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 24504 篇文献，本页显示第 19261 - 19280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 19261 | 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 |
| 19262 | 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 |
| 19263 | 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 |
| 19264 | 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 |
| 19265 | 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 |
| 19266 | 2024-08-24 |
Deep learning-based object recognition in multispectral satellite imagery for real-time applications
2021, Machine vision and applications
IF:2.4Q2
DOI:10.1007/s00138-021-01209-2
PMID:34177121
|
研究论文 | 本文提出了一种基于深度学习的对象识别模型，用于多光谱卫星图像的实时应用 | 提出的全卷积神经网络（FCN）架构在多光谱卫星图像中实现了97.67%的准确率，超过了人类水平，并在训练时间和预测速度上实现了显著改进 | NA | 提高多光谱卫星图像中对象识别的准确性和预测速度 | 多光谱卫星图像中的对象识别 | 计算机视觉 | NA | 深度学习 | 全卷积神经网络（FCN） | 图像 | 多个传感器覆盖的整个地球的高分辨率图像 |
| 19267 | 2024-08-24 |
Images denoising for COVID-19 chest X-ray based on multi-resolution parallel residual CNN
2021, Machine vision and applications
IF:2.4Q2
DOI:10.1007/s00138-021-01224-3
PMID:34219975
|
研究论文 | 本文提出了一种用于COVID-19胸部X光图像去噪的多分辨率并行残差CNN（MPR-CNN），以提高图像质量 | MPR-CNN采用多分辨率并行卷积流提取多尺度特征，利用通道和空间注意力机制聚焦于图像细节，并通过自适应多分辨率特征融合方法增强网络表达 | NA | 利用深度学习网络对感染患者的阳性胸部X光图像进行预诊断，减轻医疗人员工作压力 | COVID-19患者的胸部X光图像 | 计算机视觉 | COVID-19 | CNN | MPR-CNN | 图像 | NA |
| 19268 | 2024-08-24 |
A Deep Learning Method to Forecast COVID-19 Outbreak
2021, New generation computing
IF:2.0Q2
DOI:10.1007/s00354-021-00129-z
PMID:34305259
|
研究论文 | 本文使用支持向量回归（SVR）和长短期记忆网络（LSTM）方法来预测COVID-19疫情的发展 | 采用LSTM技术在印度场景中提供了更真实的预测结果 | NA | 预测COVID-19疫情的行为和结束时间 | COVID-19疫情 | 机器学习 | NA | 支持向量回归（SVR），长短期记忆网络（LSTM） | LSTM | NA | NA |
| 19269 | 2024-08-24 |
Machine Learning Approaches for Tackling Novel Coronavirus (COVID-19) Pandemic
2021, SN computer science
DOI:10.1007/s42979-021-00774-7
PMID:34308367
|
研究论文 | 本文探讨了机器学习方法在应对COVID-19大流行中的应用 | 本文总结了机器学习在帮助医生做出决策、政策制定者采取有效措施以及识别潜在感染者等方面的四种应用 | 本文指出了现有系统的挑战并提出了可能的未来趋势 | 旨在强调机器学习方法在COVID-19大流行中的作用 | COVID-19大流行及其对医疗系统和卫生保健设施的影响 | 机器学习 | COVID-19 | 机器学习 | NA | NA | NA |
| 19270 | 2024-08-24 |
An automatic approach based on CNN architecture to detect Covid-19 disease from chest X-ray images
2021, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-020-02010-w
PMID:34764572
|
研究论文 | 本文提出了一种基于卷积神经网络（CNN）架构的自动方法，用于从胸部X光图像中检测COVID-19疾病 | 采用深度迁移学习方法，使用多种预训练的CNN模型进行实验，其中Se-ResNeXt-50模型在二分类和多分类任务中均达到最高准确率 | NA | 开发一种准确的COVID-19疾病诊断方法，以帮助早期诊断和防止疾病传播 | COVID-19患者、病毒性肺炎、细菌性肺炎和健康人群的胸部X光图像 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | 使用了多个数据集，包括728张、1428张、1442张和5232张胸部X光图像 |
| 19271 | 2024-08-24 |
Stacked-autoencoder-based model for COVID-19 diagnosis on CT images
2021, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-020-02002-w
PMID:34764564
|
研究论文 | 本文提出了一种基于堆叠自编码器的模型，用于在CT图像上诊断COVID-19 | 提出了一个堆叠自编码器检测模型，通过构建新的分类损失函数和叠加重建损失，显著提高了检测模型的精确率和召回率 | 研究基于较小的COVID-19 CT图像数据集，由于患者隐私原因，公开可用的数据集较少 | 研究基于CT影像的计算机化模型，用于传染病检测 | COVID-19的CT图像 | 计算机视觉 | COVID-19 | 深度学习 | 堆叠自编码器 | 图像 | 小型COVID-2019 CT图像数据集 |
| 19272 | 2024-08-24 |
Improving Uncertainty Estimation With Semi-Supervised Deep Learning for COVID-19 Detection Using Chest X-Ray Images
2021, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/ACCESS.2021.3085418
PMID:34812397
|
研究论文 | 本研究通过胸部X光图像实现COVID-19感染检测系统，并引入不确定性估计 | 使用MixMatch半监督框架利用未标记数据改善不确定性估计，并提出使用Jensen-Shannon距离作为评估不确定性估计可靠性的新指标 | 未明确提及 | 改善COVID-19检测中使用的不确定性估计方法 | COVID-19感染检测系统的不确定性估计 | 计算机视觉 | COVID-19 | NA | NA | 图像 | 未明确提及 |
| 19273 | 2024-08-24 |
A Deep Learning Prognosis Model Help Alert for COVID-19 Patients at High-Risk of Death: A Multi-Center Study
2020-12, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2020.3034296
PMID:33108303
|
研究论文 | 本文开发了一种3D密集连接卷积神经网络（De-COVID19-Net），用于预测COVID-19患者的高风险或低风险组别，结合CT和临床信息 | De-COVID19-Net模型在训练集和测试集上均表现出高准确性，AUC值分别为0.952和0.943 | NA | 开发一种预测工具，用于识别高风险COVID-19患者并辅助制定治疗计划 | 366名严重或危重的COVID-19患者 | 机器学习 | COVID-19 | 3D密集连接卷积神经网络 | CNN | CT图像和临床信息 | 366名患者，包括70名高风险患者和296名低风险患者 |
| 19274 | 2024-08-24 |
Hybrid-COVID: a novel hybrid 2D/3D CNN based on cross-domain adaptation approach for COVID-19 screening from chest X-ray images
2020-Dec, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-020-00957-1
PMID:33301073
|
研究论文 | 本研究开发了一种基于迁移学习的混合2D/3D CNN架构，用于通过胸部X光图像进行COVID-19筛查 | 提出了一种结合预训练深度模型（VGG16）和浅层3D CNN的混合2D/3D CNN架构，通过深度可分离卷积层和空间金字塔池化模块（SPP）来减少计算负担并提取多层次特征 | NA | 开发一种高效的COVID-19筛查方法，以帮助早期识别COVID-19感染 | COVID-19、肺炎和正常状态的胸部X光图像 | 计算机视觉 | COVID-19 | 深度学习算法 | 混合2D/3D CNN | 图像 | 收集的数据集包含3个类别：COVID-19、肺炎和正常状态 |
| 19275 | 2024-08-24 |
A Systematic Review on the Use of AI and ML for Fighting the COVID-19 Pandemic
2020-Dec, IEEE transactions on artificial intelligence
DOI:10.1109/TAI.2021.3062771
PMID:35784006
|
综述 | 本文总结了基于AI和ML对抗COVID-19大流行的近期研究 | 本文识别了六个未来研究机会，并总结了七个未来研究方向 | NA | 总结AI和ML在对抗COVID-19中的应用，并识别未来研究方向 | COVID-19大流行及其相关研究 | 机器学习 | COVID-19 | 深度学习 | CNN | 图像 | 从634篇文章中筛选出49篇 |
| 19276 | 2024-08-23 |
Recovering high-quality fiber orientation distributions from a reduced number of diffusion-weighted images using a model-driven deep learning architecture
2024-Nov, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30187
PMID:38852179
|
研究论文 | 本研究旨在开发一种基于模型的深度学习架构，用于从减少数量的扩散加权图像中准确重建纤维方向分布 | 提出的Spherical Deconvolution Network (SDNet)架构包括DWI一致性块和fixel分类惩罚项，提高了重建性能和fixel角分离的控制 | NA | 开发一种新的深度学习架构，以减少扩散加权图像的采集时间并提高分析准确性 | 纤维方向分布(FODs)的重建 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 训练数据来自人类连接组项目的一个子集 |
| 19277 | 2024-08-23 |
ssVERDICT: Self-supervised VERDICT-MRI for enhanced prostate tumor characterization
2024-Nov, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30186
PMID:38852195
|
研究论文 | 本文展示了使用自监督机器学习方法对VERDICT模型进行前列腺癌特征化的评估和演示。 | ssVERDICT首次展示了无需显式训练标签的机器学习方法对详细的多隔间生物物理扩散MRI模型的拟合。 | NA | 评估和展示自监督机器学习方法对VERDICT模型的拟合效果。 | 前列腺癌的VERDICT模型参数估计。 | 机器学习 | 前列腺癌 | MRI | 神经网络 | 图像 | 20名前列腺癌患者 |
| 19278 | 2024-08-07 |
Erratum to: Knowledge-driven deep learning for fast MR imaging: Undersampled MR image reconstruction from supervised to un-supervised learning (Magn Reson Med. 2024;92:496-518)
2024-Nov, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30204
PMID:39054742
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 19279 | 2024-08-23 |
Comparative Analysis of Vision Transformers and Conventional Convolutional Neural Networks in Detecting Referable Diabetic Retinopathy
2024 Nov-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100552
PMID:39165694
|
研究论文 | 本研究通过眼底照片评估了视觉变换器（ViTs）和卷积神经网络（CNNs）在检测可参考糖尿病视网膜病变（DR）方面的性能比较 | 本研究发现视觉变换器在检测可参考糖尿病视网膜病变方面优于传统的卷积神经网络 | NA | 评估视觉变换器和卷积神经网络在检测可参考糖尿病视网膜病变方面的性能 | 视觉变换器和卷积神经网络在检测可参考糖尿病视网膜病变方面的性能 | 计算机视觉 | 糖尿病视网膜病变 | NA | 视觉变换器（ViTs）和卷积神经网络（CNNs） | 图像 | 48269张眼底图像 |
| 19280 | 2024-08-23 |
A Novel Time-Aware Deep Learning Model Predicting Myopia in Children and Adolescents
2024 Nov-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100563
PMID:39165695
|
研究论文 | 本研究利用儿童和青少年可变长度的历史视力记录，通过一种新型的时间感知长短期记忆（LSTM）模型，定量预测他们的球镜等效值（SE）。 | 提出了一种新型的时间感知LSTM模型，能够捕捉不规则采样时间序列数据中的时间特征，更符合基于事实数据的特点，有助于早期识别近视进展。 | 研究结果显示，预测误差与序列长度、预测持续时间、年龄组和近视程度有关，表明模型在不同条件下的表现存在差异。 | 定量预测儿童和青少年的球镜等效值（SE），并早期识别近视进展。 | 895名4至18岁的近视儿童和青少年，他们在2008年1月1日至2023年7月1日期间在萨格勒布的圣杜赫大学医院接受了完整的眼科检查和睫状肌麻痹前的检影检查。 | 机器学习 | 眼科疾病 | NA | LSTM | 时间序列数据 | 895名儿童和青少年 |