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 2677 篇文献，本页显示第 941 - 960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 941 | 2025-04-06 |
Connections Between Deep Equilibrium and Sparse Representation Models With Application to Hyperspectral Image Denoising
2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2023.3245323
PMID:37027683
|
研究论文 | 本研究探讨了多维视觉数据的稀疏表示问题，提出了一种新的计算高效稀疏编码优化方法，并应用于高光谱图像去噪 | 结合可学习正则化技术与神经网络作为结构先验，开发了基于深度展开和深度均衡的算法，在稀疏表示理论与深度学习建模之间建立了桥梁 | 未明确提及具体的数据集规模限制或计算资源需求 | 解决多维视觉数据（如高光谱图像）的稀疏表示与去噪问题 | 多维视觉数据（高光谱图像、彩色图像或视频数据） | 计算机视觉 | NA | 稀疏编码优化、深度学习建模 | 深度展开算法、深度均衡算法 | 图像（高光谱图像、彩色图像、视频数据） | 未明确提及具体样本量 | NA | NA | NA | NA |
| 942 | 2025-04-06 |
Integrated Multiscale Domain Adaptive YOLO
2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2023.3255106
PMID:37028346
|
研究论文 | 本文提出了一种新颖的多尺度域自适应YOLO框架（MS-DAYOLO），用于解决深度学习应用中的域偏移问题 | 引入了三种新颖的深度学习架构用于域适应网络（DAN），包括渐进特征缩减（PFR）、统一分类器（UC）和集成架构 | NA | 解决深度学习中的域偏移问题，提升目标检测性能 | YOLOv4目标检测器 | 计算机视觉 | NA | 深度学习 | YOLOv4, Faster R-CNN | 图像 | 流行数据集（未具体说明数量） | NA | NA | NA | NA |
| 943 | 2025-04-06 |
MDTL: A Novel and Model-Agnostic Transfer Learning Strategy for Cross-Subject Motor Imagery BCI
2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2023.3259730
PMID:37030758
|
研究论文 | 提出了一种新颖且模型无关的迁移学习策略MDTL，用于跨被试运动想象脑机接口 | MDTL策略利用多源域数据到目标域以及多源域之间的迁移，具有模型无关性，能快速部署于现有模型 | 未明确提及具体局限性 | 提升跨被试运动想象脑机接口的性能并减少准备时间 | 运动想象脑机接口系统 | 机器学习 | NA | 迁移学习 | DeepConvNet, ShallowConvNet, EEGNet | EEG信号 | 两个公开的运动想象数据集（BCIC IV dataset 2a和Lee2019） | NA | NA | NA | NA |
| 944 | 2025-04-06 |
Tolerating Annotation Displacement in Dense Object Counting via Point Annotation Probability Map
2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2023.3331908
PMID:37971907
|
研究论文 | 本文提出了一种通过点标注概率图（PAPM）来容忍密集物体计数中标注位移的方法 | 利用广义高斯分布（GGD）函数构建学习目标点标注概率图（PAPM），以提高对标注位移的鲁棒性 | 手设计的PAPM方法可能对特定网络和数据集不是最优的 | 提高密集物体计数中对标注位移的鲁棒性 | 拥挤场景中的物体计数 | 计算机视觉 | NA | 广义高斯分布（GGD） | P2PNet | 图像 | NA | NA | NA | NA | NA |
| 945 | 2025-04-04 |
Rapid 3D T1 mapping using deep learning-assisted Look-Locker inversion recovery MRI
2023-08, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29672
PMID:37125662
|
研究论文 | 提出了一种基于深度学习的快速3D T1映射方法，无需延迟时间即可进行MRI成像 | 利用深度学习学习T1*到T1的转换，消除了传统方法中需要的延迟时间，从而缩短了扫描时间 | 训练数据仅包含39个GraspT1-TD6数据集和14个GraspT1-TD0数据集，样本量相对较小 | 开发一种更高效和稳健的3D LLIR T1映射方法 | MRI成像中的T1映射 | 医学影像分析 | NA | 深度学习辅助的Look-Locker反转恢复MRI | 深度学习模型 | MRI图像 | 39个GraspT1-TD6数据集和14个GraspT1-TD0数据集 | NA | NA | NA | NA |
| 946 | 2025-04-04 |
Machine Learning for Adrenal Gland Segmentation and Classification of Normal and Adrenal Masses at CT
2023-Feb, Radiology
IF:12.1Q1
DOI:10.1148/radiol.220101
PMID:36125375
|
研究论文 | 本研究开发了一种机器学习算法，用于在增强CT图像上分割肾上腺并分类正常和含肿块的肾上腺 | 提出了一种两阶段的机器学习流程，能够自动分割肾上腺并区分正常肾上腺和含肿块的肾上腺 | 在二次测试集上的分类敏感性较低（69%） | 开发一种用于肾上腺分割和分类的机器学习算法 | 增强CT图像中的肾上腺 | 计算机视觉 | 肾上腺疾病 | 深度学习 | 深度学习分割和分类模型 | CT图像 | 开发数据集包含274例CT检查（251名患者），二次测试集包含991例CT检查（991名患者） | NA | NA | NA | NA |
| 947 | 2025-10-07 |
Deep learning approximation of attenuation maps for myocardial perfusion SPECT with an IQ
⋅
⋅
SPECT collimator
2023-08-28, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-023-00568-1
PMID:37639082
|
研究论文 | 本研究使用深度学习技术从非衰减校正的SPECT重建图像中近似估计衰减图 | 首次证明了在配备IQ SPECT准直器的SPECT扫描仪上使用深度学习近似衰减图的可行性 | 研究为回顾性研究，样本量相对有限 | 研究是否可以从非衰减校正的SPECT重建图像中近似估计衰减图 | 心肌灌注SPECT成像 | 医学影像分析 | 心血管疾病 | SPECT成像，深度学习 | U-Net, GAN | 医学影像 | 150项研究 | 条件生成对抗网络框架 | U-Net | 归一化平均绝对误差，绝对百分比误差 | NA |
| 948 | 2025-10-07 |
Integrative dissection of gene regulatory elements at base resolution
2023-Jun-14, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2023.100318
PMID:37388913
|
研究论文 | 本研究结合表观遗传扰动、碱基编辑和深度学习技术，在CD69免疫基因座中解析关键调控元件 | 首次将表观遗传扰动、碱基编辑和深度学习相结合，在天然染色质环境中系统解析调控元件的功能基础 | 研究主要聚焦于Jurkat T细胞中的CD69基因座，尚未在其他细胞类型或基因座中验证 | 解析基因调控元件的序列基序和单个碱基功能 | CD69免疫基因座的调控序列 | 机器学习 | NA | 表观遗传扰动, 碱基编辑, 深度学习 | 深度学习 | 表观遗传数据, 基因表达数据 | Jurkat T细胞系 | NA | NA | NA | NA |
| 949 | 2025-10-07 |
Machine learning applications for early detection of esophageal cancer: a systematic review
2023-07-17, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-023-02235-y
PMID:37460991
|
系统综述 | 系统综述了机器学习在食管癌早期检测中的应用现状 | 首次系统评估机器学习特别是卷积神经网络在食管癌早期检测中的性能表现 | 现有文献有限，存在类别不平衡和偏差问题，需要跨机构验证 | 总结和讨论基于机器学习的食管癌早期检测方法研究现状 | 食管癌早期检测相关研究文献 | 计算机视觉 | 食管癌 | 内窥镜成像，计算机断层扫描 | CNN | 医学图像 | 31篇研究文章 | NA | 卷积神经网络 | 准确率，灵敏度 | NA |
| 950 | 2025-10-07 |
Neurodegeneration: 2023 update
2023-Jan, Free neuropathology
|
综述 | 本文回顾了2023年神经退行性神经病理学领域十项具有高度影响力的研究 | 整合了蛋白质组学与转录组学研究、提出新的神经病理学诊断标准、揭示TDP-43抑制隐蔽外显子包含的新致病机制、通过冷冻电镜发现TDP-43阳性包涵体核心结构 | 研究选择基于作者主观判断，可能未涵盖所有重要进展；聚焦人类组织研究，可能忽略其他模型系统的发现 | 总结神经退行性疾病领域最新研究进展 | 人类神经退行性疾病组织样本 | 数字病理学 | 老年性疾病 | 蛋白质组学, 转录组学, 冷冻电镜, 功能基因组学, 深度学习 | 多示例学习 | 组织样本, 蛋白质数据, 基因表达数据, 图像数据 | NA | NA | NA | NA | NA |
| 951 | 2025-10-07 |
Data-efficient resting-state functional magnetic resonance imaging brain mapping with deep learning
2023-11-01, Journal of neurosurgery
IF:3.5Q1
DOI:10.3171/2023.3.JNS2314
PMID:37060318
|
研究论文 | 开发基于深度学习的静息态功能磁共振成像脑图谱映射方法，用于术前功能定位 | 提出使用3D卷积神经网络在少量RS-fMRI数据下实现语言和运动静息态网络的体素级映射 | 研究样本主要来自健康成年人，脑肿瘤患者样本量较小（仅5例） | 开发能够用最少RS-fMRI数据可靠映射静息态网络的深度学习模型 | 健康成年人（2252名）和脑胶质母细胞瘤患者（5名） | 医学影像分析 | 脑肿瘤 | 静息态功能磁共振成像（RS-fMRI） | CNN | 医学影像 | 2257名参与者（2252名健康成年人，5名脑肿瘤患者） | NA | 3DCNN | 准确率，真阳性率 | NA |
| 952 | 2025-10-07 |
Variational Autoencoders for Biomedical Signal Morphology Clustering and Noise Detection
2023-Sep-28, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3320585
PMID:37768790
|
研究论文 | 提出一种基于变分自编码器和高斯混合模型的生物医学信号噪声检测框架，用于波形异常检测和信号质量评估 | 开发无需标注的波形异常检测方法，结合变分自编码器和高斯混合模型提供信号质量置信度度量 | 仅适用于具有心脏活动周期性的生物医学信号 | 开发自动化的生物医学信号噪声检测和信号验证方法 | 生物阻抗数据中的心脏周期波形 | 机器学习 | 心血管疾病 | 生物阻抗测量 | VAE, GMM | 时间序列波形数据 | 97885个心脏周期 | NA | 变分自编码器, 高斯混合模型 | DTW距离标准差, RMSE, Pearson相关系数, 信噪比 | NA |
| 953 | 2025-10-07 |
U-Sleep's resilience to AASM guidelines
2023-Mar-06, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-023-00784-0
PMID:36878957
|
研究论文 | 本研究验证了U-Sleep睡眠评分算法在不严格遵循AASM指南情况下的鲁棒性 | 证明深度学习睡眠评分算法无需完全依赖临床知识或严格遵循AASM指南，仍能有效工作 | NA | 探索深度学习睡眠评分算法对临床指南的依赖程度 | 睡眠评分和脑电图分析 | 机器学习 | 睡眠障碍 | 多导睡眠图 | 深度学习 | 多导睡眠图数据 | 28528个多导睡眠图研究，来自13个不同临床研究 | NA | U-Sleep | NA | NA |
| 954 | 2025-10-07 |
Convolutional Neural Networks for Segmentation of Malignant Pleural Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance)
2023-Nov-30, ArXiv
PMID:38076518
|
研究论文 | 评估概率图阈值对卷积神经网络分割恶性胸膜间皮瘤肿瘤的影响 | 首次系统分析CNN概率图阈值对MPM肿瘤分割体积和空间重叠度的影响 | CNN在特定疾病表现（如严重胸腔积液或胸膜裂隙疾病）存在分割缺陷，未找到同时优化肿瘤体积和DSC的最佳单一阈值 | 评估深度学习自动分割方法在恶性胸膜间皮瘤肿瘤测量中的可靠性 | 恶性胸膜间皮瘤患者的CT扫描图像 | 计算机视觉 | 肺癌 | CT扫描 | CNN | 医学图像 | 21名MPM患者的88次CT扫描 | NA | VGG16,U-Net | Dice相似系数,体积百分比差异 | NA |
| 955 | 2025-10-07 |
Transport-based morphometry of nuclear structures of digital pathology images in cancers
2023-Feb-02, ArXiv
PMID:36776820
|
研究论文 | 提出一种基于最优传输理论的核结构形态测量新方法，用于分析癌症数字病理图像中的核染色质结构 | 开发了基于最优传输理论的形态测量框架，可直接从成像数据建模核染色质结构信息内容，无需依赖传统特征提取方法 | NA | 开发定量核形态测量方法以区分良恶性肿瘤 | 癌症数字病理图像中的细胞核结构 | 数字病理学 | 癌症 | 数字病理成像 | NA | 图像 | NA | NA | NA | NA | NA |
| 956 | 2025-10-07 |
Deep Learning-Enabled Multiplexed Point-of-Care Sensor using a Paper-Based Fluorescence Vertical Flow Assay
2023-12, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202300617
PMID:37104829
|
研究论文 | 开发了一种基于深度学习的纸基荧光垂直流动检测多路复用即时诊断传感器 | 结合纸基荧光垂直流动检测与神经网络推断实现多路复用即时诊断 | 仅在46个测试卡盒上验证，样本规模有限 | 开发用于急性心脏损伤诊断的即时检测平台 | 人血清样本中的三种心脏生物标志物 | 医学诊断 | 心血管疾病 | 纸基荧光垂直流动检测 | 神经网络 | 荧光图像 | 46个独立激活的检测卡盒，每个患者使用50μL血清样本 | NA | NA | 检测限，线性度，变异系数 | 低成本移动阅读器 |
| 957 | 2025-03-27 |
MULTITASK LEARNING FOR IMPROVED LATE MECHANICAL ACTIVATION DETECTION OF HEART FROM CINE DENSE MRI
2023-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi53787.2023.10230782
PMID:40124116
|
研究论文 | 本文提出了一种多任务深度学习框架，用于同时估计心脏晚期机械激活（LMA）量并分类无疤痕的LMA区域，以提高心脏再同步治疗（CRT）的准确性 | 引入了辅助LMA区域分类子网络，提高了模型对心肌疤痕引起的复杂模式的鲁棒性，显著消除了LMA检测中的负面影响，并进一步改善了疤痕分类性能 | NA | 提高心脏晚期机械激活（LMA）区域的检测准确性，特别是在存在心肌疤痕的情况下 | 心脏的晚期机械激活（LMA）区域 | 医学影像分析 | 心血管疾病 | cine位移编码与受激回波（DENSE）磁共振成像（MRI） | 多任务深度学习框架 | 心脏MR图像 | NA | NA | NA | NA | NA |
| 958 | 2025-10-07 |
Deep Learning Methods for Omics Data Imputation
2023-Oct-07, Biology
DOI:10.3390/biology12101313
PMID:37887023
|
综述 | 本文全面概述了基于深度学习的组学数据插补方法，重点关注多组学数据插补 | 从深度生成模型架构角度系统梳理组学数据插补方法，包括自编码器、变分自编码器、生成对抗网络和Transformer | 作为综述文章未提出新算法，主要总结现有方法面临的挑战 | 解决组学数据分析中的缺失值问题 | 组学数据（特别是多组学数据） | 机器学习 | NA | 组学技术 | 自编码器, 变分自编码器, 生成对抗网络, Transformer | 组学数据 | NA | NA | 自编码器, 变分自编码器, 生成对抗网络, Transformer | NA | NA |
| 959 | 2025-10-07 |
CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data
2023-May-02, Research square
DOI:10.21203/rs.3.rs-2768563/v1
PMID:37205427
|
研究论文 | 提出一种用于不完整多组学数据整合的深度学习模型CLCLSA | 结合跨组学对比学习和自注意力机制，能够处理不完整的多组学数据并动态识别最具信息量的特征 | NA | 解决不完整多组学数据整合问题，提高疾病分类性能 | 多组学数据 | 机器学习 | NA | 多组学技术 | 自编码器, 自注意力机制 | 多组学数据 | 四个公共多组学数据集 | NA | 跨组学自编码器 | 分类准确率 | NA |
| 960 | 2025-10-07 |
Discovery of a cryptic pocket in the AI-predicted structure of PPM1D phosphatase explains the binding site and potency of its allosteric inhibitors
2023-Mar-24, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.22.533829
PMID:36993233
|
研究论文 | 本研究通过分子动力学模拟和深度学习方法，在AlphaFold预测的PPM1D磷酸酶结构中发现了隐式结合口袋，解释了其变构抑制剂的结合位点和效力机制 | 首次在AI预测的PPM1D结构中发现隐式结合口袋，结合分子动力学模拟和深度学习方法来解释变构抑制剂的结合机制 | 研究基于预测的蛋白质结构而非实验晶体结构，虚拟筛选的预测能力仍受限于可用结构数据的数量 | 提高虚拟筛选在有限结构数据情况下的预测能力，探索蛋白质动力学在药物发现中的应用 | PPM1D/Wip1磷酸酶及其变构抑制剂 | 计算生物学 | 癌症 | 分子动力学模拟, 深度学习, 虚拟筛选 | Markov状态模型, 深度学习模型 | 蛋白质结构数据, 分子对接数据 | NA | NA | NA | Kendall's τ相关系数 | NA |