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 18921 - 18940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18921 | 2024-08-24 |
The future of medicine: an outline attempt using state-of-the-art business and scientific trends
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1391727
PMID:39170042
|
综述 | 本文综述了当前商业和科学趋势对未来医药生态系统的影响 | 探讨了人工智能、机器学习、大数据和真实世界数据在医药产品生命周期中的应用，以及个性化医疗的突破 | NA | 探讨未来医药生态系统的发展 | 医药生态系统及其与技术的互动 | NA | NA | 人工智能、机器学习、大数据、真实世界数据、纳米技术 | 人工神经网络、深度学习 | 数据 | NA |
| 18922 | 2024-08-24 |
Evaluation and analysis of visual perception using attention-enhanced computation in multimedia affective computing
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1449527
PMID:39170679
|
研究论文 | 本文提出了一种注意力增强的多层变换器（AEMT）模型，用于改善面部表情识别（FER）在自然环境中的鲁棒性和准确性 | AEMT模型集成了双分支卷积神经网络（CNN）、注意力选择融合（ASF）模块和多层变换器编码器（MTE），通过捕获长距离依赖和复杂特征关系，显著提高了特征表示和分类准确性 | NA | 提高面部表情识别在复杂现实场景中的鲁棒性和准确性 | 面部表情识别系统在自然环境中的性能 | 计算机视觉 | NA | 卷积神经网络（CNN），多层变换器编码器（MTE） | 注意力增强的多层变换器（AEMT） | 图像 | 在RAF-DB和AffectNet数据集上进行了评估，分别达到了81.45%和71.23%的准确率 |
| 18923 | 2024-08-24 |
Novel tools for early diagnosis and precision treatment based on artificial intelligence
2023-Sep, Chinese medical journal pulmonary and critical care medicine
DOI:10.1016/j.pccm.2023.05.001
PMID:39171128
|
研究论文 | 本文探讨了基于人工智能的新工具在肺癌早期诊断和精准治疗中的应用 | 文章介绍了人工智能技术在肺癌诊断和治疗中的创新应用，包括机器学习和深度学习在肺结节检测、良恶性分类和亚型识别中的应用，以及非侵入性预测遗传突变和分子状态的能力 | 文章指出，人工智能在临床广泛应用中仍面临数据共享、标准化标签获取、临床应用监管和多模态整合等挑战 | 旨在提高肺癌的早期诊断和个性化治疗方案，从而改善患者的5年生存率 | 肺癌的早期诊断和精准治疗 | 机器学习 | 肺癌 | 人工智能 | 机器学习和深度学习 | CT图像和病理图像 | NA |
| 18924 | 2024-08-24 |
VoxelHop: Successive Subspace Learning for ALS Disease Classification Using Structural MRI
2022-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2021.3097735
PMID:34339378
|
研究论文 | 本文提出了一种名为VoxelHop的连续子空间学习模型，用于使用T2加权结构MRI数据对肌萎缩侧索硬化症（ALS）进行准确分类 | VoxelHop模型具有模块化和透明的结构，参数较少且无需反向传播，适合小数据集和3D成像数据 | NA | 提高使用医学成像数据进行疾病检测和分类的准确性 | 肌萎缩侧索硬化症（ALS）的分类 | 计算机视觉 | 神经退行性疾病 | MRI | VoxelHop | 3D成像数据 | 20名对照组和26名患者 |
| 18925 | 2024-08-24 |
Detecting hip osteoarthritis on clinical CT: a deep learning application based on 2-D summation images derived from CT
2022-Feb, Osteoporosis international : a journal established as result of cooperation between the European Foundation for Osteoporosis and the National Osteoporosis Foundation of the USA
IF:4.2Q1
DOI:10.1007/s00198-021-06130-y
PMID:34476540
|
研究论文 | 本文开发并比较了用于检测临床CT上髋骨关节炎的深度学习模型 | 通过结合CT-AP和X射线图像，在缺乏大量训练数据的情况下优化了可靠的深度学习模型 | NA | 检测髋骨关节炎 | 临床CT上的髋骨关节炎 | 计算机视觉 | 髋骨关节炎 | 深度学习 | 深度学习模型 | CT图像 | NA |
| 18926 | 2024-08-24 |
Morphological components detection for super-depth-of-field bio-micrograph based on deep learning
2022-Jan-29, Microscopy (Oxford, England)
DOI:10.1093/jmicro/dfab033
PMID:34417804
|
研究论文 | 本文提出了一种基于Retinanet模型的超景深生物显微图像中的细胞目标检测算法 | 与主流算法相比，该算法在平均精度均值（mAP）指标上有显著提升，实验中白带样本和粪便样本的mAP分别达到83.1%和88.1% | NA | 提高超景深系统中显微图像细胞分类和定位的效率与准确性 | 超景深生物显微图像中的细胞 | 计算机视觉 | NA | 深度学习 | Retinanet | 图像 | 白带样本和粪便样本 |
| 18927 | 2024-08-24 |
Sentiment Analysis in Social Media Data for Depression Detection Using Artificial Intelligence: A Review
2022, SN computer science
DOI:10.1007/s42979-021-00958-1
PMID:34816124
|
综述 | 本文综述了利用人工智能技术对社交媒体数据进行情感分析以检测抑郁情绪的研究 | 采用多类分类与深度学习算法提高了情感分析的精确度 | NA | 探讨如何利用社交媒体数据进行情感分析以检测抑郁情绪 | 社交媒体中的文本、表情符号和表情等数据 | 自然语言处理 | NA | 机器学习和深度学习技术 | 深度学习算法 | 文本 | NA |
| 18928 | 2024-08-24 |
Automatic pulmonary vessel segmentation on noncontrast chest CT: deep learning algorithm developed using spatiotemporally matched virtual noncontrast images and low-keV contrast-enhanced vessel maps
2021-Dec, European radiology
IF:4.7Q1
DOI:10.1007/s00330-021-08036-z
PMID:34009411
|
研究论文 | 开发了一种基于深度学习的肺血管分割算法（DLVS），用于非对比剂胸部CT图像，并探讨其在慢性阻塞性肺疾病（COPD）患者血管重塑评估中的临床应用 | 利用双源CT扫描仪生成的时空匹配的50千电子伏特增强图像和虚拟非对比剂图像，开发了一种新的深度学习肺血管分割算法 | NA | 开发和验证一种基于深度学习的肺血管分割算法，并评估其在COPD患者中的临床应用 | COPD患者的肺血管分割 | 计算机视觉 | 慢性阻塞性肺疾病 | 双源CT扫描 | 3D U-Net | 图像 | 开发阶段使用了104个肺部CT血管造影扫描（共49,054张切片），外部验证使用了14个供应商独立的非对比剂CT图像和3个VESSEL 12挑战公开数据集，临床验证包括281名COPD患者 |
| 18929 | 2024-08-24 |
Comparing deep learning-based automatic segmentation of breast masses to expert interobserver variability in ultrasound imaging
2021-12, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2021.104966
PMID:34715553
|
研究论文 | 本文比较了基于深度学习的乳腺肿块自动分割模型与超声图像中专家间观察者变异性的表现 | 提出了一种高表现的深度学习分割模型，并与三位专家的手动分割结果进行比较 | 深度学习模型通常只与一位专家进行评估，其误差是否在临床可接受范围内尚不清楚 | 研究深度学习技术在医学图像处理中的可靠性和重复性 | 乳腺肿块的自动分割 | 计算机视觉 | 乳腺肿瘤 | 深度学习 | CNN | 图像 | 使用了455名患者的甲状腺超声分割数据集和733名患者的乳腺超声分割数据集 |
| 18930 | 2024-08-24 |
Deep learning-based facial image analysis in medical research: a systematic review protocol
2021-11-11, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2020-047549
PMID:34764164
|
综述 | 本文旨在通过系统综述方法，探讨深度学习在医学研究中基于面部图像分析的特征和效果 | 本文旨在填补关于深度学习在医学面部图像分析领域现状的认知空白，并提供对该技术在疾病检测、诊断和预后应用中的特征、挑战和机遇的深入理解 | NA | 了解深度学习在医学面部图像分析中的应用现状、挑战和机遇 | 深度学习在医学面部图像分析的研究 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
| 18931 | 2024-08-24 |
Cohort and Trajectory Analysis in Multi-Agent Support Systems for Cancer Survivors
2021-Nov-11, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-021-01770-3
PMID:34766229
|
研究论文 | 本文提出了一种基于队列和轨迹分析（CTA）模块的个性化支持系统，用于癌症幸存者，该系统集成在名为EREBOTS的基于代理的个性化聊天机器人中 | 引入CTA模块，结合生存估计模型、机器学习和深度学习技术，为临床医生提供个性化治疗选择的证据，并为患者提供适应其状况和轨迹的定制建议 | NA | 开发一种个性化支持系统，以提高癌症幸存者的生存质量 | 癌症幸存者及其个性化支持需求 | 机器学习 | 癌症 | 机器学习, 深度学习 | 生存估计模型 | NA | NA |
| 18932 | 2024-08-24 |
Distant Domain Transfer Learning for Medical Imaging
2021-10, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2021.3051470
PMID:33449887
|
研究论文 | 本文提出了一种新的医学图像分类迁移学习框架，并应用于COVID-19的肺部CT图像诊断 | 该方法利用远领域中的未标记数据，有效处理训练数据与测试数据之间的分布偏移，并实现了96%的分类准确率 | 由于疾病的创新性和隐私政策，难以获取良好标记的训练数据集 | 开发一种远领域迁移学习模型，用于COVID-19的诊断 | COVID-19的肺部CT图像 | 计算机视觉 | 肺部疾病 | 迁移学习 | Unet分割模型和远特征融合分类模型 | 图像 | 使用未标记的Office-31、Caltech-256和胸部X射线图像数据集作为源数据，以及一小部分标记的COVID-19肺部CT图像作为目标数据 |
| 18933 | 2024-08-24 |
Predicting COVID-19 cases using bidirectional LSTM on multivariate time series
2021-Oct, Environmental science and pollution research international
DOI:10.1007/s11356-021-14286-7
PMID:34043172
|
研究论文 | 本文提出了一种使用双向长短期记忆网络（Bi-LSTM）在多变量时间序列上预测COVID-19病例数的深度学习方法 | 该方法首先使用K-means聚类算法对具有相似人口统计、社会经济和卫生部门指标的国家进行分组，然后利用这些国家的累计病例数据和封锁措施数据训练双向LSTM模型 | NA | 帮助政策制定者做出适当决策以阻止COVID-19疫情的传播 | COVID-19病例数的预测 | 机器学习 | COVID-19 | 双向长短期记忆网络（Bi-LSTM） | Bi-LSTM | 多变量时间序列 | 涉及多个国家的数据 |
| 18934 | 2024-08-24 |
A Deep Learning Radiomics Model to Identify Poor Outcome in COVID-19 Patients With Underlying Health Conditions: A Multicenter Study
2021-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2021.3076086
PMID:33905341
|
研究论文 | 本研究开发了一种结合深度学习和放射组学的混合模型，用于从初始CT扫描中识别患有基础健康状况的COVID-19患者的较差预后 | 提出的混合模型结合了3D-ResNet10深度学习模型和量化3D放射组学模型，显著提高了预测COVID-19患者较差预后的准确性 | NA | 开发一种精确的预测工具，用于识别患有基础健康状况的COVID-19患者的较差预后 | 患有基础健康状况的COVID-19患者 | 机器学习 | COVID-19 | 深度学习 | 3D-ResNet10 | CT扫描图像 | 共400名患者，包括54名死亡病例和346名出院或住院至少7天的患者 |
| 18935 | 2024-08-24 |
Deep Learning on Chest X-ray Images to Detect and Evaluate Pneumonia Cases at the Era of COVID-19
2021-Jun-08, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-021-01745-4
PMID:34101042
|
研究论文 | 本文研究使用深度学习方法自动分析胸部X光图像，以检测和评估COVID-19相关的肺炎病例 | 提出了定制的深度学习模型来检测肺炎感染病例，特别是病毒性肺炎，并提出了易于应用的健康指标来估计感染状态和预测患者状态 | NA | 开发精确的工具帮助医疗专业人员筛查COVID-19和诊断确诊患者 | 胸部X光图像 | 计算机视觉 | 肺部疾病 | 深度学习 | CNN | 图像 | 公开的胸部X光图像数据集 |
| 18936 | 2024-08-24 |
The usage of deep neural network improves distinguishing COVID-19 from other suspected viral pneumonia by clinicians on chest CT: a real-world study
2021-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-07553-7
PMID:33372243
|
研究论文 | 本研究开发了一种新型深度学习模型，用于区分冠状病毒病2019（COVID-19）肺炎与其他类型肺炎，并在真实世界数据集中验证其性能 | 本研究首次使用基于ResNet-50的IDANNet模型，通过U-net提取肺部区域并进行诊断概率预测，实现了对COVID-19肺炎的准确识别 | NA | 开发并验证一种新型深度学习模型，以区分COVID-19肺炎与其他类型肺炎 | COVID-19肺炎与其他类型肺炎的区分 | 计算机视觉 | COVID-19 | 深度学习 | ResNet-50 | 影像 | 训练集包含563个胸部CT扫描，验证集包含318个胸部CT扫描 |
| 18937 | 2024-08-24 |
Deep-LSTM ensemble framework to forecast Covid-19: an insight to the global pandemic
2021, International journal of information technology : an official journal of Bharati Vidyapeeth's Institute of Computer Applications and Management
DOI:10.1007/s41870-020-00571-0
PMID:33426425
|
研究论文 | 本文通过综述和设计深度学习模型来预测Covid-19疫情，评估了其在印度的重症监护确诊和死亡病例 | 提出了一种基于长短期记忆网络（LSTM）的深度学习集成模型来预测Covid-19疫情 | NA | 研究如何利用人工智能技术支持医疗健康系统诊断和预测Covid-19疫情 | Covid-19疫情的重症监护确诊和死亡病例 | 机器学习 | NA | 人工智能 | LSTM | 数据 | 印度的Covid-19重症监护确诊和死亡病例 |
| 18938 | 2024-08-24 |
Evaluation of deep learning-based approaches for COVID-19 classification based on chest X-ray images
2021, Signal, image and video processing
DOI:10.1007/s11760-020-01820-2
PMID:33432267
|
研究论文 | 本文评估了基于深度学习的八种预训练模型在胸部X光图像上进行COVID-19分类的效果 | 使用预训练模型进行迁移学习，有效解决了数据不足的问题，并实现了高准确率 | NA | 评估深度学习模型在COVID-19分类中的应用 | 胸部X光图像中的COVID-19分类 | 计算机视觉 | COVID-19 | 深度卷积神经网络（DCNN） | DenseNet121 | 图像 | 760张胸部X光图像，分为五类 |
| 18939 | 2024-08-24 |
Design ensemble deep learning model for pneumonia disease classification
2021, International journal of multimedia information retrieval
IF:3.6Q1
DOI:10.1007/s13735-021-00204-7
PMID:33643764
|
研究论文 | 本文评估了单个和集成学习模型在肺炎疾病分类中的性能 | 使用基于InceptionResNet_V2、ResNet50和MobileNet_V2的微调版本的集成模型，提高了肺炎疾病分类的准确性 | NA | 评估单个和集成学习模型在肺炎疾病分类中的性能 | 肺炎疾病的分类 | 计算机视觉 | 肺炎 | NA | CNN | 图像 | 6087张胸部X光图像 |
| 18940 | 2024-08-24 |
Automatic prediction of COVID- 19 from chest images using modified ResNet50
2021, Multimedia tools and applications
IF:3.0Q2
DOI:10.1007/s11042-021-10783-6
PMID:33967592
|
研究论文 | 本文利用改进的ResNet50模型自动从胸部影像中预测COVID-19 | 提出在ResNet50架构中添加三个新层（Conv、Batch_Normaliz和Activation_Relu层）以提高分类准确性和特征提取的鲁棒性 | 由于COVID-19数据集较小，使用迁移学习方法 | 开发一种自动化工具，用于在胸部X射线和计算机断层扫描图像中检测和诊断COVID-19 | COVID-19患者的胸部X射线和计算机断层扫描图像 | 计算机视觉 | COVID-19 | 迁移学习 | CNN | 图像 | 胸部X射线和计算机断层扫描图像数据集 |