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 231 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 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 |
| 62 | 2025-03-11 |
Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis
2023-10, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020218
PMID:37258226
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 63 | 2025-03-11 |
Response to 'Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis'
2023-10, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020804
PMID:37714539
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 64 | 2025-10-07 |
Fibration symmetry uncovers minimal regulatory networks for logical computation in bacteria
2023-Oct-17, ArXiv
PMID:37904746
|
研究论文 | 通过对称纤维化方法简化细菌基因调控网络，揭示其最小调控网络和逻辑计算能力 | 首次将对称纤维化方法应用于生物网络，通过等价类分组和k核分解识别网络的计算核心 | 仅针对两种细菌进行研究，方法在其他生物系统中的普适性有待验证 | 探索细菌基因调控网络的计算能力和决策机制 | 细菌基因调控网络 | 生物网络分析 | NA | 对称纤维化，k核分解 | NA | 基因调控网络数据 | 两种细菌的基因调控网络 | NA | NA | NA | NA |
| 65 | 2025-03-02 |
Editorial for "Implementable Deep Learning for Multi-sequence Proton MRI Lung Segmentation: A Multi-center, Multi-vendor and Multi-disease Study"
2023-10, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28661
PMID:36847749
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 66 | 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 |
| 67 | 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 |
| 68 | 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 |
| 69 | 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 |
| 70 | 2025-02-21 |
Spatial and temporal prediction of secondary crashes combining stacked sparse auto-encoder and long short-term memory
2023-Oct, Accident; analysis and prevention
DOI:10.1016/j.aap.2023.107205
PMID:37413700
|
研究论文 | 本研究旨在开发一种预测次生事故时空位置的方法，通过结合堆叠稀疏自编码器（SSAE）和长短期记忆网络（LSTM）提出了一种混合深度学习模型SSAE-LSTM | 提出了结合SSAE和LSTM的混合深度学习模型SSAE-LSTM，用于次生事故的时空预测，相比现有模型在时空预测性能上表现更优 | 研究仅基于加州I-880高速公路2017-2021年的交通和事故数据，可能限制了模型的泛化能力 | 开发次生事故时空位置的预测方法，以支持预防策略的实施 | 次生事故的时空位置 | 机器学习 | NA | 深度学习 | SSAE-LSTM, PCA-LSTM, SSAE-SVM, BPNN | 交通和事故数据 | 加州I-880高速公路2017-2021年的数据 | NA | NA | NA | NA |
| 71 | 2025-02-21 |
An adaptive embedding procedure for time series forecasting with deep neural networks
2023-Oct, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2023.08.051
PMID:37729787
|
研究论文 | 本文提出了一种基于自适应嵌入机制的深度学习方案，用于时间序列预测 | 提出了一种新颖的自适应嵌入机制，用于提取输入时间序列的压缩表示，并用于后续预测 | 未明确提及具体局限性 | 解决时间序列预测问题 | 时间序列数据 | 机器学习 | NA | 深度学习 | 双向长短期记忆网络（LSTM） | 时间序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 72 | 2025-10-07 |
Mapping the topography of spatial gene expression with interpretable deep learning
2023-Oct-13, bioRxiv : the preprint server for biology
DOI:10.1101/2023.10.10.561757
PMID:37873258
|
研究论文 | 开发了一种名为GASTON的无监督可解释深度学习算法，用于分析空间转录组数据中的基因表达模式 | 提出了一种称为等深度的新概念，能够同时学习等深度、空间基因表达梯度以及模拟单个基因表达变化的分段线性函数 | NA | 解决空间转录组数据稀疏性问题，分析空间基因表达模式如基因表达梯度 | 空间转录组数据中的基因表达模式 | 生物信息学 | 肿瘤 | 空间转录组技术 | 深度学习 | 空间转录组数据 | NA | NA | GASTON | NA | NA |
| 73 | 2025-10-07 |
Shape-Aware 3D Small Vessel Segmentation with Local Contrast Guided Attention
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43901-8_34
PMID:38500803
|
研究论文 | 提出一种新型自监督网络用于3D小血管分割，通过形状感知通量测量和局部对比度引导注意力机制提升小血管检测性能 | 提出形状感知通量测量方法增强非圆形不规则小血管估计，开发局部对比度引导注意力和增强模块提升低对比度血管区域的血管性响应 | 未明确说明样本数量和数据来源的具体限制 | 改进3D成像数据中小血管的自动分割和检测 | 3D成像数据中的小血管结构 | 计算机视觉 | NA | 3D成像技术 | 自监督深度学习网络 | 3D图像数据 | NA | NA | LCNetVesselSeg | NA | NA |
| 74 | 2025-10-07 |
Feasibility of Universal Anomaly Detection without Knowing the Abnormality in Medical Images
2023-Oct, Medical image learning with limited and noisy data : second international workshop, MILLanD 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, proceedings. MILLanD (Workshop) : (2nd : 2023 : Vancouver, B...
DOI:10.1007/978-3-031-44917-8_8
PMID:38523773
|
研究论文 | 本研究探讨医学图像中无需预知异常类型的通用异常检测可行性，比较多种方法并提出决策级集成方案 | 提出无需异常图像参与验证的模型选择策略，并开发决策级集成方法增强跨数据集检测鲁棒性 | 评估方法在四个数据集中均未表现出一致最优性能，存在数据集依赖性 | 开发不依赖预知异常类型的通用医学图像异常检测方法 | 医学图像中的异常形态检测 | 计算机视觉 | NA | 深度学习异常检测 | 集成学习 | 医学图像 | 四个医学数据集 | NA | NA | AUC | NA |
| 75 | 2025-10-07 |
Gadolinium-Free Cardiac MRI Myocardial Scar Detection by 4D Convolution Factorization
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43895-0_60
PMID:39829676
|
研究论文 | 提出一种无需钆对比剂的心脏MRI心肌瘢痕检测方法，通过4D卷积分解技术实现 | 开发了新型深度时空残差注意力网络(ST-RAN)，包含因子化4D卷积层、时空注意力机制和多尺度特征提取模块 | 未明确说明模型在特定患者群体或罕见心脏病类型中的性能表现 | 开发无需钆对比剂的心脏MRI心肌瘢痕检测技术 | 缺血性和非缺血性心脏病患者的心肌瘢痕组织 | 医学影像分析 | 心脏病 | 心脏磁共振成像(CMR) | 深度学习, CNN | 4D(3D+时间)心脏MRI图像 | 3000名接受临床CMR检查的患者 | NA | ST-RAN, 4D卷积分解网络, 残差注意力块 | NA | NA |
| 76 | 2025-10-07 |
Experimental validation of computer-vision methods for the successful detection of endodontic treatment obturation and progression from noisy radiographs
2023-10, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-023-00685-8
PMID:37097541
|
研究论文 | 本研究开发并验证了基于计算机视觉的深度学习方法，用于从噪声牙科X光片中检测根管治疗充填质量和进展 | 首次系统评估了去噪和数据平衡对深度学习检测根管治疗结果的影响，并建立了自定义的渐进分类系统 | 样本量相对有限（250张原始X光片），使用自定义分类标准可能限制泛化能力 | 评估去噪和数据平衡对深度学习检测根管治疗结果的影响，开发预测充填质量的模型 | 牙科X光片中的根管治疗充填 | 计算机视觉 | 牙科疾病 | 放射组学分析 | YOLO | X光图像 | 250张原始牙科X光片，通过数据增强扩展到2226张图像 | NA | YOLOv5s, YOLOv5x, YOLOv7 | 灵敏度, 特异度, 准确率, 精确率, 召回率, 平均精度均值, 置信度 | NA |
| 77 | 2025-10-07 |
Effect of data size on tooth numbering performance via artificial intelligence using panoramic radiographs
2023-10, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-023-00689-4
PMID:37405624
|
研究论文 | 本研究通过人工智能技术探讨数据量对全景X光片牙齿编号识别性能的影响 | 首次系统研究数据规模对牙齿编号识别模型性能的影响，为牙科AI应用提供数据量选择的实证依据 | 仅使用单一数据集和YOLOv4算法，未考虑其他模型架构和数据增强技术的影响 | 探究训练数据量对牙齿编号识别模型性能的影响规律 | 牙齿全景X光片中的牙齿编号识别 | 计算机视觉 | 牙科疾病 | X光成像 | CNN | 图像 | 3000张匿名牙齿全景X光片，分别使用1000、1500、2000、2500张子集进行训练，500张固定测试集 | NA | YOLOv4 | F1分数,mAP,敏感度,精确度,召回率 | NA |
| 78 | 2024-12-20 |
Extensive T1-weighted MRI Preprocessing Improves Generalizability of Deep Brain Age Prediction Models
2023-Oct-30, bioRxiv : the preprint server for biology
DOI:10.1101/2023.05.10.540134
PMID:37214863
|
研究论文 | 本文研究了T1加权磁共振图像（T1w MRI）预处理对深度学习脑龄预测模型性能的影响 | 本文发现广泛的T1w预处理可以提高模型的平均绝对误差（MAE），尤其是在应用于新数据集时 | 本文仅评估了四种预处理管道，未涵盖所有可能的预处理方法 | 研究T1w图像预处理对深度学习脑龄预测模型性能的影响 | T1加权磁共振图像（T1w MRI）和深度学习脑龄预测模型 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 79 | 2024-12-19 |
EEG-Based Machine Learning Models to Evaluate Haptic Delay: Should We Label Data Based on Self-Reporting or Physical Stimulation?
2023 Oct-Dec, IEEE transactions on haptics
IF:2.4Q2
DOI:10.1109/TOH.2023.3270666
PMID:37126610
|
研究论文 | 本文探讨了基于EEG数据的机器学习模型在评估触觉延迟时，使用自我报告标签与物理刺激标签的比较 | 首次系统研究了在评估触觉体验时，使用自我报告标签与物理刺激标签对机器学习模型性能的影响 | 研究结果仅适用于触觉延迟这一特定触觉体验，不能推广到其他触觉体验 | 探讨在评估触觉体验时，使用自我报告标签与物理刺激标签哪种方法更有效 | 触觉延迟的评估 | 机器学习 | NA | EEG | 机器学习模型和深度学习模型 | EEG数据 | NA | NA | NA | NA | NA |
| 80 | 2024-12-14 |
Flexible Gel-Free Multi-Modal Wireless Sensors With Edge Deep Learning for Detecting and Alerting Freezing of Gait Symptom
2023-10, IEEE transactions on biomedical circuits and systems
IF:3.8Q2
DOI:10.1109/TBCAS.2023.3281596
PMID:37256796
|
研究论文 | 开发了一种灵活的无凝胶多模态无线传感器，结合边缘深度学习技术用于检测和预警帕金森病患者的步态冻结症状 | 提出了一个新颖的轻量级深度学习模型，并在低功耗微控制器上进行推理，实现了高检测灵敏度和特异性 | 需要进一步的临床实验来验证其在实际应用中的效果 | 开发一种能够检测和预警步态冻结症状的可穿戴传感器，以帮助帕金森病患者预防跌倒 | 帕金森病患者的步态冻结症状 | 机器学习 | 神经退行性疾病 | 深度学习 | 深度学习模型 | 多模态数据 | NA | NA | NA | NA | NA |