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 25067 篇文献，本页显示第 19641 - 19660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 19641 | 2024-08-26 |
Kidney Tumor Segmentation Based on FR2PAttU-Net Model
2022, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2022.853281
PMID:35372025
|
研究论文 | 本文提出基于FR2PAttU-Net的深度学习模型，用于帮助医生快速高效地处理肾脏CT图像，节省医疗资源 | 使用R2Att网络改进U-Net的'U'结构，增加并行卷积，构建FR2PAttU-Net模型，提高模型对不同尺度图像特征的适应性，避免网络加深导致学习有价值特征的失败 | NA | 提高肾脏肿瘤从肾脏CT图像中的分割效果 | 肾脏肿瘤的CT图像分割 | 计算机视觉 | 肾脏肿瘤 | 深度学习 | FR2PAttU-Net | 图像 | 使用KiTS19数据集，通过增强小样本数据集以平衡样本数据集 |
| 19642 | 2024-08-26 |
20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep Learning Reconstruction
2021-11, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC46164.2021.9631107
PMID:34892055
|
研究论文 | 本研究利用自监督深度学习重建技术，在5倍SMS和4倍平面加速的7T fMRI数据上实现了20倍加速的高质量图像重建 | 采用自监督学习方法进行深度学习重建，无需完全采样的训练数据集，显示出与监督学习相似的性能 | NA | 提高fMRI的空间和时间分辨率，以更准确地解析大脑中的神经活动 | 7T fMRI数据的高加速重建 | 计算机视觉 | NA | fMRI | 深度学习 | 图像 | NA |
| 19643 | 2024-08-26 |
ICON: Learning Regular Maps Through Inverse Consistency
2021-Oct, Proceedings. IEEE International Conference on Computer Vision
DOI:10.1109/iccv48922.2021.00338
PMID:35355618
|
研究论文 | 研究如何通过逆一致性损失来学习数据样本之间的正则化映射 | 提出了一种结合深度网络、逆一致性损失和随机离网格插值的方法，以获得近似微分同胚的空间变换，无需精心调整的显式正则化器 | 未提及具体限制 | 探索在计算图像配准时，是否可以通过仅使用逆一致性损失来获得空间正则性 | 空间变换的正则性 | 计算机视觉 | NA | 深度学习 | 深度网络 | 图像 | 未提及具体样本数量 |
| 19644 | 2024-08-26 |
E-Learning Research Trends in Higher Education in Light of COVID-19: A Bibliometric Analysis
2021, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2021.762819
PMID:35308075
|
研究论文 | 本文通过对602篇发表在Web of Science数据库中的研究进行文献计量分析，概述了COVID-19期间高等教育领域电子学习的重要概念进展 | 研究探索了人工智能、机器学习和深度学习等新研究方向在电子学习中的应用 | NA | 分析COVID-19背景下高等教育领域电子学习的研究趋势 | 电子学习在高等教育中的应用及其相关研究 | 自然语言处理 | NA | 文献计量分析 | NA | 文本 | 602篇研究论文 |
| 19645 | 2024-08-26 |
Improving detection of prostate cancer foci via information fusion of MRI and temporal enhanced ultrasound
2020-Jul, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-020-02172-5
PMID:32372384
|
研究论文 | 本文研究了通过融合MRI和时间增强超声（TeUS）信息来提高前列腺癌焦点检测的方法 | 首次在大规模研究中深入探索了MRI和超声信息的定量融合 | NA | 提高前列腺癌焦点在活检中的定位精度 | 前列腺癌焦点检测 | 数字病理学 | 前列腺癌 | 时间增强超声（TeUS） | 全卷积网络（FCN） | 图像 | 107名患者，145个活检核心 |
| 19646 | 2024-08-26 |
Co-registration of pre- and post-stent intravascular OCT images for validation of finite element model simulation of stent expansion
2020-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2550212
PMID:35291699
|
研究论文 | 本文通过深度学习技术对支架植入前后的血管内光学相干断层扫描（IVOCT）图像进行分割和配准，以验证有限元模型（FEM）对支架扩张后管腔增益的预测 | 开发了一种基于深度学习的平台，用于评估FEM对支架扩张后管腔增益的预测，并通过实际数据验证了其准确性 | NA | 验证有限元模型对支架扩张后管腔增益的预测准确性 | 支架植入前后的IVOCT图像以及有限元模型预测结果 | 数字病理学 | 心血管疾病 | 深度学习 | 有限元模型（FEM） | 图像 | 约200对支架植入前后的IVOCT图像 |
| 19647 | 2024-08-25 |
Deep learning for tubes and lines detection in critical illness: Generalizability and comparison with residents
2024-Dec, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2024.100593
PMID:39175597
|
研究论文 | 本研究评估了深度学习模型在重症监护病房患者胸部X光片上对导管和管线分类的性能，并与外部公共数据集进行了比较 | 本研究通过规则基算法与深度学习的结合，显著提高了气管插管分类任务的性能 | 外部训练的模型在本地重症监护病房数据集上的泛化能力有限 | 评估外部训练的人工智能模型在重症监护病房常规中的性能 | 重症监护病房患者的胸部X光片上的导管和管线 | 机器学习 | NA | 深度学习 | NA | 图像 | 303张随机从重症监护病房数据库中抽取的X光片 |
| 19648 | 2024-08-25 |
HyEpiSeiD: a hybrid convolutional neural network and gated recurrent unit model for epileptic seizure detection from electroencephalogram signals
2024-Aug-21, Brain informatics
DOI:10.1186/s40708-024-00234-x
PMID:39167115
|
research paper | 本文提出了一种名为HyEpiSeiD的深度学习框架，用于从脑电图信号中检测癫痫发作 | HyEpiSeiD结合了卷积神经网络和门控循环单元，实现了高精度的癫痫发作检测 | NA | 实现高精度的患者特异性癫痫发作检测 | 从脑电图信号中检测癫痫发作 | machine learning | NA | NA | CNN, LSTM | 信号 | 使用了两个公开数据集，UCI Epilepsy和Mendeley数据集 |
| 19649 | 2024-08-25 |
Real-time estimation of the optimal coil placement in transcranial magnetic stimulation using multi-task deep learning
2024-08-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-70367-w
PMID:39169126
|
研究论文 | 本文开发了一种多任务深度神经网络，用于实时估计经颅磁刺激（TMS）中最佳线圈放置位置 | 提出的Attention U-Net模型能够在35毫秒内提供精确的线圈优化，远快于传统的数值计算框架 | NA | 开发一种能够在实时应用中优化TMS线圈放置的计算模型 | TMS中的最佳线圈放置位置及其诱导的电场 | 机器学习 | NA | 多任务深度学习 | Attention U-Net | 数值优化数据 | 包括健康受试者和胶质母细胞瘤患者 |
| 19650 | 2024-08-25 |
Predicting 1, 2 and 3 year emergent referable diabetic retinopathy and maculopathy using deep learning
2024-Aug-21, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-024-00590-z
PMID:39169209
|
研究论文 | 本研究开发并验证了深度学习系统（DLS），用于预测1、2和3年内出现的可转诊糖尿病视网膜病变（DR）和黄斑病变 | 本研究采用了多模态深度学习系统，结合风险因素特征和彩色眼底照片，显著提高了预测性能 | NA | 旨在通过个性化筛查，及时为高风险个体提供治疗，同时减轻低风险个体的筛查负担 | 糖尿病视网膜病变（DR）和黄斑病变的预测 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | 多模态深度学习系统（DLS） | 图像 | 开发集包含162,339只眼睛，验证集包含27,996只眼睛，外部测试集包含6,928只眼睛 |
| 19651 | 2024-08-25 |
Empowering Medical Education: Unveiling the Impact of Reflective Writing and Tailored Assessment on Deep Learning
2024-Jul, Journal of advances in medical education & professionalism
DOI:10.30476/JAMP.2024.101594.1938
PMID:39175585
|
研究论文 | 本研究探讨了反思写作作为一种自我评估工具对本科医学生的影响，特别是使用基于Moon模型的作者特定反思评分标准进行学生培训 | 本研究引入了作者特定的反思评分标准，并探讨了其在医学生教育中的应用 | 研究的样本量较小且评分标准的可靠性未达到可接受阈值，需要在大规模和更多样化的参与者中进行验证 | 探索反思写作在本科医学生教育中的影响，并评估特定反思评分标准的有效性 | 本科医学生 | 医学教育 | NA | NA | NA | 文本 | 32名自愿参与的学生 |
| 19652 | 2024-08-25 |
Study of Deep Learning in Medical Education: Opportunities, Achievements and Future Challenges
2024-Jul, Journal of advances in medical education & professionalism
DOI:10.30476/JAMP.2024.99740.1853
PMID:39175590
|
综述 | 本文探讨了深度学习在医学教育中的应用，包括其潜力、成就及未来挑战 | 深度学习在医学教育中的应用为个性化辅助和反馈提供了有效手段 | 医学教育者对使用深度学习存在抵触情绪，且先前研究存在局限性 | 讨论深度学习在医学教育中的前景，并探讨其是否能带来益处 | 深度学习在医学教育中的应用及其对教育质量的影响 | 机器学习 | NA | 深度学习 | NA | NA | 11项研究被纳入系统综述 |
| 19653 | 2024-08-25 |
SurvNet: A low-complexity convolutional neural network for survival time classification of patients with glioblastoma
2024-Jun-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e32870
PMID:38988550
|
研究论文 | 本文提出了一种名为SurvNet的低复杂度卷积神经网络，用于分类胶质母细胞瘤患者的生存时间 | SurvNet通过结合多种MRI模式作为输入，增强了预测模型的精确度，并在多个模型中表现最佳 | NA | 准确识别脑肿瘤患者的总体生存时间 | 胶质母细胞瘤患者的生存时间分类 | 机器学习 | 脑肿瘤 | MRI | CNN | 图像 | 预手术磁共振图像数据集 |
| 19654 | 2024-08-25 |
Artificial intelligence can be used in the identification and classification of shoulder osteoarthritis and avascular necrosis on plain radiographs: a training study of 7,139 radiograph sets
2024-06-17, Acta orthopaedica
IF:2.5Q1
DOI:10.2340/17453674.2024.40905
PMID:38884536
|
研究论文 | 本研究使用深度学习模型在平片上识别和分类肩关节骨关节炎和无血管性坏死 | 首次展示了深度学习模型在平片上识别和分级肩关节骨关节炎和无血管性坏死的能力 | 模型在区分无和轻度肩关节骨关节炎等级方面存在挑战 | 分析深度学习模型在平片上识别和分级肩关节骨关节炎的表现，并训练模型识别和分级无血管性坏死 | 肩关节骨关节炎和无血管性坏死 | 计算机视觉 | 骨关节炎 | 深度学习 | ResNet类型网络 | 图像 | 7,139组肩部X光片 |
| 19655 | 2024-08-25 |
Assessment of the current and emerging criteria for the histopathological classification of lung neuroendocrine tumours in the lungNENomics project
2024-Jun, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2024.103591
PMID:38878324
|
研究论文 | 本研究评估了当前和新兴的组织病理学分类标准在肺神经内分泌肿瘤分类中的应用 | 研究了两种肿瘤增殖标志物Ki-67指数和磷酸化组蛋白H3（PHH3）蛋白表达，并通过深度学习自动量化 | 研究揭示Ki-67和PHH3蛋白表达并未显著提高当前分类的预后价值，且深度学习模型未发现具有诊断价值的未公开形态学特征 | 评估世界卫生组织（WHO）分类标准的优势和局限性，并评估新兴标志物的实用性 | 259例肺神经内分泌肿瘤（LNETs） | 数字病理学 | 肺肿瘤 | 深度学习 | 深度学习算法 | 图像 | 259例肺神经内分泌肿瘤，其中171例有相关生存数据 |
| 19656 | 2024-08-25 |
A joint learning framework for multisite CBCT-to-CT translation using a hybrid CNN-transformer synthesizer and a registration network
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1440944
PMID:39175474
|
研究论文 | 本文提出了一种联合学习框架SynREG，用于多站点CBCT到CT的转换，通过混合CNN-transformer合成器和配准网络来提高CBCT图像质量 | SynREG框架集成了混合CNN-transformer架构和配准网络，能够动态校正局部结构错位，提高合成CT图像的保真度 | 由于配准不完美，配对数据集的局部结构错位可能导致模型性能不佳 | 开发一种统一的深度学习模型，通过生成合成CT图像来提高多站点CBCT图像的质量 | 135名癌症患者的配对CBCT和规划CT图像，包括头颈部、胸部和腹部肿瘤 | 计算机视觉 | 癌症 | 深度学习 | 混合CNN-transformer | 图像 | 135名癌症患者用于训练，23名额外患者用于独立测试 |
| 19657 | 2024-08-25 |
A deep learning radiomics model based on CT images for predicting the biological activity of hepatic cystic echinococcosis
2024, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2024.1426468
PMID:39175611
|
研究论文 | 本研究基于CT图像，利用深度学习放射组学模型预测肝包虫病的生物活性分级 | 首次提出基于CT图像的深度学习放射组学模型用于预测肝包虫病的生物活性分级 | 研究为回顾性分析，样本量相对较小 | 探索基于CT图像的深度学习放射组学模型在预测肝包虫病生物活性分级中的应用潜力 | 肝包虫病的生物活性分级 | 机器学习 | 肝病 | CT | 深度神经网络 | 图像 | 160名肝包虫病患者，其中127名用于训练，33名用于验证 |
| 19658 | 2024-08-24 |
Integration of single-cell manipulation, whole transcriptome analysis, and image-based deep learning for studying "Singularity Biology"
2024, Biophysics and physicobiology
IF:1.6Q4
DOI:10.2142/biophysico.bppb-v21.s005
PMID:39175857
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 19659 | 2024-08-25 |
Evaluating deep learning techniques for identifying tongue features in subthreshold depression: a prospective observational study
2024, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2024.1361177
PMID:39176227
|
研究论文 | 本研究旨在评估使用深度学习技术通过舌象特征非侵入性诊断亚阈值抑郁的潜力，并探讨这些特征与针灸治疗效果的相关性 | 本研究首次使用多种高级深度学习模型分析舌象特征，并发现SEResNet101模型在识别亚阈值抑郁舌象特征方面表现最佳，且能有效评估针灸治疗效果 | NA | 评估深度学习技术在通过舌象特征诊断亚阈值抑郁中的应用潜力 | 亚阈值抑郁患者的舌象特征及针灸治疗效果 | 计算机视觉 | NA | 深度学习 | SEResNet101 | 图像 | NA |
| 19660 | 2024-08-25 |
Collective and harmonized high throughput barcoding of insular arthropod biodiversity: Toward a Genomic Observatories Network for islands
2023-12, Molecular ecology
IF:4.5Q1
DOI:10.1111/mec.16683
PMID:36156326
|
研究论文 | 本文探讨了如何利用高通量测序技术（HTS）和深度学习图像分析方法，系统地进行岛屿节肢动物多样性的编目和监测，并提出了建立岛屿基因组观测网络（iGON）的框架。 | 本文首次提出将高通量测序技术与深度学习图像分析相结合，用于岛屿节肢动物多样性的研究，并探讨了在岛屿基因组观测网络框架下实施这些方法的可能性。 | 文章指出当前方法在节肢动物多样性数据可用性方面存在局限，需要进一步的技术创新和数据积累。 | 旨在通过新技术手段，深入理解岛屿生态和进化过程中节肢动物多样性的关键过程。 | 研究对象为岛屿上的节肢动物，特别是那些在生态、进化和保护生物学领域具有重要意义的物种。 | 基因组学 | NA | 高通量测序（HTS） | 深度学习 | 图像 | 文章未具体提及样本数量 |