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 24409 篇文献，本页显示第 14021 - 14040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14021 | 2024-10-18 |
A Data Augmentation Methodology to Reduce the Class Imbalance in Histopathology Images
2024-Aug, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01018-9
PMID:38485898
|
研究论文 | 本文提出了一种数据增强方法，用于减少组织病理学图像中的类别不平衡问题 | 本文提出了一种结合复制粘贴数据增强技术和损失函数加权平衡方法的策略，专门针对高实例密度数据集进行优化 | 本文仅在一个高度不平衡的核检测数据集上进行了验证，未来需要在更多不同类型的数据集上进行测试 | 解决多类和多标签分类中的类别不平衡问题，特别是在高实例密度数据集中 | 组织病理学图像中的类别不平衡问题 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | 一个高度不平衡的核检测数据集 |
| 14022 | 2024-10-18 |
DL-EDOF: Novel Multi-Focus Image Data Set and Deep Learning-Based Approach for More Accurate and Specimen-Free Extended Depth of Focus
2024-Aug, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01076-z
PMID:38528289
|
研究论文 | 本文提出了一种基于深度学习的扩展景深（EDOF）显微镜方法，并生成了一种新的多焦点图像数据集 | 首次提出基于无监督深度学习的EDOF方法，提供更准确且无需样本的EDOF，生成新的多焦点图像数据，无需任何预处理或后处理技术，并使用深度特征获取像素的焦点度 | 未提及 | 克服显微系统中景深狭窄的问题，提高EDOF方法的性能 | 多焦点图像数据集和基于深度学习的EDOF显微镜方法 | 计算机视觉 | NA | 深度学习 | 无监督深度学习模型 | 图像 | 包含9个图像集合的多焦点图像数据集（4个合成图像集合和5个显微镜图像集合） |
| 14023 | 2024-10-18 |
The role of quantitative electroencephalography in diagnostic workup of mental disorders
2024-Aug, Journal of physiology and pharmacology : an official journal of the Polish Physiological Society
IF:2.0Q3
DOI:10.26402/jpp.2024.4.02
PMID:39415522
|
综述 | 本文综述了定量脑电图（QEEG）在多种精神障碍诊断中的最新优势 | 介绍了使用人工智能（AI）、深度学习（DL）和机器学习（ML）等复杂方法进行脑电图数据分析的最新进展 | NA | 探讨定量脑电图在精神障碍诊断中的应用及其对个性化治疗发展的支持 | 焦虑症、痴呆、精神分裂症、双相情感障碍和抑郁症等精神障碍 | 神经科学 | 精神障碍 | 脑电图（EEG） | 深度学习（DL） | 脑电图数据 | NA |
| 14024 | 2024-10-18 |
Objectification of evaluation criteria in microscopic agglutination test using deep learning
2024-07, Journal of microbiological methods
IF:1.7Q4
DOI:10.1016/j.mimet.2024.106955
PMID:38754481
|
研究论文 | 本文旨在通过深度学习方法客观化显微凝集试验中的凝集率评估标准 | 提出了一种利用深度学习从暗场显微图像中提取自由钩端螺旋体并计算凝集率的方法 | NA | 客观化显微凝集试验中的凝集率评估标准 | 显微凝集试验中的凝集率 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
| 14025 | 2024-10-18 |
Speech decoding from stereo-electroencephalography (sEEG) signals using advanced deep learning methods
2024-06-27, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad593a
PMID:38885688
|
研究论文 | 本研究使用立体脑电图（sEEG）信号和先进的深度学习方法解码语音波形 | 首次全面探索使用立体脑电图（sEEG）信号进行语音解码，并展示了深度学习方法在此领域的优越性 | 研究仅限于解码荷兰语单词，且样本量较小 | 探索使用立体脑电图（sEEG）信号解码语音的可行性，并评估不同深度学习方法的性能 | 癫痫患者的立体脑电图（sEEG）信号和其对应的语音波形 | 机器学习 | NA | 立体脑电图（sEEG） | RNN, Transformer | 信号 | 癫痫患者参与者的sEEG数据 |
| 14026 | 2024-10-18 |
Mapping dynamic spatial patterns of brain function with spatial-wise attention
2024-03-07, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad2cea
PMID:38407988
|
研究论文 | 本文提出了一种基于空间注意力机制的深度学习方法SCAAE，用于发现动态功能脑网络 | 本文创新性地提出了空间注意力机制，用于生成动态功能脑网络，无需线性或独立性假设 | NA | 研究动态功能脑网络的发现方法 | 功能磁共振成像数据中的动态空间模式 | 计算机视觉 | NA | 功能磁共振成像 | 自编码器 | 图像 | 使用了HCP-rest、HCP-task和ADHD-200数据集 |
| 14027 | 2024-10-18 |
Diagnostic performance of deep learning models versus radiologists in COVID-19 pneumonia: A systematic review and meta-analysis
2024-Mar, Clinical imaging
IF:1.8Q3
DOI:10.1016/j.clinimag.2024.110092
PMID:38301371
|
meta-analysis | 本文通过系统综述和荟萃分析，比较了深度学习模型与放射科医生在COVID-19肺炎诊断中的表现 | 首次系统性地评估了深度学习模型与放射科医生在COVID-19肺炎诊断中的表现差异 | 研究仅限于已发表的文献，可能存在发表偏倚 | 评估深度学习模型与放射科医生在COVID-19肺炎诊断中的表现差异 | 深度学习模型和放射科医生在COVID-19肺炎诊断中的表现 | 计算机视觉 | 肺部疾病 | 深度学习 | CNN | 图像 | 22篇符合条件的文章 |
| 14028 | 2024-10-18 |
Performance Analysis in Children of Traditional and Deep Learning CT Lung Nodule Computer-Aided Detection Systems Trained on Adults
2024-02, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.30345
PMID:37991333
|
研究论文 | 本研究评估了基于成人数据训练的传统和深度学习计算机辅助检测系统在儿童胸部CT扫描中检测肺结节的表现 | 首次比较了基于成人数据训练的传统和深度学习CAD系统在儿童患者中的诊断性能 | 研究结果表明，基于成人数据训练的CAD系统在儿童患者中的敏感性显著降低，表明需要针对儿童的特定CAD系统 | 评估传统和深度学习CAD系统在儿童患者中检测肺结节的诊断性能，并比较其对儿童和其他成人的泛化能力 | 儿童和成人的胸部CT扫描数据 | 计算机视觉 | 肺部疾病 | 计算机辅助检测系统 | 传统CAD系统和深度学习MONAI模型 | CT扫描图像 | 59名儿童和89名成人的CT扫描数据 |
| 14029 | 2024-10-18 |
Importance of Serum Albumin in Deep Learning-Based Prediction of Cognitive Function Data in the Aged Using a Basic Blood Test
2024, Advances in experimental medicine and biology
DOI:10.1007/978-3-031-67458-7_42
PMID:39400832
|
研究论文 | 研究探讨了在老年人群中使用深度学习模型预测认知功能时，血清白蛋白作为营养状态指标的重要性 | 研究首次探讨了在深度学习模型中加入血清白蛋白对预测老年认知功能的准确性的影响 | 研究样本仅来自一家医院，且未涵盖所有年龄段的老年人群 | 评估在预测老年认知功能时，血清白蛋白对深度学习模型准确性的影响 | 老年人群的认知功能预测 | 机器学习 | 老年病 | 深度学习 | 深度学习模型 | 血液检测数据 | 1287名患者，分为65岁及以上和65岁以下两组 |
| 14030 | 2024-10-18 |
Lung-PNet: An Automated Deep Learning Model for the Diagnosis of Invasive Adenocarcinoma in Pure Ground-Glass Nodules on Chest CT
2024-01, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29674
PMID:37493322
|
研究论文 | 开发并验证了一种用于胸部CT上纯磨玻璃结节（pGGNs）中区分浸润性腺癌（IAC）与其他实体的自动深度学习模型 | 提出了Lung-PNet，一种3D深度学习模型，用于自动分割和分类pGGNs中的IAC与其他实体 | 研究为回顾性，样本量相对较小，且仅限于特定时间段内的病例 | 开发和验证一种自动深度学习模型，用于区分胸部CT上pGGNs中的IAC与其他实体 | 胸部CT上的纯磨玻璃结节（pGGNs），包括AAH、AIS、MIA和IAC | 计算机视觉 | 肺癌 | 深度学习 | 3D深度学习模型 | 影像 | 402名患者，共448个pGGNs |
| 14031 | 2024-10-18 |
Editorial Comment: Implementing an End-to-End Deep Learning Model in the Task of Differentiating Pure Ground-Glass Nodules on Chest CT
2024-Jan, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.30002
PMID:37530402
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14032 | 2024-10-18 |
Artificial Intelligence for Assessment of Endotracheal Tube Position on Chest Radiographs: Validation in Patients From Two Institutions
2024-01, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29769
PMID:37703195
|
研究论文 | 研究评估了基于深度学习的人工智能系统在胸部X光片上检测气管插管位置的性能 | 开发并验证了一种基于深度学习的人工智能系统，用于在胸部X光片上自动检测气管插管的存在和位置 | 研究仅限于两个机构的数据，且样本量较小 | 评估人工智能系统在胸部X光片上检测气管插管位置的准确性和及时性 | 气管插管在胸部X光片上的位置 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 539张胸部X光片（机构A，505名患者），637张胸部X光片（机构A，302名患者），546张胸部X光片（机构B，83名患者） |
| 14033 | 2024-10-18 |
Computational models can distinguish the contribution from different mechanisms to familiarity recognition
2024-01, Hippocampus
IF:2.4Q3
DOI:10.1002/hipo.23588
PMID:37985213
|
研究论文 | 本文设计了两种结合深度学习和Hebbian学习规则的计算模型，分别用于模拟熟悉感，并通过比较两种模型的性能来揭示其内在机制 | 本文提出了一种新的方法来区分不同熟悉感机制的贡献，并通过两种互补模型提出了新的可测试预测 | Hebbian模型在大训练集规模下无法拟合人类行为数据，且仅对图像同质性高度敏感 | 研究不同机制对熟悉感识别的贡献，并提出新的可测试预测 | 熟悉感及其相关机制 | 机器学习 | NA | 深度学习 | Hebbian模型和anti-Hebbian模型 | 图像 | 自然图像 |
| 14034 | 2024-10-18 |
High-Speed On-Site Deep Learning-Based FFR-CT Algorithm: Evaluation Using Invasive Angiography as the Reference Standard
2023-10, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29156
PMID:37132550
|
研究论文 | 本研究评估了一种基于深度学习的高速现场FFR-CT算法在诊断冠状动脉狭窄中的表现 | 开发了一种基于深度学习的高速现场FFR-CT算法，显著缩短了分析时间，并提高了诊断准确性 | 研究为回顾性，样本量相对较小，且仅限于特定时间段内的患者 | 评估基于深度学习的FFR-CT算法在诊断冠状动脉狭窄中的诊断性能 | 冠状动脉狭窄的诊断和评估 | 计算机视觉 | 心血管疾病 | 深度学习 | 3D计算流体动力学模型 | 图像 | 59名患者（46名男性，13名女性；平均年龄66.5 ± 10.2岁） |
| 14035 | 2024-10-18 |
Editorial Comment: On-Site Deep Learning-Based FFR-CT-A Novel Method to Evaluate Functionally Significant Stenosis
2023-Oct, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29561
PMID:37132555
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14036 | 2024-10-18 |
Development and External Validation of an Artificial Intelligence Model for Identifying Radiology Reports Containing Recommendations for Additional Imaging
2023-09, AJR. American journal of roentgenology
DOI:10.2214/AJR.23.29120
PMID:37073901
|
研究论文 | 开发并验证了一种基于BERT的人工智能模型，用于识别放射学报告中包含额外影像建议的部分 | 使用BERT模型在识别放射学报告中额外影像建议方面表现优于传统的机器学习模型 | 研究仅限于特定时间段和特定医疗机构的放射学报告 | 开发和验证一种人工智能模型，用于识别放射学报告中包含额外影像建议的部分 | 放射学报告中的额外影像建议 | 机器学习 | NA | BERT | BERT | 文本 | 6300份放射学报告，涉及7419名患者 |
| 14037 | 2024-10-18 |
Single-Atom Level Determination of 3-Dimensional Surface/Interface Atomic Structures via Deep Learning-Assisted Atomic Electron Tomography
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.712
PMID:37613584
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14038 | 2024-10-18 |
Improving Porosity Analysis in Additive Manufacturing through 3D Resolution Recovery Using Deep Learning-Based Reconstruction
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.728
PMID:37613626
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14039 | 2024-10-18 |
Performance of Deep Learning-based Image Denoising in Image Reconstruction for Various Acquisition Conditions: a Simulated Phantom Study
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.725
PMID:37613776
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14040 | 2024-10-18 |
Deep Learning for Automated Quantification of Irradiation Defects in TEM Data: Relating Pixel-level Errors to Defect Properties
2023-Jul-22, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/micmic/ozad067.802
PMID:37613789
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |