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 24188 篇文献，本页显示第 18901 - 18920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18901 | 2024-08-24 |
A Channel-Dimensional Feature-Reconstructed Deep Learning Model for Predicting Breast Cancer Molecular Subtypes on Overall b-Value Diffusion-Weighted MRI
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28895
PMID:37403945
|
研究论文 | 本研究开发了一种新的深度学习模型，利用整体b值扩散加权磁共振成像（DW-MRI）预测乳腺癌分子亚型，无需使用对比剂，并与动态对比增强磁共振成像（DCE-MRI）进行性能比较 | 提出了一种通道维度特征重构（CDFR）深度神经网络（DNN），用于预测乳腺癌分子亚型，该模型在DW-MRI上的预测性能显著优于非CDFR-DNN | NA | 开发一种新的深度学习模型，以充分利用整体b值DW-MRI的潜力，无需对比剂，预测乳腺癌分子亚型 | 486名女性乳腺癌患者 | 机器学习 | 乳腺癌 | 扩散加权磁共振成像（DW-MRI） | 深度神经网络（DNN） | 图像 | 486名女性乳腺癌患者（训练/验证/测试：64%/16%/20%） |
| 18902 | 2024-08-24 |
Editorial for "Weakly Supervised MRI Slice-Level Deep Learning Classification of Prostate Cancer Approximates Full Voxel- and Slice-Level Annotation: Effect of Increasing Training Set Size"
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28885
PMID:37410060
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18903 | 2024-08-24 |
From Compressed-Sensing to Deep Learning MR: Comparative Biventricular Cardiac Function Analysis in a Patient Cohort
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28899
PMID:37435633
|
研究论文 | 本研究比较了压缩感知（CS）和人工智能（AI）在心脏电影成像中的应用，特别是在双心室功能分析中的效果 | 本研究展示了AI在快速心脏电影成像中的潜力，并比较了CS-cine和AI-cine与传统电影成像（Conv-cine）在双心室功能、图像质量和重建时间上的差异 | 本研究仅限于70名患者，可能需要更大规模的研究来验证结果 | 比较CS-cine和AI-cine与Conv-cine在定量双心室功能、图像质量和重建时间上的表现 | 70名患者（年龄39±15岁，54.3%为男性）的双心室功能参数 | 计算机视觉 | 心血管疾病 | 压缩感知（CS）和人工智能（AI） | NA | 图像 | 70名患者 |
| 18904 | 2024-08-24 |
Editorial for "A Channel-Dimensional Feature-Reconstructed Deep Learning Model for Predicting Breast Cancer Molecular Subtypes on Overall b-Value Diffusion-Weighted MRI"
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28908
PMID:37501333
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18905 | 2024-08-24 |
Weakly Supervised MRI Slice-Level Deep Learning Classification of Prostate Cancer Approximates Full Voxel- and Slice-Level Annotation: Effect of Increasing Training Set Size
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28891
PMID:37504495
|
研究论文 | 本研究比较了弱监督训练与全切片级标注训练在前列腺癌深度卷积分类网络中的效果，并探讨了增加训练集大小对模型性能的影响。 | 本研究展示了弱监督学习在减少标注工作量的同时，仍能保持性能，并且随着训练数据的增加，性能提升显著。 | 本研究仅限于回顾性分析，且依赖于特定的MRI序列和设备。 | 比较弱监督训练与全切片级标注训练在前列腺癌分类中的效果，并评估增加训练集大小对模型性能的影响。 | 前列腺癌的MRI图像分类。 | 计算机视觉 | 前列腺癌 | MRI | CNN | 图像 | 训练集：794个机构前列腺MRI检查 + 204个PROSTATEx检查；测试集：695个机构前列腺MRI检查 |
| 18906 | 2024-08-24 |
Deep Learning-Based Multiparametric MRI Model for Preoperative T-Stage in Rectal Cancer
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28856
PMID:37367938
|
研究论文 | 本研究开发了一种基于术前多参数MRI的深度学习模型，用于评估直肠癌并提高T分期准确性 | 提出的多参数深度学习模型在评估直肠癌患者时表现优于放射科医生的评估、临床模型以及单一参数模型 | 研究为回顾性，样本量相对较小 | 开发和验证一种基于术前多参数MRI的深度学习模型，以提高直肠癌T分期的准确性 | 直肠癌患者 | 机器学习 | 直肠癌 | MRI | 卷积神经网络 | 图像 | 260名患者，其中123名T1-2期，134名T3-4期 |
| 18907 | 2024-08-24 |
Magnetic Resonance Spectroscopy Spectral Registration Using Deep Learning
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28868
PMID:37401726
|
研究论文 | 本研究探讨了一种基于卷积神经网络的磁共振波谱（MRS）光谱注册（SR）方法，用于单体素Meshcher-Garwood点解析波谱（MEGA-PRESS）MRS数据的频率和相位同时校正。 | 本研究首次应用深度学习方法于磁共振波谱的光谱注册，提出了一种基于卷积神经网络的SR方法（CNN-SR），用于同时进行频率和相位校正。 | 本研究仅使用了模拟数据和来自Big GABA的101个MEGA-PRESS内侧顶叶数据进行验证，可能需要更多不同来源的真实数据以验证其广泛适用性。 | 研究目的是开发一种新的深度学习方法，用于磁共振波谱数据的频率和相位校正。 | 研究对象包括40,000个模拟的MEGA-PRESS数据集和101个来自Big GABA的实际MEGA-PRESS数据。 | 机器学习 | NA | 磁共振波谱（MRS） | 卷积神经网络（CNN） | 波谱数据 | 40,000个模拟数据集和101个实际数据集 |
| 18908 | 2024-08-24 |
Deep Learning for Discrimination of Hypertrophic Cardiomyopathy and Hypertensive Heart Disease on MRI Native T1 Maps
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28904
PMID:37431848
|
研究论文 | 本研究探讨了深度学习技术在基于T1图像的肥厚型心肌病和高血压性心脏病鉴别诊断中的可行性，并比较了其与其他方法的诊断性能 | 本研究首次探讨了深度学习技术在肥厚型心肌病和高血压性心脏病的鉴别诊断中的应用，展示了其优越的诊断性能 | 本研究为回顾性研究，且样本量相对较小，可能影响结果的普遍性 | 研究深度学习技术在肥厚型心肌病和高血压性心脏病鉴别诊断中的可行性 | 肥厚型心肌病和高血压性心脏病患者 | 机器学习 | 心血管疾病 | 深度学习 | ResNet32 | 图像 | 128名肥厚型心肌病患者和59名高血压性心脏病患者 |
| 18909 | 2024-08-24 |
MRI-Based Radiomics and Deep Learning in Biological Characteristics and Prognosis of Hepatocellular Carcinoma: Opportunities and Challenges
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28982
PMID:37647155
|
研究论文 | 本文探讨了基于MRI的放射组学和深度学习技术在肝细胞癌生物学特征和预后预测中的应用及挑战 | 利用放射组学和深度学习方法开发人工智能模型，以提高肝细胞癌生物学特征和预后预测的准确性 | 人工智能模型在解释性方面存在挑战，阻碍了其在临床实践中的应用 | 研究人工智能技术在肝细胞癌临床护理中的应用，以提高生物学特征和预后预测的准确性 | 肝细胞癌的生物学特征和预后 | 机器学习 | 肝细胞癌 | 放射组学，深度学习 | 卷积神经网络 | 图像 | NA |
| 18910 | 2024-08-24 |
Editorial for "Deep Learning for Discrimination of Hypertrophic Cardiomyopathy and Hypertensive Heart Disease on MRI Native T1 Maps"
2024-03, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29021
PMID:37737641
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18911 | 2024-08-24 |
A Deep Learning Pipeline Using Prior Knowledge for Automatic Evaluation of Placenta Accreta Spectrum Disorders With MRI
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28770
PMID:37177832
|
研究论文 | 本文开发了一种利用先验知识进行磁共振成像（MRI）自动评估胎盘植入谱（PAS）障碍的深度学习（DL）流程 | 该研究利用了胎盘植入谱相关迹象通常沿子宫胎盘边缘线（UPB）发现的先验知识，通过UPB图像和胎盘位置信息提高了PAS诊断的准确性 | NA | 开发一种深度学习工具，用于使用T2加权MR图像进行产前PAS诊断 | 540名临床疑似PAS障碍的孕妇 | 机器学习 | 胎盘植入谱障碍 | 磁共振成像（MRI） | DenseNet | 图像 | 540名孕妇，分为训练集（409）、内部测试集（103）和外部测试集（28） |
| 18912 | 2024-08-24 |
Deep Learning Detection and Segmentation of Brain Arteriovenous Malformation on Magnetic Resonance Angiography
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28795
PMID:37220191
|
研究论文 | 本研究开发了一种基于深度学习的方法，用于在时间飞跃磁共振血管成像上检测和分割脑动静脉畸形 | 本研究采用了YOLOv5和YOLOv8算法进行病变检测，以及U-Net和U-Net++模型进行核心分割，提高了临床实践效率 | 本研究为回顾性研究，且样本量相对较小 | 开发一种自动检测和分割脑动静脉畸形的方法，以提高临床实践效率 | 221名脑动静脉畸形患者 | 计算机视觉 | 脑动静脉畸形 | 时间飞跃磁共振血管成像 | YOLOv5, YOLOv8, U-Net, U-Net++ | 图像 | 221名患者，分为177个训练样本，22个验证样本和22个测试样本 |
| 18913 | 2024-08-24 |
Prenatal Diagnosis of Placenta Accreta Spectrum Disorders: Deep Learning Radiomics of Pelvic MRI
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28787
PMID:37222638
|
研究论文 | 本研究探讨了基于磁共振成像的深度学习放射组学模型在诊断胎盘植入谱系障碍中的应用 | 本研究首次使用深度学习放射组学方法量化胎盘植入谱系障碍的磁共振成像特征，并开发了一个结合放射组学特征、临床模型和磁共振形态学模型的诊断模型 | 研究为回顾性研究，且样本来自两家机构，可能存在一定的偏倚 | 探索基于磁共振成像的深度学习放射组学是否能有效识别胎盘植入谱系障碍的妊娠 | 324名疑似胎盘植入谱系障碍的孕妇 | 机器学习 | 妇产科疾病 | 深度学习放射组学 | 深度学习模型 | 磁共振成像 | 324名孕妇，其中206名确诊为胎盘植入谱系障碍，118名非胎盘植入谱系障碍 |
| 18914 | 2024-08-24 |
Suitability of DNN-based vessel segmentation for SIRT planning
2024-Feb, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-023-03005-x
PMID:37535263
|
研究论文 | 本研究评估了基于深度神经网络（DNN）的血管分割在选择性内部放射治疗（SIRT）规划中的适用性 | 深度学习方法在肝动脉分割中优于传统的机器学习算法，显示出在SIRT规划中的应用潜力 | 尽管深度学习方法在大多数情况下表现良好，但仍有部分病例的分割结果不适合用于SIRT规划 | 评估基于DNN的血管分割在SIRT治疗前介入规划中的适用性 | 肝动脉的分割质量及整体图像质量 | 计算机视觉 | 肝癌 | 深度学习 | DNN | 图像 | 36例增强计算机断层扫描（CT）扫描 |
| 18915 | 2024-08-24 |
Fully automatic deep learning-based lung parenchyma segmentation and boundary correction in thoracic CT scans
2024-Feb, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-023-03010-0
PMID:37594684
|
研究论文 | 本文提出了一种基于深度学习的算法，用于在胸部CT扫描中精确分割肺实质并进行边界修正 | 结合深度学习和传统图像处理算法，使用改进的2D U-Net CNN模型和Inception-ResNet-v2作为主干，以及后续的边界修正算法 | NA | 开发一种精确分割肺实质的算法 | 胸部CT扫描中的肺实质 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 训练数据包括来自两个不同来源的32个CT扫描，测试数据包括来自AIIMS Delhi和LUNA16挑战的16个CT扫描 |
| 18916 | 2024-08-24 |
Deep Learning Model Based on Multisequence MRI Images for Assessing Adverse Pregnancy Outcome in Placenta Accreta
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29023
PMID:37851581
|
研究论文 | 本研究通过建立基于多序列MRI图像的深度学习模型，评估胎盘植入症（PAS）患者的不良妊娠结局风险 | 本研究提出的模型在评估不良妊娠结局方面表现出良好的诊断性能，尤其是在使用四序列MRI图像时，其性能显著优于使用单序列和双序列的模型 | 本研究为回顾性研究，样本量相对较小，且仅限于特定类型的胎盘植入症患者 | 探讨术前MRI多序列图像与不良妊娠结局之间的关联，并建立深度学习模型进行风险评估 | 323名疑似胎盘植入症的孕妇 | 机器学习 | 妊娠疾病 | MRI | 深度学习模型 | 图像 | 323名孕妇，分为训练集227例和验证集96例 |
| 18917 | 2024-08-24 |
Editorial for "A Deep Learning Pipeline Using Prior Knowledge for Automatic Evaluation of Placenta Accreta Spectrum Disorders With MRI"
2024-02, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29152
PMID:38014825
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18918 | 2024-08-24 |
ECOLE: Learning to call copy number variants on whole exome sequencing data
2024-01-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-44116-y
PMID:38167256
|
研究论文 | 本文介绍了一种基于深度学习的体细胞和生殖系拷贝数变异（CNV）检测方法ECOLE，用于全外显子测序（WES）数据 | ECOLE采用变压器架构的变体，通过在匹配的全基因组测序（WGS）样本上进行高置信度调用来学习每个外显子的CNV调用，并通过迁移学习进一步训练和微调模型 | 尽管ECOLE在人类专家标记的数据上首次实现了高精度（68.7%）和高召回率（49.6%），但仍存在一定的改进空间 | 旨在提高全外显子测序数据中拷贝数变异的检测准确性，以用于临床应用 | 全外显子测序数据中的拷贝数变异 | 机器学习 | NA | 全外显子测序（WES） | 变压器架构 | 测序数据 | 使用了一小部分专家调用的样本进行训练和微调 |
| 18919 | 2024-08-24 |
A deep learning-based cascade algorithm for pancreatic tumor segmentation
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1328146
PMID:39169945
|
研究论文 | 本文设计了一种级联的胰腺肿瘤分割算法，通过多尺度U-Net和基于非局部定位与聚焦模块的网络进行胰腺和肿瘤的分割 | 引入非局部定位模块和聚焦模块，以及设计新的损失函数来提高对小目标的敏感性 | 未提及 | 提高胰腺肿瘤分割的准确性 | 胰腺肿瘤的分割 | 计算机视觉 | 胰腺肿瘤 | 深度学习 | U-Net | 图像 | 未提及具体样本数量 |
| 18920 | 2024-08-24 |
A review of psoriasis image analysis based on machine learning
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1414582
PMID:39170035
|
综述 | 本文综述了过去十年中基于机器学习的银屑病图像分析的研究和应用 | NA | NA | 旨在总结机器学习在银屑病分析中的应用，并探讨未来的研究方向 | 银屑病图像分析 | 机器学习 | 银屑病 | 机器学习 | 传统机器学习模型和深度学习模型 | 图像 | 53篇出版物 |