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 2292 篇文献，本页显示第 521 - 540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 521 | 2025-03-01 |
Commentary on "A systematic review on machine learning and deep learning techniques in cancer survival prediction": Validation of survival methods
2023-10, Progress in biophysics and molecular biology
DOI:10.1016/j.pbiomolbio.2023.08.001
PMID:37579795
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 522 | 2025-10-07 |
A deep learning-based electrocardiogram risk score for long term cardiovascular death and disease
2023-Sep-12, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-023-00916-6
PMID:37700032
|
研究论文 | 开发基于深度学习的静息心电图风险评分模型SEER，用于预测长期心血管死亡和疾病风险 | 首次证明仅使用静息心电图即可通过深度学习准确预测长期心血管死亡率，且仅需单导联心电图即可实现高性能预测 | 模型在预测动脉粥样硬化疾病方面的性能相对较低（AUC 0.67），且仅在美国三家医疗中心进行验证 | 开发基于心电图的心血管风险预测工具以改善风险分层和医疗决策 | 心电图数据和心血管疾病患者 | 医疗人工智能 | 心血管疾病 | 心电图检测 | CNN | 心电图信号 | 斯坦福大学医学中心收集的大规模静息12导联心电图数据集 | NA | 深度卷积神经网络 | AUC | NA |
| 523 | 2025-10-07 |
Prediction of Coronary Artery Calcium Using Deep Learning of Echocardiograms
2023-05, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography
IF:5.4Q1
DOI:10.1016/j.echo.2022.12.014
PMID:36566995
|
研究论文 | 本研究开发了一种基于视频的深度学习模型，通过经胸超声心动图视频预测冠状动脉钙化评分 | 首次使用经胸超声心动图视频结合深度学习技术预测冠状动脉钙化评分，为无法进行CT检查的患者提供了替代方案 | 样本量相对有限，外部验证集仅包含92例TTE视频，需要更大规模的研究验证 | 探索使用广泛可用的经胸超声心动图替代CT扫描进行冠状动脉钙化评估的可行性 | 冠状动脉钙化患者 | 计算机视觉 | 心血管疾病 | 经胸超声心动图，冠状动脉钙化CT | CNN | 视频 | 2,881个TTE视频与冠状动脉钙化CT配对数据，外部验证集92个TTE视频 | NA | 卷积神经网络 | AUC, F1分数, 精确召回曲线, 接收者操作特征曲线 | NA |
| 524 | 2025-10-07 |
DeepOmicsAE: Representing Signaling Modules in Alzheimer's Disease with Deep Learning Analysis of Proteomics, Metabolomics, and Clinical Data
2023-12-15, Journal of visualized experiments : JoVE
DOI:10.3791/65910
PMID:38163278
|
研究论文 | 提出DeepOmicsAE工作流程，利用自编码器分析多组学数据以识别阿尔茨海默病的信号模块 | 开发了针对多组学数据优化的自编码器工作流程，提供参数优化方法，并能识别与临床特征互作的分子信号模块 | 样本量相对较小(142人)，仅使用死后脑样本数据 | 开发多组学数据分析方法以研究阿尔茨海默病的分子机制 | 健康个体和阿尔茨海默病患者的死后脑样本 | 机器学习 | 阿尔茨海默病 | 蛋白质组学,代谢组学,临床数据分析 | 自编码器 | 蛋白质组数据,代谢组数据,临床数据 | 142人(包括健康对照和阿尔茨海默病患者) | NA | 自编码器 | NA | NA |
| 525 | 2025-10-07 |
Artificial Intelligence-based System for Detecting Attention Levels in Students
2023-12-15, Journal of visualized experiments : JoVE
DOI:10.3791/65931
PMID:38163270
|
研究论文 | 提出基于人工智能的系统，通过分析学生面部表情、视线方向、身体姿态和生物特征数据来检测课堂注意力水平 | 整合多种数据源（面部表情、视线方向、身体姿态和生物特征）构建注意力检测系统 | 需要创建标记数据集，整合不同类型数据存在挑战 | 开发AI系统自动识别学生注意力水平，帮助教师优化教学过程 | 课堂学生 | 机器学习 | NA | 深度学习 | 深度学习模型 | 图像数据, 传感器数据, 生物特征数据 | NA | NA | NA | NA | NA |
| 526 | 2025-10-07 |
Federated learning for diagnosis of age-related macular degeneration
2023, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2023.1259017
PMID:37901412
|
研究论文 | 本文提出了一种联邦学习方法，用于训练深度学习模型对年龄相关性黄斑变性进行光学相干断层扫描图像分类 | 结合四种独特的域适应技术解决多机构数据分布不均导致的域偏移问题，并比较了残差网络和视觉变换器编码器在联邦学习中的表现 | 仅使用二元分类任务，未探索更深层模型和其他联邦学习策略 | 开发保护数据隐私的分布式深度学习模型用于AMD诊断 | 年龄相关性黄斑变性患者的眼科光学相干断层扫描图像 | 计算机视觉 | 年龄相关性黄斑变性 | 光学相干断层扫描 | 深度学习 | 图像 | NA | NA | ResNet, Vision Transformer | NA | NA |
| 527 | 2025-10-07 |
Deep Learning-Aided Modulation Recognition for Non-Orthogonal Signals
2023-May-31, Sensors (Basel, Switzerland)
DOI:10.3390/s23115234
PMID:37299960
|
研究论文 | 提出基于深度学习的非正交信号调制识别方法，分别针对下行和上行链路设计不同网络架构 | 首次将双向LSTM和注意力机制应用于非正交信号调制识别，利用迁移学习提升模型鲁棒性 | 未明确说明在非高斯信道条件下的性能表现 | 开发适用于非正交传输系统的高效自动调制识别方法 | 下行和上行非正交传输信号 | 机器学习 | NA | 信号调制识别 | BiLSTM, CNN, 注意力机制 | 信号数据 | NA | NA | BiLSTM, 时空融合网络, CNN | 识别准确率 | NA |
| 528 | 2025-10-07 |
The Effect of Dataset Imbalance on the Performance of SCADA Intrusion Detection Systems
2023-Jan-09, Sensors (Basel, Switzerland)
DOI:10.3390/s23020758
PMID:36679553
|
研究论文 | 本研究探讨了数据集不平衡对SCADA入侵检测系统性能的影响 | 首次系统评估多种数据平衡技术对SCADA入侵检测系统性能的影响 | 仅使用两个特定数据集进行评估，未涵盖所有可能的SCADA场景 | 研究数据不平衡对深度学习SCADA入侵检测系统性能的影响 | SCADA系统和物联网设备的安全防护 | 机器学习 | NA | NA | CNN-LSTM | 网络流量数据 | 两个不平衡数据集：Morris电力数据集和CICIDS2017数据集 | NA | CNN-LSTM混合架构 | 准确率,精确率,检测率,F1分数 | NA |
| 529 | 2025-10-07 |
Automated classification of fat-infiltrated axillary lymph nodes on screening mammograms
2023-Nov, The British journal of radiology
DOI:10.1259/bjr.20220835
PMID:37751215
|
研究论文 | 开发基于深度学习的自动化流程对筛查性乳腺X线摄影中的脂肪浸润腋窝淋巴结进行分类 | 首次使用自动化深度学习方法对脂肪浸润淋巴结进行分类 | 标记数据稀缺可能限制模型泛化能力 | 开发快速可推广的工具辅助数据标注，支持大规模研究 | 筛查性乳腺X线摄影中的脂肪浸润腋窝淋巴结 | 计算机视觉 | 肥胖相关疾病 | 乳腺X线摄影 | 深度学习 | 医学影像 | 886张内部机构乳腺X线片和外部数据库子集 | NA | 两阶段深度学习模型 | 准确率, AUC | NA |
| 530 | 2025-10-07 |
Spatial and Compositional Biomarkers in Tumor Microenvironment Predicts Clinical Outcomes in Triple-Negative Breast Cancer
2023-Dec-20, bioRxiv : the preprint server for biology
DOI:10.1101/2023.12.18.572234
PMID:38187696
|
研究论文 | 通过单细胞分辨率成像质谱数据分析三阴性乳腺癌肿瘤微环境的生物标志物与临床预后关系 | 首次在TNBC中系统识别10个复发性细胞邻域，并发现细胞间邻域相互作用与生存改善相关 | 样本量相对有限（58例TNBC患者标本），深度学习模型预测准确度有待提升（平均AUC=0.71） | 探索三阴性乳腺癌肿瘤微环境特征与临床结果的关系 | 三阴性乳腺癌患者肿瘤组织标本 | 数字病理学 | 三阴性乳腺癌 | 成像质谱细胞术 | 深度学习模型 | 单细胞分辨率空间图像数据 | 58例TNBC患者标本，另包含NeoTRIP临床试验独立队列 | NA | NA | AUC | NA |
| 531 | 2025-02-21 |
Deep Learning for Automated Measurement of Total Cardiac Volume for Heart Transplantation Size Matching
2023-Dec-28, Research square
DOI:10.21203/rs.3.rs-3788726/v1
PMID:38234758
|
研究论文 | 本研究旨在通过深度学习技术自动测量心脏总体积（TCV），以促进心脏移植中的尺寸匹配 | 首次使用3D卷积神经网络（3D-CNN）自动计算TCV，提高了测量的准确性和效率 | 模型在移植心脏上的准确性略低于正常心脏，且样本量相对较小 | 开发一种快速且准确的TCV测量方法，以促进心脏移植中的尺寸匹配 | 0-30岁受试者的CT扫描图像 | 计算机视觉 | 心血管疾病 | CT扫描 | 3D-CNN（结合Dense-Net和ResNet架构） | 图像 | 270名受试者用于训练，44名受试者用于验证（其中36名正常，8名心脏病患者） | NA | NA | NA | NA |
| 532 | 2025-02-21 |
Robust Epileptic Seizure Detection Using Long Short-Term Memory and Feature Fusion of Compressed Time-Frequency EEG Images
2023-Dec-02, Sensors (Basel, Switzerland)
DOI:10.3390/s23239572
PMID:38067944
|
研究论文 | 本文提出了一种结合时间频率域特征和EEG信号统计属性的新型模型，用于癫痫发作检测 | 创新点在于将时间频率域特征与EEG信号的统计属性（如均值、中位数和方差）融合，并通过自编码器处理压缩的时间频率图像，使用LSTM网络进行优化 | 模型在复杂现实环境中的鲁棒性和精确性可能受到限制 | 提高癫痫发作检测的准确性和及时性 | 癫痫患者的EEG信号 | 机器学习 | 癫痫 | 自编码器 | LSTM | EEG信号图像 | Bonn癫痫数据集 | NA | NA | NA | NA |
| 533 | 2025-02-21 |
A Novel Classification Model Using Optimal Long Short-Term Memory for Classification of COVID-19 from CT Images
2023-12, Journal of digital imaging
IF:2.9Q2
DOI:10.1007/s10278-023-00852-7
PMID:37491543
|
研究论文 | 本文提出了一种基于鹈鹕优化算法的长短期记忆网络（POA-LSTM）方法，用于从CT图像中分类COVID-19 | 使用POA-LSTM模型进行COVID-19分类，结合了nnU-Net进行ROI分割和HRNet进行特征提取，提高了分类性能 | 未提及具体的数据集大小和多样性，可能影响模型的泛化能力 | 开发一种自动检测COVID-19的深度学习模型，以提高诊断准确性 | COVID-19患者的CT扫描图像 | 计算机视觉 | COVID-19 | 深度学习 | LSTM, nnU-Net, HRNet | CT图像 | NA | NA | NA | NA | NA |
| 534 | 2025-02-21 |
A two-dimensional hydrodynamics prediction framework for mantle-undulated propulsion robot using multiple proper orthogonal decomposition and long short term memory neural network
2023-11-29, Bioinspiration & biomimetics
IF:3.1Q2
DOI:10.1088/1748-3190/ad0daf
PMID:37976535
|
研究论文 | 本文开发了一个基于深度学习的框架，用于预测在波动推进机器人（MUPRo）上的流体动力 | 提出了多重本征正交分解（MPOD）算法，有效识别MUPRo波动表面附近流体的全局和局部特征，并开发了基于MPOD算法和长短期记忆神经网络的流体动力预测框架 | NA | 开发一个能够经济且可靠地预测波动推进机器人流体动力的框架 | 波动推进机器人（MUPRo） | 机器学习 | NA | 多重本征正交分解（MPOD）算法，长短期记忆神经网络（LSTM） | LSTM | 流体动力数据 | NA | NA | NA | NA | NA |
| 535 | 2025-02-21 |
Application of bidirectional long short-term memory network for prediction of cognitive age
2023-11-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-47606-7
PMID:37980387
|
研究论文 | 本研究应用双向长短期记忆网络（BLSTM）算法分析台北慈济医院儿科脑电图实验室的EEG数据，以预测认知年龄 | 首次将BLSTM算法应用于EEG数据的认知年龄预测，并验证了其在识别不同年龄段儿童和青少年EEG数据中的有效性 | 对于智力障碍患者的EEG样本，预测准确率显著降低，表明个体智力在年龄预测中起主要作用 | 探讨深度学习工具在EEG分类中的应用，特别是用于预测认知年龄 | 儿童和青少年的EEG数据 | 机器学习 | NA | EEG | BLSTM | EEG数据 | 来自台北慈济医院儿科脑电图实验室的EEG样本 | NA | NA | NA | NA |
| 536 | 2025-02-21 |
An Adaptive Intrusion Detection System in the Internet of Medical Things Using Fuzzy-Based Learning
2023-Nov-17, Sensors (Basel, Switzerland)
DOI:10.3390/s23229247
PMID:38005635
|
研究论文 | 本文提出了一种基于模糊学习的自适应长短期记忆（LSTM）入侵检测系统（IDS），用于医疗物联网（IoMT）中的攻击检测 | 提出了一种动态调整训练周期和使用早停策略的模糊自调LSTM模型，以提高入侵检测的准确性和预测性 | 未提及具体的数据集规模或实验环境的局限性 | 开发更高效和准确的入侵检测系统，以应对医疗物联网中的网络攻击 | 医疗物联网（IoMT）设备 | 机器学习 | NA | 模糊学习，LSTM | LSTM | 网络日志数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 537 | 2025-02-21 |
Novel integrated modelling based on multiplicative long short-term memory (mLSTM) deep learning model and ensemble multi-criteria decision making (MCDM) models for mapping flood risk
2023-Nov-01, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2023.118838
PMID:37595460
|
研究论文 | 本文提出了一种基于乘法长短期记忆（mLSTM）深度学习模型和多准则决策（MCDM）集成模型的新方法，用于绘制伊朗南部Minab-Shamil平原的洪水风险图 | 创新点在于首次将mLSTM深度学习模型与MCDM集成模型结合，用于生成高分辨率的洪水风险图 | 研究仅限于Minab-Shamil平原，未在其他地区验证模型的普适性 | 研究目的是开发一种集成方法，用于精确绘制洪水风险图，以支持洪水管理和减灾 | 研究对象是Minab-Shamil平原的洪水风险 | 机器学习 | NA | 深度学习，多准则决策 | mLSTM, CODAS, EDAS, MOOSRA | 地理空间数据 | 70%训练数据，30%测试数据 | NA | NA | NA | NA |
| 538 | 2025-02-21 |
AMGCN-L: an adaptive multi-time-window graph convolutional network with long-short-term memory for depression detection
2023-10-27, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad038b
PMID:37844566
|
研究论文 | 本文提出了一种名为AMGCN-L的深度学习网络，用于通过脑电图（EEG）信号中的脑功能连接和时空特征自动分类抑郁和非抑郁人群 | 提出了一种结合自适应多时间窗口图卷积网络（GCN）和长短期记忆（LSTM）的新型网络AMGCN-L，用于抑郁检测 | 依赖于公开数据集，可能在实际临床应用中需要进一步验证 | 开发一种更客观的抑郁诊断方法 | 抑郁和非抑郁人群 | 机器学习 | 抑郁症 | 深度学习 | GCN, LSTM | EEG信号 | 两个公开数据集：EEG数据患者库和计算工具，以及多模态开放数据集用于精神障碍分析 | NA | NA | NA | NA |
| 539 | 2025-02-21 |
Depressive Disorder Recognition Based on Frontal EEG Signals and Deep Learning
2023-Oct-23, Sensors (Basel, Switzerland)
DOI:10.3390/s23208639
PMID:37896732
|
研究论文 | 本研究基于前额六通道脑电图（EEG）信号和深度学习模型，旨在实现准确且实用的抑郁症（DD）诊断 | 提出了一种结合多分辨率卷积神经网络（MRCNN）与长短期记忆（LSTM）或残差压缩激励（RSE）的深度学习模型，用于抑郁症的识别，并展示了在8-30 Hz EEG信号下的高分类准确率 | 研究样本量相对较小，仅包括41名抑郁症患者和34名健康对照者，可能影响模型的泛化能力 | 开发一种客观、准确、实用且自动化的抑郁症诊断技术 | 抑郁症患者和健康对照者的前额六通道EEG信号 | 机器学习 | 抑郁症 | 脑电图（EEG）信号分析 | MRCNN-LSTM, MRCNN-RSE | EEG信号 | 41名抑郁症患者和34名健康对照者 | NA | NA | NA | NA |
| 540 | 2025-02-21 |
A novel bidirectional LSTM deep learning approach for COVID-19 forecasting
2023-10-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-44924-8
PMID:37863921
|
研究论文 | 本文开发了一种基于双向长短期记忆网络（Bi-LSTM）的深度学习模型，用于预测COVID-19疫情早期的每日新增病例数 | 使用双向LSTM架构进行COVID-19预测，并验证了在减少变量数量情况下仍能保持预测准确性 | 模型仅在疫情早期阶段进行了验证，未涵盖疫情后期或其他变种病毒的影响 | 预测COVID-19疫情早期的每日新增病例数 | 190个国家的COVID-19数据 | 机器学习 | COVID-19 | 深度学习 | Bi-LSTM | 时间序列数据 | 190个国家的数据，时间跨度为2020年1月22日至2021年1月31日 | NA | NA | NA | NA |