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 17212 篇文献，本页显示第 15121 - 15140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15121 | 2024-08-05 |
Deep learning to detect left ventricular structural abnormalities in chest X-rays
2024-Jun-07, European heart journal
IF:37.6Q1
DOI:10.1093/eurheartj/ehad782
PMID:38503537
|
研究论文 | 本研究开发了一种深度学习模型，用于在胸部X光片中检测左心室结构异常。 | 首次利用深度学习方法在胸部X光片中准确检测严重左心室肥大和扩张的能力。 | 模型的评估依赖于回顾性数据，可能存在样本选择偏差。 | 研究旨在改进心力衰竭患者的早期筛查和识别。 | 研究对象为24,689名患者的71,589幅胸部X光片及相关的超声心动图标签。 | 计算机视觉 | 心血管疾病 | 深度学习 | NA | 图像 | 71,589幅胸部X光片 |
| 15122 | 2024-08-05 |
Deep Learning-Based Automated Imaging Classification of ADPKD
2024-Jun, Kidney international reports
IF:5.7Q1
DOI:10.1016/j.ekir.2024.04.002
PMID:38899202
|
研究论文 | 本研究开发了一种基于深度学习的方法，自动分类自体显性多囊肾病(ADPKD)的影像学类。 | 该方法应用了转移学习和可解释人工智能(XAI)技术，提高了自动分类结果的解释性和准确性。 | 本文对类1和类2的分类效果优异，但可能在实际临床应用中面临更复杂的变异情况。 | 研究旨在提高ADPKD影像分类的自动化水平，以支持临床试验和患者管理。 | 研究对象为486名患者的腹部T2加权磁共振图像。 | 计算机视觉 | 自体显性多囊肾病 | 深度学习，转移学习 | NA | 图像 | 486名患者的磁共振图像 |
| 15123 | 2024-08-05 |
Feed intake in housed dairy cows: validation of a three-dimensional camera-based feed intake measurement system
2024-Jun, Animal : an international journal of animal bioscience
IF:4.0Q1
DOI:10.1016/j.animal.2024.101178
PMID:38823283
|
研究论文 | 本研究验证了一种基于三维相机的奶牛饲料摄入量测量系统的准确性 | 提出了验证3D相机预测饲料摄入量重量的必要性，并探讨了饮食特定系数的影响 | 模型在个别餐次的摄入量测量上的准确性仍需提高 | 验证基于3D相机的饲料摄入量预测与实际测量重量之间的关系 | 24头泌乳的丹麦黑白奶牛 | 数字病理学 | NA | 深度学习 | 预测模型 | 体重和饲料体积数据 | 24头奶牛，使用4种不同的饮食处理 |
| 15124 | 2024-08-05 |
A Video Mosaicing-Based Sensing Method for Chicken Behavior Recognition on Edge Computing Devices
2024-May-25, Sensors (Basel, Switzerland)
DOI:10.3390/s24113409
PMID:38894200
|
研究论文 | 提出了一种基于视频马赛克的鸡行为识别技术，适用于边缘计算设备 | 结合视频马赛克与深度学习技术，实现对鸡行为的准确识别 | 研究集中于三种特定行为，未涵盖所有可能的鸡行为 | 探讨边缘计算设备上鸡行为识别的技术 | 鸡的行为 | 计算机视觉 | NA | 视频传感马赛克 | MobileNetV2 | 视频 | 涉及三种鸡行为的识别 |
| 15125 | 2024-08-05 |
Chronic Wound Image Augmentation and Assessment Using Semi-Supervised Progressive Multi-Granularity EfficientNet
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3248307
PMID:38899014
|
研究论文 | 使用半监督学习和深度学习方法对慢性创伤图像进行增强和评估 | 提出了一种半监督PMGEfficientNet方法，提高了慢性创伤图像评分的准确性，并优于基线模型 | 合成创伤图像生成未能改善创伤评估的结果 | 通过增强创伤数据集，提升深度学习在创伤评估中的应用效果 | 小型且不平衡的创伤数据集以及二次未标记的创伤图像数据集 | 计算机视觉 | NA | 半监督学习 | EfficientNet卷积神经网络 | 图像 | 共计11509张创伤图像，包括1639张标记图像和9870张未标记图像 |
| 15126 | 2024-08-05 |
A Deep Learning Approach for Beamforming and Contrast Enhancement of Ultrasound Images in Monostatic Synthetic Aperture Imaging: A Proof-of-Concept
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3401098
PMID:38899024
|
研究论文 | 本研究展示了一种深度神经网络（DNN）用于重建高对比度超声图像的方法 | 该文章创新性地使用DNN从单通道合成孔径（SA）方法的射频信号中重建图像，提高了图像质量和对比度 | 研究中使用的模拟图像可能无法完全代表实际临床场景的复杂性 | 研究的目的是提高合成孔径超声成像的图像质量和对比度 | 研究对象是通过单通道SA获取的射频信号及其重建的目标图像 | 数字病理学 | NA | 超声成像 | U-net | 图像 | 27200对射频信号和500幅模拟测试图像 |
| 15127 | 2024-08-05 |
NeoSSNet: Real-Time Neonatal Chest Sound Separation Using Deep Learning
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3401571
PMID:38899018
|
研究论文 | 本研究介绍了一种名为NeoSSNet的新型深度学习模型，旨在实时分离新生儿的胸部声音 | 创新点在于提出了类似于Conv-TasNet的基于掩蔽的架构，并结合了一维卷积和变换器架构的掩蔽生成器 | NA | 研究旨在改进新生儿胸音分离的质量和效率 | 主要针对新生儿的心音和肺音 | 数字病理学 | 心血管疾病和呼吸系统疾病 | 深度学习 | 卷积神经网络（CNN） | 声音 | NA |
| 15128 | 2024-08-05 |
UKSSL: Underlying Knowledge Based Semi-Supervised Learning for Medical Image Classification
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3305190
PMID:38899016
|
研究论文 | 本研究介绍了一种基于潜在知识的半监督框架UKSSL，用于医学图像分类。 | 提出了一种结合MedCLR和UKMLP的框架，有效利用未标记数据和少量标记数据进行医学图像分类。 | 研究仅使用了50%的标记数据，可能影响结果的推广性。 | 旨在解决医学图像分类中由于标记数据稀缺而导致的训练高性能模型的挑战。 | 研究对象为未标记和有限标记的医学图像。 | 计算机视觉 | NA | 深度学习 | NA | 医学图像 | 使用了LC25000和BCCD数据集，其中50%为标记数据 |
| 15129 | 2024-08-05 |
Multimodal Emotion Recognition Based on Facial Expressions, Speech, and EEG
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3240280
PMID:38899017
|
研究论文 | 本文提出了一种基于深度学习的多模态情感识别方法Deep-Emotion，能够有效集成面部表情、语音和脑电图（EEG）的特征 | 提出了一种新框架Deep-Emotion，包括改进的GhostNet、轻量级全卷积神经网络和树状LSTM模型以提升情感识别性能 | 需要处理的计算能力增加，实时检测与提升深度神经网络的鲁棒性仍然是挑战 | 提升多模态情感识别的表现和准确性 | 面部表情、语音和脑电图（EEG）的情感特征 | 机器学习 | NA | 脑电图（EEG）、深度学习 | GhostNet, LFCNN, tLSTM | 图像、音频 | 使用了CK+、EMO-DB和MAHNOB-HCI等数据集进行广泛实验 |
| 15130 | 2024-08-05 |
Gastric Section Correlation Network for Gastric Precancerous Lesion Diagnosis
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3277219
PMID:38899022
|
研究论文 | 本文提出了一种通过内镜图像诊断胃早期癌前病变的新方法 | 提出了胃部分相关网络（GSCNet），首次实现从内镜图像中识别高胃癌风险患者 | NA | 诊断胃体优先的胃炎指数（CGI）以识别高胃癌风险患者 | 内镜图像中的胃部分 | 数字病理学 | 胃癌 | 内镜图像分析 | 深度学习网络 | 图像 | NA |
| 15131 | 2024-08-05 |
Guest Editorial Introduction to the Special Section on Weakly-Supervised Deep Learning and Its Applications
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3404653
PMID:38899020
|
评论 | 本篇文章介绍了弱监督深度学习及其在生物医学数据分析中的应用 | 提出了弱监督深度学习技术作为解决生物医学数据分析挑战的新方法 | 涉及的特定限制尚未在摘要中提及 | 探讨弱监督深度学习技术在生物医学数据分析中的应用 | 生物医学领域的数据，包括信号、图像和视频 | 深度学习 | NA | 深度学习 | GANs, GNNs, ViTs, DRL | 信号、图像和视频 | NA |
| 15132 | 2024-08-05 |
Deep Learning-Based Glucose Prediction Models: A Guide for Practitioners and a Curated Dataset for Improved Diabetes Management
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3365290
PMID:38899015
|
研究论文 | 本文构建了一系列基于深度学习的血糖预测模型，并比较了它们的效果。 | 提出了一套精心策划的数据集，并系统比较了不同深度学习架构在血糖预测中的表现。 | 研究可能受到样本选择和个体数据量的限制，未提及特定的限制条件。 | 研究旨在改善糖尿病管理，通过深度学习技术构建精确的血糖预测模型。 | 研究对象为健康个体和糖尿病患者，通过可穿戴传感器收集生理数据。 | 机器学习 | 糖尿病 | 深度学习 | NA | 生理数据 | 包含来自健康个体和糖尿病患者的数据，样本量未具体说明 |
| 15133 | 2024-08-05 |
Traditional Machine Learning Methods versus Deep Learning for Meningioma Classification, Grading, Outcome Prediction, and Segmentation: A Systematic Review and Meta-Analysis
2023-11, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2023.08.023
PMID:37574189
|
meta-analysis | 本研究评估了传统机器学习方法与深度学习在脑膜瘤分类、分级、预后预测和分割中的表现 | 首次系统性比较了传统机器学习与深度学习在脑膜瘤管理中的性能 | 由于性能指标报告不足，无法进一步统计分析其他性能指标 | 评估脑膜瘤管理中传统机器学习与深度学习算法的表现 | 脑膜瘤的分类、分级、预后预测和分割 | 机器学习 | 脑膜瘤 | 机器学习 | 传统机器学习，深度学习 | 文献数据 | 534条记录筛选，包含43篇文章 |
| 15134 | 2024-08-05 |
Automated segmentation of five different body tissues on computed tomography using deep learning
2023-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.15932
PMID:36008356
|
研究论文 | 该文开发并验证了一种用于CT扫描上五种不同身体组织的自动分割计算机工具。 | 文中采用了训练与标注相结合的策略，提高了注释效率，并比较了多种卷积神经网络在组织分割中的表现。 | 不同CNN模型在分割身体组织时未表现出显著差异。 | 旨在开发一种高效的计算工具，以自动化分割CT扫描显示的多种身体组织。 | 该研究对象为100个CT扫描样本，涉及内脏脂肪组织、皮下脂肪组织、肌肉及骨骼等多种身体组织。 | 计算机视觉 | NA | 卷积神经网络（CNN） | UNet, R2Unet, UNet++ | 图像 | 100个CT扫描样本 |
| 15135 | 2024-08-05 |
A Review of the Role of the S-Detect Computer-Aided Diagnostic Ultrasound System in the Evaluation of Benign and Malignant Breast and Thyroid Masses
2021-Sep-23, Medical science monitor : international medical journal of experimental and clinical research
IF:2.2Q3
DOI:10.12659/MSM.931957
PMID:34552043
|
综述 | 本文回顾了S-Detect计算机辅助诊断超声系统在乳腺和甲状腺肿块评估中的作用 | 介绍了一种基于深度学习算法的互动CAD系统，能提高医疗影像的诊断精度并优化临床工作流程 | 讨论了S-Detect作为精密医疗工具在临床应用中面临的困难和挑战 | 探讨S-Detect在乳腺和甲状腺结节检测中的应用 | 乳腺和甲状腺肿块 | 计算机视觉 | NA | 深度学习 | NA | 医学影像 | NA |
| 15136 | 2024-08-05 |
Deciphering seizure semiology in corpus callosum injuries: A comprehensive systematic review with machine learning insights
2024-07, Clinical neurology and neurosurgery
IF:1.8Q2
DOI:10.1016/j.clineuro.2024.108316
PMID:38762973
|
综述 | 本系统评价分析了胼胝体损伤对癫痫半影的影响，并提供了相关的神经科学和临床启示 | 本研究结合机器学习和深度学习技术，揭示了癫痫类型、半影参数与胼胝体损伤位置之间的显著相关性 | 排除了其他皮层或亚皮层涉及的研究，可能限制了对癫痫综合症的全面理解 | 阐明胼胝体损伤与癫痫表现之间的关系 | 与胼胝体损伤相关的癫痫发作的临床表现和电生理特征 | 机器学习 | NA | 机器学习 (随机森林) 和深度学习 (1D-CNN) | NA | 文献数据 | 41项研究，共涉及56名患者 |
| 15137 | 2024-08-05 |
LGDNet: local feature coupling global representations network for pulmonary nodules detection
2024-Jul, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03043-w
PMID:38429443
|
研究论文 | 本文提出了一种名为LGDNet的新框架，用于通过融合局部特征和全局表示来检测肺CT扫描中的可疑肺结节 | LGDNet通过设计双支路模块和注意力门模块来克服现有卷积神经网络在长距离依赖性和上下文信息捕捉方面的局限性 | 目前的研究可能仍然受限于现有数据集的多样性和规模 | 旨在提高肺结节检测的灵敏度，尤其是小尺寸结节的检测 | 可疑肺结节 | 计算机视觉 | 肺癌 | 深度学习 | CNN与Transformer的结合 | 图像 | 使用了大规模的LIDC数据集进行实验 |
| 15138 | 2024-08-05 |
A survey of label-noise deep learning for medical image analysis
2024-Jul, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103166
PMID:38613918
|
综述 | 这篇文章提供了医疗图像分析中标签噪声深度学习的最新调查 | 首次系统整理和归纳了医疗图像领域的标签噪声学习文献，并进行了方法论比较 | 没有提供具体的实验数据和实证研究 | 旨在为研究人员和从业者提供对现有医疗标签噪声学习的深入理解 | 医疗图像中的标签噪声学习方法 | 计算机视觉 | NA | 深度学习 | NA | 医学图像 | NA |
| 15139 | 2024-08-05 |
A novel machine learning model for breast cancer detection using mammogram images
2024-Jul, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03057-4
PMID:38575824
|
研究论文 | 本研究提出了一种新颖的机器学习模型用于乳腺癌检测，利用乳腺X光图像进行特征提取和分类优化 | 提出了一种基于概率主成分分析的特征提取方法，并结合了多种优化技术以提高分类精度 | 研究中未提及样本的多样性或数据集的偏差问题 | 旨在提高乳腺癌的早期检测率以改善患者的康复机会 | 研究对象是乳腺癌患者的乳腺X光图像 | 计算机视觉 | 乳腺癌 | 深度学习 | 集成模型，使用朴素贝叶斯分类器和转移集成卷积神经网络 | 图像 | 使用INbreast数据集进行评估 |
| 15140 | 2024-08-05 |
A hybrid EEG classification model using layered cascade deep learning architecture
2024-Jul, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03072-5
PMID:38507121
|
研究论文 | 本文提出了一种混合EEG分类模型，利用分层级联深度学习架构进行多类分类。 | 创新性地将主成分分析网络（PCANet）与相空间重构（PSR）和功率谱密度（PSD）结合，用于EEG信号的分类。 | NA | 提升基于EEG的癫痫检测的准确性和鲁棒性。 | 着重研究EEG信号的多类分类。 | 计算机视觉 | NA | 主成分分析网络（PCANet），相空间重构（PSR），功率谱密度（PSD） | 深度学习模型 | EEG信号 | NA |