 阿尔茨海默病 MRI, PET扫描 Transformer 图像 ADNI系列数据集(具体数量未提及) NA NA NA NA
11748 2025-05-09
A unified framework harnessing multi-scale feature ensemble and attention mechanism for gastric polyp and protrusion identification in gastroscope imaging
2025-Feb-17, Scientific reports IF:3.8Q1
研究论文 本研究提出了一种名为MultiAttentiveScopeNet的深度学习模型,用于提高胃镜图像中胃息肉和隆起物的识别准确率 结合多层特征集成和注意力机制,提高胃镜图像分析的准确性和可解释性 NA 解决胃息肉和隆起物在胃镜图像中的诊断挑战 胃镜图像 计算机视觉 胃部疾病 深度学习 CNN 图像 大型多类胃镜图像数据集 NA NA NA NA
11749 2025-05-09
A hybrid optimization-enhanced 1D-ResCNN framework for epileptic spike detection in scalp EEG signals
2025-Feb-17, Scientific reports IF:3.8Q1
research paper 提出了一种结合1D残差卷积神经网络(1D-ResCNN)和混合优化策略的深度学习架构,用于头皮脑电信号中的癫痫尖峰检测 结合LAMB和AdamW算法的混合优化策略,提高了模型效率和收敛速度,同时从时域和频域脑电数据中提取特征 NA 开发一种高效、准确的癫痫尖峰实时检测方法 头皮脑电信号中的癫痫尖峰 digital pathology epilepsy 1D-ResCNN, LAMB, AdamW 1D-ResCNN EEG signals CHB-MIT数据集(12名患者的24通道脑电记录)和Siena数据集(14名成人患者的脑电数据) NA NA NA NA
11750 2025-05-09
Research on the development of an intelligent prediction model for blood pressure variability during hemodialysis
2025-Feb-17, BMC nephrology IF:2.2Q2
research paper 开发一种智能预测模型,用于预测血液透析期间血压变异性 利用机器学习和深度学习模型预测血液透析期间的血压波动,并通过SHAP方法识别关键特征,开发临床应用程序 研究数据仅来自两家医院,可能缺乏广泛代表性 预测血液透析期间的血压波动(IDH和IDHTN),以减少并发症 血液透析患者 machine learning cardiovascular disease machine learning, SHAP XGBoost, CatBoost, RF clinical data 67,524次血液透析会话(47,053次用于模型训练和测试,20,471次用于外部验证) NA NA NA NA
11751 2025-05-09
Predicting visual field global and local parameters from OCT measurements using explainable machine learning
2025-Feb-16, Scientific reports IF:3.8Q1
研究论文 该研究开发了五种回归模型,用于从光学相干断层扫描(OCT)数据预测视野(VF)测量,并通过SHAP分析提高模型的可解释性,同时开发了一个名为OCT to VF Predictor的临床软件工具 引入了点态归一化和步长概念,在点态敏感性预测中获得了2.51 dB的平均绝对误差,灰度预测模型的平均结构相似性指数达到77%,并通过SHAP分析为青光眼诊断提供了关键特征见解 研究样本量相对有限(268只青光眼和226只正常眼),且未提及模型在其他疾病或更大样本中的泛化能力 通过机器学习和可解释AI工具预测青光眼患者的视野参数,辅助眼科医生进行诊断 青光眼患者和正常人的眼睛(共494只眼,包括早期、中期和晚期青光眼) 机器学习 青光眼 光学相干断层扫描(OCT) 回归模型 医学影像数据 268只青光眼(86早期、72中期、110晚期)和226只正常眼 NA NA NA NA
11752 2025-05-09
RNA-protein interaction prediction using network-guided deep learning
2025-Feb-16, Communications biology IF:5.2Q1
research paper 介绍了一种名为ZHMolGraph的网络引导深度学习方法,用于预测RNA-蛋白质相互作用 整合了图神经网络和无监督大型语言模型,显著提高了对未知RNA和蛋白质相互作用的预测准确性 RNA数量有限且灵活性高,可能限制了深度学习模型的有效性 提高RNA-蛋白质相互作用的计算预测准确性 RNA和蛋白质的相互作用 machine learning NA graph neural network, unsupervised large language models ZHMolGraph RNA-protein interaction data 两个基准数据集,包括未知RNA和蛋白质的数据集 NA NA NA NA
11753 2025-05-09
Advanced prognostic modeling with deep learning: assessing long-term outcomes in liver transplant recipients from deceased and living donors
2025-Feb-16, Journal of translational medicine IF:6.1Q1
研究论文 本研究利用深度学习开发了一种先进的预后模型,用于评估肝移植后的长期结果,特别关注区分死亡和活体供体移植 使用Deeplearning4j多层感知器分类器进行长期生存分析,并验证了其在肝移植后生存预测中的实用性 研究仅基于UNOS数据库的数据,可能无法涵盖所有相关变量 开发一个先进的预后模型来预测肝移植后的长期结果 肝移植受者,包括死亡和活体供体移植的受者 机器学习 肝病 深度学习 Deeplearning4j Multilayer Perceptron (MLP) 临床、人口统计和移植相关变量 353,589条记录(1998年至2023年) NA NA NA NA
11754 2025-05-09
Development and validation of MRI-derived deep learning score for non-invasive prediction of PD-L1 expression and prognostic stratification in head and neck squamous cell carcinoma
2025-Feb-16, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1
研究论文 开发并验证了一种基于MRI的深度学习评分(DLS),用于无创预测头颈部鳞状细胞癌(HNSCC)患者的PD-L1表达状态及其对免疫检查点抑制剂(ICI)治疗的预后分层效果 利用ResNet-101卷积神经网络和基于transformer的注意力机制模型,融合多序列MRI特征,首次实现了对HNSCC患者PD-L1表达的无创预测和预后分层 研究样本来自两个机构,可能存在选择偏倚;模型性能在外部验证队列中有所下降 开发非侵入性预测HNSCC患者PD-L1表达的方法,并评估其对免疫治疗预后的预测价值 头颈部鳞状细胞癌(HNSCC)患者 数字病理 头颈部鳞状细胞癌 MRI(T1WI、T2WI和对比增强T1WI) ResNet-101 CNN与transformer融合模型 医学影像 来自两个机构的610名HNSCC患者(四个队列) NA NA NA NA
11755 2025-05-09
Deep learning for detecting and early predicting chronic obstructive pulmonary disease from spirogram time series
2025-Feb-15, NPJ systems biology and applications IF:3.5Q1
研究论文 提出了一种名为DeepSpiro的深度学习新方法,用于从肺活量时间序列中检测和早期预测慢性阻塞性肺疾病(COPD) 开发了DeepSpiro,一个包含四个关键组件的深度学习框架,能够基于细微数据模式预测未来COPD风险,预测时间跨度可达1-5年或更长 NA 早期预测慢性阻塞性肺疾病(COPD)的未来风险 肺活量时间序列数据 机器学习 慢性阻塞性肺疾病 深度学习 DeepSpiro(包含SpiroSmoother, SpiroEncoder, SpiroExplainer, SpiroPredictor) 时间序列数据(Volume-Flow曲线) UK Biobank数据集 NA NA NA NA
11756 2025-05-09
Machine learning via DARTS-Optimized MobileViT models for pancreatic Cancer diagnosis with graph-based deep learning
2025-Feb-15, BMC medical informatics and decision making IF:3.3Q2
研究论文 本研究提出了一种结合基于图的数据表示和DARTS优化的MobileViT模型的新方法,以提高胰腺癌诊断的准确性和可靠性 创新性地将基于图的深度学习与机器学习技术结合,使用DARTS优化的MobileViT模型进行胰腺癌诊断,性能优于传统CNN和Vision Transformer模型 未提及具体的研究局限性 提高胰腺癌诊断的准确性和可靠性 胰腺CT图像 计算机视觉 胰腺癌 Harris角点检测算法、DARTS、KNN、SVM、RF、XGBoost MobileViTv2_150、MobileViTv2_200、CNN、Vision Transformer 图像 NA NA NA NA NA
11757 2025-05-09
AlphaFold prediction of structural ensembles of disordered proteins
2025-Feb-14, Nature communications IF:14.7Q1
research paper 本文介绍了AlphaFold-Metainference方法,利用AlphaFold预测的距离作为分子动力学模拟的结构约束,构建有序和无序蛋白质的结构集合 将AlphaFold预测的距离用于分子动力学模拟,构建无序蛋白质的结构集合,填补了深度学习在无序蛋白质预测领域的空白 方法依赖于AlphaFold的预测准确性,且需要进一步验证在更广泛无序蛋白质上的适用性 探索深度学习方法在预测无序蛋白质结构集合中的应用 有序和无序蛋白质 machine learning NA AlphaFold, 分子动力学模拟 AlphaFold 蛋白质结构数据 NA NA NA NA NA
11758 2025-05-09
Reducing inference cost of Alzheimer's disease identification using an uncertainty-aware ensemble of uni-modal and multi-modal learners
2025-Feb-14, Scientific reports IF:3.8Q1
research paper 提出一种基于MRI和FDG PET的多模态深度学习方法,通过结合MRI模型的不确定性估计来减少对FDG PET扫描的依赖,从而降低阿尔茨海默病识别的推理成本 结合MRI模型的不确定性估计(使用蒙特卡洛dropout和证据深度学习生成)来决定是否需要FDG PET扫描,仅在必要时输入FDG PET到多模态模型中 假设MRI和FDG PET数据在模型训练时可用,但在实际临床中可能并非总是如此 优化阿尔茨海默病的识别方法,减少对昂贵且有辐射的FDG PET扫描的依赖 阿尔茨海默病患者 digital pathology geriatric disease MRI, FDG PET, Monte Carlo dropout, evidential deep learning multi-modal deep learning image NA NA NA NA NA
11759 2025-05-09
Early detection of Parkinson's disease using a multi area graph convolutional network
2025-Feb-14, Scientific reports IF:3.8Q1
研究论文 本研究提出了一种创新的深度学习方法,用于早期帕金森病的检测 引入了多区域注意力时空有向图卷积网络(Ma-ST-DGN),通过重构人体骨骼特征和使用多区域自注意力机制,提高了对帕金森病潜在迹象的敏感性 研究仅基于一个特定的帕金森病步态数据集(PD-Walk),可能限制了模型的泛化能力 提高早期帕金森病检测的准确性和运动识别模型的鲁棒性 帕金森病患者和健康个体的步态数据 计算机视觉 帕金森病 深度学习 Ma-ST-DGN(多区域注意力时空有向图卷积网络) 视频 95名帕金森病患者和96名健康个体的步行视频 NA NA NA NA
11760 2025-05-09
Detection and classification of glomerular lesions in kidney graft biopsies using 2-stage deep learning approach
2025-Feb-14, Medicine IF:1.3Q2
研究论文 使用两阶段深度学习方法检测和分类肾移植活检中的肾小球病变 采用两阶段分类策略,结合U-Net和MobileNetV2模型,有效检测和分类肾小球病变,提供了一种潜在的活检分诊系统 样本量相对较小(137张活检切片,来自80名患者),且未提及模型在其他数据集上的泛化能力 评估深度学习在肾移植活检中检测和分类肾小球病变的有效性 肾移植患者的肾活检切片 数字病理学 肾脏疾病 深度学习 U-Net, MobileNetV2, VGG16 图像 137张肾活检切片,来自80名肾移植患者(中位年龄52岁,65%男性,35%女性) NA NA NA NA
回到顶部