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 14421 - 14440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14421 | 2024-10-18 |
Utility of Normalized Body Composition Areas, Derived From Outpatient Abdominal CT Using a Fully Automated Deep Learning Method, for Predicting Subsequent Cardiovascular Events
2023-Feb, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.27977
PMID:36043607
|
研究论文 | 本研究探讨了使用全自动深度学习方法从门诊腹部CT中提取的归一化身体成分区域对后续心血管事件的预测能力 | 本研究首次使用全自动深度学习算法从常规CT扫描中提取身体成分测量值，并独立于传统体重指标预测心血管风险 | 本研究为回顾性研究，样本主要为黑人和白人患者，可能存在选择偏倚 | 确定通过全自动深度学习算法从常规CT扫描中获得的身体成分测量值是否能独立于体重、BMI和其他心血管风险因素预测后续心血管事件 | 9752名门诊患者，其中5519名女性和4233名男性，平均年龄53.2岁，890名患者自报为黑人，8862名自报为白人 | 计算机视觉 | 心血管疾病 | 深度学习 | NA | 图像 | 9752名门诊患者 |
| 14422 | 2024-10-18 |
Detectability of Small Low-Attenuation Lesions With Deep Learning CT Image Reconstruction: A 24-Reader Phantom Study
2023-Feb, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.28407
PMID:36129222
|
研究论文 | 本研究评估了深度学习图像重建（DLIR）算法在低对比度检测性能和辐射节省潜力方面与滤波反投影（FBP）和迭代重建（IR）的比较 | DLIR算法在减少辐射剂量的情况下，仍能保持低对比度病变的检测性能，这是传统IR技术的一个主要缺点 | 研究仅在模拟人体的多阅读器非劣效性设计和任务型观察者模型中进行，未在真实临床环境中验证 | 评估DLIR算法在低对比度检测性能和辐射节省潜力方面的表现 | 低对比度检测性能和辐射节省潜力 | 计算机视觉 | NA | 深度学习图像重建（DLIR） | NA | 图像 | 24名不同经验水平的阅读者评估图像 |
| 14423 | 2024-10-18 |
Editorial Comment: More Evidence Supporting Deep Learning Reconstructions in Abdominal CT-What Should We Do?
2023-Feb, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.28554
PMID:36169549
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14424 | 2024-10-18 |
Artificial Intelligence (AI) for Fracture Diagnosis: An Overview of Current Products and Considerations for Clinical Adoption, From the AJR Special Series on AI Applications
2022-12, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.27873
PMID:35731103
|
综述 | 本文综述了人工智能（AI）和深度学习算法在骨折诊断中的应用，并提供了临床采用这些技术的指导 | 介绍了AI和深度学习在骨折检测中的准确性，并讨论了其在临床实践中的应用潜力 | 尽管AI产品在增加，但关于放射科医生如何采用这些新技术的指导有限 | 探讨AI和深度学习算法在骨折诊断中的应用，并提供临床采用这些技术的指导 | 骨折诊断和AI技术在放射科的应用 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
| 14425 | 2024-10-18 |
Multivendor Comparison of Quantification Accuracy of Iodine Concentration and Attenuation Measurements by Dual-Energy CT: A Phantom Study
2022-11, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.27753
PMID:35674353
|
研究论文 | 本研究比较了不同供应商、技术和代次的12种双能CT（DECT）扫描仪在碘浓度和衰减测量方面的定量准确性 | 本研究设计了一个包含七种不同碘浓度的质量控制幻影，并使用了多种扫描条件和重建算法，包括深度学习图像重建（DLIR），以评估不同DECT配置的定量准确性 | 本研究仅限于使用特定的质量控制幻影和有限的扫描条件，未涵盖所有可能的临床应用场景 | 比较不同供应商、技术和代次的双能CT扫描仪在碘浓度和衰减测量方面的定量准确性 | 双能CT扫描仪的定量准确性 | 医学影像 | NA | 双能CT（DECT） | 深度学习图像重建（DLIR） | 影像 | 12种不同扫描仪配置 |
| 14426 | 2024-10-18 |
Impact of Artificial Intelligence Assistance on Chest CT Interpretation Times: A Prospective Randomized Study
2022-11, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.27598
PMID:35703413
|
研究论文 | 评估人工智能辅助平台在临床工作流程中对胸部CT解读时间的影响 | 研究展示了在真实临床环境中，使用自动化AI平台辅助胸部CT解读可以显著减少放射科医生的解读时间 | 研究仅在一个中心进行，样本量有限，且仅涉及三位放射科医生 | 评估AI辅助平台对胸部CT解读时间的影响 | 胸部CT扫描的解读时间 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | 390名患者（204名女性，186名男性；平均年龄62.8 ± 13.3岁） |
| 14427 | 2024-10-18 |
Coronary CTA With AI-QCT Interpretation: Comparison With Myocardial Perfusion Imaging for Detection of Obstructive Stenosis Using Invasive Angiography as Reference Standard
2022-09, AJR. American journal of roentgenology
DOI:10.2214/AJR.21.27289
PMID:35441530
|
研究论文 | 本研究比较了人工智能定量CT（AI-QCT）解释的冠状动脉CTA与心肌灌注成像（MPI）在检测阻塞性冠状动脉疾病中的诊断性能 | AI-QCT在检测阻塞性冠状动脉疾病方面比MPI具有更高的诊断性能，并能显著减少不必要的下游侵入性测试和成本 | 本研究为回顾性事后分析，样本来自23个中心的CREDENCE试验，可能存在选择偏倚 | 比较AI-QCT解释的冠状动脉CTA与MPI在检测阻塞性冠状动脉疾病中的诊断性能，并评估其在诊断算法中的下游影响 | 冠状动脉CTA、MPI、AI-QCT、侵入性血管造影 | 计算机视觉 | 心血管疾病 | 深度学习 | NA | 图像 | 301名患者（88名女性和213名男性；平均年龄64.4±10.2岁） |
| 14428 | 2024-10-18 |
Radiation Dose Reduction for 80-kVp Pediatric CT Using Deep Learning-Based Reconstruction: A Clinical and Phantom Study
2022-08, AJR. American journal of roentgenology
DOI:10.2214/AJR.21.27255
PMID:35195431
|
研究论文 | 本研究评估了基于深度学习的重建（DLR）在降低低管电压儿童CT辐射剂量同时保持诊断图像质量方面的效果 | 首次比较了低剂量DLR图像与标准剂量迭代重建（IR）图像，并探索了DLR在低管电压扫描中的应用 | 本研究为回顾性研究，样本量有限，且仅限于6岁及以下的儿童 | 评估DLR在降低低管电压儿童CT辐射剂量同时保持图像质量方面的效果 | 6岁及以下的儿童 | 计算机视觉 | NA | 基于深度学习的重建（DLR） | 深度学习模型 | 图像 | 65名儿童（平均年龄25.0 ± 25.2个月） |
| 14429 | 2024-10-18 |
Defining Normal Ranges of Skeletal Muscle Area and Skeletal Muscle Index in Children on CT Using an Automated Deep Learning Pipeline: Implications for Sarcopenia Diagnosis
2022-08, AJR. American journal of roentgenology
DOI:10.2214/AJR.21.27239
PMID:35234481
|
研究论文 | 使用自动化深度学习管道在儿童腹部CT图像上定义骨骼肌面积和骨骼肌指数的正常范围，以辅助诊断儿童肌肉减少症 | 首次使用自动化深度学习管道在儿童群体中定义骨骼肌面积和骨骼肌指数的正常范围 | 研究仅限于特定医院的数据，样本选择标准严格，可能影响结果的普适性 | 确定儿童骨骼肌面积和骨骼肌指数的正常范围，以辅助诊断儿童肌肉减少症 | 儿童的骨骼肌面积和骨骼肌指数 | 计算机视觉 | NA | 深度学习 | DL | 图像 | 2168名儿童，年龄范围2.00-18.99岁，包括1125名女性和1043名男性 |
| 14430 | 2024-10-18 |
Editorial Comment: Doing More With Less-Deep Learning Iterative Reconstruction Can Improve Diagnostic Image Quality in Pediatric Low-Dose Body CT
2022-Aug, AJR. American journal of roentgenology
DOI:10.2214/AJR.22.27613
PMID:35261283
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14431 | 2024-10-18 |
Is Artificial Intelligence (AI) a Pipe Dream? Why Legal Issues Present Significant Hurdles to AI Autonomy
2022-07, AJR. American journal of roentgenology
DOI:10.2214/AJR.21.27224
PMID:35138133
|
评论 | 本文讨论了人工智能（AI）在放射学中的应用及其面临的法律障碍 | 本文首次深入探讨了AI在放射学中应用时面临的法律责任问题 | 本文主要关注法律问题，未详细讨论技术实现的具体细节 | 探讨AI在放射学中应用的法律障碍及其对AI发展的影响 | AI在放射学中的应用及其法律责任问题 | NA | NA | NA | NA | NA | NA |
| 14432 | 2024-10-18 |
Guest Editorial Annotation-Efficient Deep Learning: The Holy Grail of Medical Imaging
2021-Oct, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/tmi.2021.3089292
PMID:34795461
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14433 | 2024-10-18 |
Liver Steatosis Categorization on Contrast-Enhanced CT Using a Fully Automated Deep Learning Volumetric Segmentation Tool: Evaluation in 1204 Healthy Adults Using Unenhanced CT as a Reference Standard
2021-08, AJR. American journal of roentgenology
DOI:10.2214/AJR.20.24415
PMID:32936018
|
研究论文 | 本文评估了一种全自动深度学习体积分割工具在对比增强CT上对脂肪肝分类的准确性，使用未增强CT作为参考标准 | 使用全自动深度学习体积分割算法进行肝脾体积分割，并评估其在对比增强CT上对脂肪肝分类的准确性 | 需要进一步验证不同扫描协议和供应商的结果 | 评估全自动深度学习体积分割工具在对比增强CT上对脂肪肝分类的准确性 | 1204名健康成年人 | 计算机视觉 | 肝病 | 3D卷积神经网络 | CNN | CT图像 | 1204名健康成年人（平均年龄45.2岁，726名女性，478名男性） |
| 14434 | 2024-10-18 |
Editorial Comment on "Liver Steatosis Categorization on Contrast-Enhanced CT Using a Fully Automated Deep Learning Volumetric Segmentation Tool: Evaluation in 1204 Healthy Adults Using Unenhanced CT as a Reference Standard"
2021-Aug, AJR. American journal of roentgenology
DOI:10.2214/AJR.20.24764
PMID:32997510
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14435 | 2024-10-18 |
Diagnostic Accuracy of Quantitative Multicontrast 5-Minute Knee MRI Using Prospective Artificial Intelligence Image Quality Enhancement
2021-06, AJR. American journal of roentgenology
DOI:10.2214/AJR.20.24172
PMID:32755384
|
研究论文 | 本研究评估了使用深度学习增强的5分钟3D定量双回波稳态（qDESS）序列与传统膝关节MRI在诊断准确性方面的比较 | 本研究首次使用深度学习超分辨率增强技术来提高qDESS序列的图像质量，并自动生成T2图 | 本研究样本量较小，仅包括51名患者，且未涵盖所有可能的膝关节病变 | 评估深度学习增强的qDESS序列与传统膝关节MRI在诊断准确性方面的差异 | 膝关节MRI图像的质量和诊断准确性 | 计算机视觉 | NA | 深度学习超分辨率增强 | 深度学习模型 | 图像 | 51名膝关节疼痛患者 |
| 14436 | 2024-10-17 |
Classification of Parkinson's disease severity using gait stance signals in a spatiotemporal deep learning classifier
2024-Nov, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03148-2
PMID:38884852
|
研究论文 | 本文开发了一种基于垂直地面反作用力信号的帕金森病严重程度分类算法 | 使用改进的卷积长深度神经网络架构对每只脚的步态站立阶段信号进行建模，并将结果结合以预测帕金森病严重程度，优于以往文献中的结果 | NA | 提高帕金森病诊断的准确性 | 帕金森病患者的步态信号 | 机器学习 | 帕金森病 | NA | 卷积长深度神经网络 | 信号 | 93名帕金森病患者和72名健康对照成人 |
| 14437 | 2024-10-17 |
Multi-label classification of retinal diseases based on fundus images using Resnet and Transformer
2024-Nov, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03144-6
PMID:38871856
|
研究论文 | 本文提出了一种结合ResNet和Transformer的框架，用于眼底图像的多标签分类，以诊断多种视网膜疾病 | 该模型通过ResNet提取图像特征，利用Transformer捕捉全局信息，并通过可学习的标签嵌入增强类别之间的关系，显著提高了多标签分类的准确性 | NA | 提高视网膜疾病多标签分类的准确性和效率 | 视网膜疾病的多标签分类 | 计算机视觉 | 视网膜疾病 | 深度学习 | ResNet和Transformer | 图像 | 5000张眼底图像 |
| 14438 | 2024-10-17 |
Layer-selective deep representation to improve esophageal cancer classification
2024-Nov, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03142-8
PMID:38848031
|
研究论文 | 本文研究了ResNet-50深度卷积设计对Barrett's食管和腺癌分类的影响 | 提出了一种两步学习技术，通过训练和分类ResNet-50架构中每个卷积层的输出来定义对架构影响更大的层 | 未提及 | 提高食管癌分类的准确性和透明度 | Barrett's食管和腺癌 | 计算机视觉 | 食管癌 | 深度学习 | ResNet-50 | 图像 | 未提及 |
| 14439 | 2024-10-17 |
Artificial intelligence in healthcare: a mastery
2024-Nov, Biotechnology & genetic engineering reviews
DOI:10.1080/02648725.2023.2196476
PMID:37013913
|
综述 | 本文综述了人工智能（AI）在医疗领域的最新进展，并讨论了其在商业、监管和社会学方面的实施情况 | 本文介绍了AI在医疗领域的多种应用，包括诊断和治疗、患者参与和承诺以及行政任务，并讨论了其在复杂疾病风险预测中的未来潜力 | 本文指出了AI在医疗领域应用中需要解决的困难、限制和偏见 | 探讨AI在医疗领域的应用及其未来潜力 | AI在医疗领域的应用及其在诊断、治疗和风险预测中的作用 | 机器学习 | NA | 深度学习算法和人工神经网络（ANN） | 人工神经网络（ANN） | 多维生物数据集 | NA |
| 14440 | 2024-10-17 |
Preliminary report on the short-term efficacy and safety of SAPO-S1 therapy for locally advanced gastric cancer with a deep learning perspective
2024-Nov, Biotechnology & genetic engineering reviews
DOI:10.1080/02648725.2023.2202513
PMID:37078530
|
研究论文 | 评估SAPO-S1疗法在局部晚期胃癌新辅助治疗中的短期疗效和安全性 | 探讨了sindilizumab与白蛋白结合型紫杉醇+奥沙利铂+S-1化疗（SAPO-S1疗法）联合用于局部晚期胃癌新辅助治疗的疗效和安全性 | 研究样本量较小，且仅评估了短期疗效和安全性 | 评估SAPO-S1疗法在局部晚期胃癌新辅助治疗中的疗效和安全性 | 局部晚期胃癌患者 | NA | 胃癌 | NA | NA | NA | 28名患者 |