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！
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。
当前共找到 33074 篇文献，本页显示第 18221 - 18240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18221 | 2025-01-29 |
Nanopore sequencing to detect A-to-I editing sites
2025, Methods in enzymology
DOI:10.1016/bs.mie.2024.11.028
PMID:39870444
|
研究论文 | 本文介绍了使用纳米孔直接RNA测序技术结合深度学习模型Dinopore来检测A-to-I RNA编辑位点 | 利用纳米孔直接RNA测序技术结合深度学习模型Dinopore，直接检测A-to-I RNA编辑位点，避免了传统方法的间接性和混淆问题 | NA | 检测A-to-I RNA编辑位点，以研究其在生物体中的编辑景观 | A-to-I RNA编辑位点 | 生物信息学 | NA | 纳米孔直接RNA测序 | 深度学习模型Dinopore | RNA序列数据 | NA | NA | NA | NA | NA |
| 18222 | 2025-01-29 |
Deep Learning MRI Reconstruction Delivers Superior Resolution and Improved Diagnostics
2025-Jan, Radiology
IF:12.1Q1
DOI:10.1148/radiol.242952
PMID:39873600
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18223 | 2025-01-29 |
Deep Learning Superresolution for Simultaneous Multislice Parallel Imaging-Accelerated Knee MRI Using Arthroscopy Validation
2025-Jan, Radiology
IF:12.1Q1
DOI:10.1148/radiol.241249
PMID:39873603
|
研究论文 | 本研究验证了深度学习超分辨率MRI在膝关节成像中的诊断性能，并与传统的加速MRI进行了比较 | 使用深度学习超分辨率技术提升加速MRI的图像质量，并通过关节镜检查作为独立参考标准进行验证 | 研究样本量相对较小（116名成人），且仅在膝关节成像中进行了验证 | 验证深度学习超分辨率MRI在膝关节成像中的诊断性能 | 患有膝关节疼痛的成人患者 | 医学影像 | 膝关节疾病 | 深度学习超分辨率技术 | 深度学习模型 | MRI图像 | 116名成人（平均年龄45岁，74名男性） | NA | NA | NA | NA |
| 18224 | 2025-01-28 |
Artificial Intelligence in Fetal and Pediatric Echocardiography
2024-Dec-25, Children (Basel, Switzerland)
DOI:10.3390/children12010014
PMID:39857845
|
综述 | 本文综述了人工智能在胎儿和儿科超声心动图中的应用、挑战和未来方向 | 探讨了人工智能在自动化图像采集、图像分割、先天性心脏病检测和测量方面的潜力 | 数据集数量少、算法透明度、医生对AI的接受度以及可访问性等问题仍需解决 | 研究人工智能在胎儿和儿科超声心动图中的应用 | 胎儿和儿科患者 | 医学影像 | 先天性心脏病 | 机器学习和深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 18225 | 2025-01-29 |
A simple 2D multibody model to better quantify the movement quality of anterior cruciate ligament patients during single leg hop
2024-Dec, Acta orthopaedica Belgica
IF:0.5Q4
DOI:10.52628/90.4.12600
PMID:39869863
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18226 | 2024-11-21 |
Machine learning models of cerebral oxygenation (rcSO2) for brain injury detection in neonates with hypoxic-ischaemic encephalopathy
2024-Nov, The Journal of physiology
DOI:10.1113/JP287001
PMID:39425751
|
研究论文 | 本研究旨在测试区域脑氧饱和度（rcSO2）在检测患有缺氧缺血性脑病（HIE）的新生儿脑损伤中的潜在应用 | 本研究首次将机器学习和深度学习模型应用于rcSO2信号分析，以预测短期脑损伤，并展示了其在临床决策中的潜力 | 研究样本量较小，且仅限于足月婴儿，未来需要在大样本和不同年龄段婴儿中进一步验证 | 评估机器学习和深度学习模型在检测患有HIE的新生儿脑损伤中的应用 | 患有缺氧缺血性脑病（HIE）的足月新生儿 | 机器学习 | 新生儿疾病 | 近红外光谱（NIRS） | 机器学习模型和深度学习模型 | 信号 | 58名足月婴儿 | NA | NA | NA | NA |
| 18227 | 2025-01-29 |
Use of AI methods to assessment of lower limb peak torque in deaf and hearing football players group
2024-Sep-01, Acta of bioengineering and biomechanics
IF:0.8Q4
DOI:10.37190/abb-02474-2024-02
PMID:39869478
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18228 | 2024-08-05 |
Estimating helmet wearing rates via a scalable, low-cost algorithm: a novel integration of deep learning and google street view
2024-06-20, BMC public health
IF:3.5Q1
DOI:10.1186/s12889-024-19118-0
PMID:38902622
|
研究论文 | 本文提出了一种可扩展的低成本算法，通过深度学习和谷歌街景图像估计头盔佩戴率 | 结合深度学习对象检测技术和谷歌街景图像的新方法，提供全球范围内的头盔佩戴率估算 | 研究样本仅限于3995张图像，可能影响算法的普遍适用性 | 旨在通过大规模数据收集评估摩托车头盔佩戴情况并促进相关政策制定 | 使用来自谷歌街景的数据分析摩托车驾驶员和乘客的头盔佩戴情况 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 3995张图像 | NA | NA | NA | NA |
| 18229 | 2024-08-05 |
Leveraging data science and machine learning for urban climate adaptation in two major African cities: a HE2AT Center study protocol
2024-06-18, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2023-077529
PMID:38890141
|
研究论文 | 该研究旨在了解非洲城市中与热相关的健康影响复杂性 | 创新点在于综合健康、社会经济、气候和卫星影像数据来映射城市热风险，并建立热健康预测模型和预警系统 | 该研究主要集中于两座城市，可能无法广泛适用于其他地区 | 研究目的是促进非洲城市的气候适应能力，保护受到热危害不成比例影响的人群 | 研究对象包括在约翰内斯堡和阿比让进行的成人临床试验或队列研究的健康相关数据集 | 机器学习 | NA | 统计评估、机器学习和深度学习技术 | NA | 健康、社会经济、气候和卫星影像数据 | 2000年至2022年在约翰内斯堡和阿比让的成人临床试验或队列研究的健康数据 | NA | NA | NA | NA |
| 18230 | 2025-10-07 |
Histopathology and proteomics are synergistic for High-Grade Serous Ovarian Cancer platinum response prediction
2024-Jun-03, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.06.01.24308293
PMID:38883738
|
研究论文 | 本研究通过结合组织病理学全切片图像和蛋白质组学特征，开发多模态深度学习框架以预测高级别浆液性卵巢癌的铂类药物反应 | 首次将H&E染色全切片图像与蛋白质组特征通过多模态深度学习结合，在预测铂类反应和患者总生存期方面优于传统HRD评分 | NA | 提高高级别浆液性卵巢癌患者对铂类化疗反应的预测准确性 | 高级别浆液性卵巢癌患者 | 数字病理学 | 卵巢癌 | H&E染色，蛋白质组学，全切片成像 | 多模态深度学习 | 图像，蛋白质组数据 | NA | NA | NA | 预测准确性，生存分析 | NA |
| 18231 | 2025-01-29 |
DeepIDA-GRU: a deep learning pipeline for integrative discriminant analysis of cross-sectional and longitudinal multiview data with applications to inflammatory bowel disease classification
2024-May-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae339
PMID:39007595
|
研究论文 | 本文提出了一种名为DeepIDA-GRU的深度学习管道，用于整合横截面和纵向多视图数据的判别分析，并应用于炎症性肠病分类 | 该管道结合了统计和深度学习方法，能够整合来自多个来源的横截面和纵向数据，并识别出对视图间关联和类别分离有贡献的关键变量 | 现有方法通常要求所有视图的数据类型相同（仅横截面数据或仅纵向数据），或者在整合方法中不考虑任何类别结果 | 开发一种能够整合横截面和纵向多视图数据的深度学习管道，以更好地理解复杂疾病的病理生物学 | 炎症性肠病（IBD）研究中的横截面和纵向多组学数据（宏基因组学、转录组学和代谢组学） | 机器学习 | 炎症性肠病 | 功能主成分分析和欧拉特征提取 | 密集前馈网络（用于横截面数据）和循环神经网络（用于纵向数据） | 多组学数据 | NA | NA | NA | NA | NA |
| 18232 | 2025-10-07 |
Photoplethysmography based atrial fibrillation detection: a continually growing field
2024-Apr-17, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ad37ee
PMID:38530307
|
综述 | 本文系统综述了2019年7月至2022年12月期间基于光电容积脉搏波的心房颤动检测技术的最新进展 | 更新了自2019年6月后该领域的最新发展，涵盖数字健康和人工智能解决方案，并维护持续更新的专题网站 | 仅涵盖特定时间段（2019年7月-2022年12月）的研究，可能存在最新研究的遗漏 | 综述基于光电容积脉搏波的心房颤动检测技术发展现状 | 57项相关研究文献 | 数字健康 | 心血管疾病 | 光电容积脉搏波 | 传统机器学习,深度学习 | 生理信号数据 | NA | NA | NA | NA | NA |
| 18233 | 2025-01-04 |
Transfer Learning With Active Sampling for Rapid Training and Calibration in BCI-P300 Across Health States and Multi-Centre Data
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.2024.3420960
PMID:38949927
|
研究论文 | 本文提出了一种基于主动采样的迁移学习方法，用于在脑机接口（BCI）P300波检测中快速训练和校准，适用于不同健康状况和多中心数据 | 提出了基于Poison Sampling Disk（PDS）的主动采样（AS）方法，用于自适应迁移学习，显著提高了分类精度和训练效率 | 研究仍面临处理来自不同设备、受试者、多中心及健康与患者群体的多样性和不平衡数据集的挑战 | 提高脑机接口（BCI）P300波检测的分类精度和训练效率，适应不同健康状况和多中心数据 | 脑机接口（BCI）P300波检测 | 机器学习 | NA | 迁移学习，主动采样（AS） | 卷积神经网络（CNN） | 神经数据 | 两个不同的国际复制数据集 | NA | NA | NA | NA |
| 18234 | 2025-10-07 |
Artificial intelligence for natural product drug discovery
2023-11, Nature reviews. Drug discovery
DOI:10.1038/s41573-023-00774-7
PMID:37697042
|
综述 | 探讨人工智能与计算组学技术在天然产物药物发现中的协同应用 | 提出人工智能与计算组学技术相结合的新范式，用于挖掘天然产物的药物潜力 | 需要高质量数据集训练深度学习算法，且缺乏有效的算法验证策略 | 通过人工智能方法加速天然产物药物发现进程 | 天然产物分子 | 机器学习 | NA | 计算组学技术 | 深度学习 | 分子数据 | NA | NA | NA | NA | NA |
| 18235 | 2025-10-07 |
Deep-learning-based image segmentation for image-based computational hemodynamic analysis of abdominal aortic aneurysms: a comparison study
2023-09-12, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/acf3ed
PMID:37625388
|
研究论文 | 本研究比较两种深度学习图像分割方法在腹主动脉瘤计算血流动力学分析中的应用效果 | 首次系统比较ARU-Net和CACU-Net两种最新深度学习分割方法在腹主动脉瘤模型创建中的性能 | 样本量较小（仅30例CTA扫描），需要更大规模验证 | 评估基于深度学习的图像分割方法在腹主动脉瘤计算血流动力学分析中的可行性 | 腹主动脉瘤患者的计算机断层扫描血管造影图像 | 计算机视觉 | 腹主动脉瘤 | 计算机断层扫描血管造影 | CNN | 医学图像 | 30例CTA扫描 | NA | ARU-Net, CACU-Net | DICE分数, 相关系数, Bland-Altman分析 | NA |
| 18236 | 2025-10-07 |
Evolution of Breast Cancer Recurrence Risk Prediction: A Systematic Review of Statistical and Machine Learning-Based Models
2023-08, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.23.00049
PMID:37566789
|
系统综述 | 本文系统回顾了2008-2022年间乳腺癌复发风险预测模型的发展，比较统计方法与机器学习模型的性能差异 | 首次系统比较统计与机器学习方法在乳腺癌复发预测中的表现，并特别关注患者种族多样性问题 | 纳入分析的研究数量有限（仅23篇），且存在模型可解释性不足和泛化能力有限的问题 | 系统评估乳腺癌复发风险预测模型的发展历程和性能表现 | 乳腺癌患者复发风险预测模型 | 机器学习 | 乳腺癌 | 统计方法，机器学习 | 支持向量机，决策树，逻辑回归，朴素贝叶斯，深度学习，集成学习 | 临床数据 | 基于23篇研究论文的汇总分析 | NA | NA | AUC | NA |
| 18237 | 2025-10-07 |
Dual-sensory fusion self-powered triboelectric taste-sensing system towards effective and low-cost liquid identification
2023-08, Nature food
IF:23.6Q1
DOI:10.1038/s43016-023-00817-7
PMID:37563492
|
研究论文 | 开发了一种基于液滴动态形态变化和液固接触带电的双感官融合自供电味觉传感系统，用于液体识别 | 结合摩擦电指纹信号和深度学习实现液体识别，并集成图像传感器提取液体视觉特征，通过双感官融合提高识别能力 | NA | 开发有效且低成本的液体传感技术，用于液体食品安全识别和管理 | 液体物质 | 智能传感 | NA | 液固接触带电，图像传感 | 深度学习 | 摩擦电信号，图像 | NA | NA | NA | 准确率 | NA |
| 18238 | 2025-01-28 |
Deep learning-assistance significantly increases the detection sensitivity of neurosurgery residents for intracranial aneurysms in subarachnoid hemorrhage
2025-Feb, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia
IF:1.9Q4
DOI:10.1016/j.jocn.2024.110971
PMID:39673838
|
研究论文 | 本研究评估了深度学习模型在提高神经外科住院医师通过CT血管造影检测颅内动脉瘤敏感性方面的有效性 | 首次将深度学习模型应用于神经外科住院医师的动脉瘤检测培训，显著提高了检测敏感性，特别是在小动脉瘤的检测上 | 研究样本量较小，仅包含104例患者的CTA扫描，且仅涉及三名住院医师 | 评估深度学习模型在提高神经外科住院医师检测颅内动脉瘤敏感性方面的效果 | 104例动脉瘤性蛛网膜下腔出血患者的CTA扫描，共126个动脉瘤 | 数字病理 | 颅内动脉瘤 | CT血管造影（CTA） | 深度学习模型（DLM） | 图像 | 104例患者的CTA扫描，共126个动脉瘤 | NA | NA | NA | NA |
| 18239 | 2025-01-28 |
Harnessing Spectral Libraries From AVIRIS-NG Data for Precise PFT Classification: A Deep Learning Approach
2025-Jan-27, Plant, cell & environment
DOI:10.1111/pce.15393
PMID:39866067
|
研究论文 | 本研究利用AVIRIS-NG高光谱数据和机器学习技术，开发了一个包含130种植物物种的光谱库，用于精确分类植物功能类型（PFTs） | 通过高光谱数据生成光谱库，结合机器学习方法，显著提高了植物功能类型分类的准确性 | 研究仅限于Shoolpaneshwar野生动物保护区的植物物种，可能不适用于其他地区 | 推进植物功能类型（PFTs）的分类和监测 | Shoolpaneshwar野生动物保护区的130种植物物种 | 机器学习 | NA | AVIRIS-NG高光谱成像和ASD手持光谱辐射计 | Parzen Window (PW), Gradient Boosted Machine (GBM), Stochastic Gradient Descent (SGD) | 高光谱图像 | 130种植物物种 | NA | NA | NA | NA |
| 18240 | 2025-01-28 |
Introduction to Memristive Mechanisms and Models
2025-Jan-24, Recent patents on nanotechnology
IF:2.0Q3
|
研究论文 | 本文介绍了忆阻系统的机制和模型，探讨了其在神经形态计算中的应用 | 本文结合了Chua开发的动态系统框架和统计物理学及渗流理论，提供了对忆阻系统复杂动态行为的深入理解，并探讨了其在深度学习方法中的成功应用 | 本文主要关注理论模型和框架，缺乏对实际硬件实现的详细讨论 | 探讨忆阻系统在神经形态计算中的应用，以应对人工智能发展带来的计算能力需求增长 | 忆阻系统及其在神经形态计算中的应用 | 机器学习 | NA | NA | 动态系统模型、渗流理论模型 | NA | NA | NA | NA | NA | NA |