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 1879 篇文献，本页显示第 201 - 220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 201 | 2025-10-07 |
Addressing grading bias in rock climbing: machine and deep learning approaches
2024, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2024.1512010
PMID:40046938
|
综述 | 本文综述了机器学习和深度学习在解决攀岩路线难度评级主观性问题中的应用 | 首次系统分类并比较了三种不同视角（路线中心、攀登者中心、路径查找与生成）的机器学习方法在攀岩难度评级中的应用 | NA | 通过机器学习和深度学习技术建立标准化的攀岩路线难度确定方法 | 攀岩路线难度评级系统 | 自然语言处理, 机器学习 | NA | 自然语言处理, 深度学习 | 循环神经网络 | NA | NA | NA | NA | NA | NA |
| 202 | 2025-10-07 |
Prediction of cerebral aneurysm rupture risk by machine learning algorithms: a systematic review and meta-analysis of 18,670 participants
2024-Jan-06, Neurosurgical review
IF:2.5Q1
DOI:10.1007/s10143-023-02271-2
PMID:38183490
|
系统综述与Meta分析 | 通过系统综述和Meta分析评估机器学习算法在预测脑动脉瘤破裂风险中的有效性和准确性 | 首次对机器学习算法预测脑动脉瘤破裂风险进行大规模系统综述和Meta分析，涉及18,670名参与者 | 纳入研究数量有限(35项)，需要进一步研究提高对颅内动脉瘤破裂状态的诊断性能 | 评估机器学习算法在预测脑动脉瘤破裂风险中的临床应用价值 | 经DSA、CTA或MRI确诊的脑动脉瘤患者 | 机器学习 | 脑血管疾病 | DSA、CTA、MRI | CNN, ANN | 医学影像数据 | 18,670名参与者 | NA | NA | 灵敏度, 特异度, 阳性似然比, 阴性似然比, 诊断评分, 比值比 | NA |
| 203 | 2025-03-05 |
AS2LS: Adaptive Anatomical Structure-Based Two-Layer Level Set Framework for Medical Image Segmentation
2024, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2024.3483563
PMID:39446550
|
研究论文 | 本文提出了一种基于自适应解剖结构的两层水平集框架（AS2LS），用于分割具有同心结构的器官，如左心室和眼底 | 提出了一种新颖的自适应解剖结构的两层水平集表示方法，并结合了两阶段水平集演化算法，提高了复杂医学图像分割的准确性 | 未提及具体局限性 | 提高医学图像分割的准确性，特别是针对具有同心结构的器官 | 医学图像中的器官，如左心室和眼底 | 计算机视觉 | NA | 水平集方法 | AS2LS（自适应解剖结构的两层水平集框架） | 医学图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 204 | 2025-03-05 |
Explainability Enhanced Object Detection Transformer With Feature Disentanglement
2024, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2024.3492733
PMID:39531564
|
研究论文 | 本文提出了一种增强端到端目标检测模型（DETR）可解释性的特征解耦方法 | 引入了特征解耦方法，通过Tensor奇异值分解（T-SVD）生成特征基，并引入批量平均特征谱惩罚（BFSP）损失来约束特征解耦和平衡语义激活 | 未提及具体局限性 | 增强目标检测模型的可解释性 | 端到端目标检测模型（DETR） | 计算机视觉 | NA | Tensor奇异值分解（T-SVD），批量平均特征谱惩罚（BFSP） | DETR, CNN | 图像 | 在两个数据集上进行了广泛实验 | NA | NA | NA | NA |
| 205 | 2025-10-07 |
Assessment of Protein-Protein Docking Models Using Deep Learning
2024, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3985-6_10
PMID:38987469
|
综述 | 本文综述了蛋白质对接模型评估方法的最新进展，特别关注深度学习在多种网络架构中的应用 | 将深度学习技术应用于蛋白质对接模型评估，探索了多种网络架构在此领域的应用 | NA | 评估蛋白质-蛋白质对接模型的准确性 | 蛋白质复合物结构模型 | 生物信息学 | NA | X射线晶体学,冷冻电子显微镜 | 深度学习 | 蛋白质结构数据 | NA | NA | 多种网络架构 | NA | NA |
| 206 | 2025-10-07 |
Refinement of Docked Protein-Protein Complexes Using Repulsive Scaling Replica Exchange Simulations
2024, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3985-6_15
PMID:38987474
|
研究论文 | 本文介绍了一种使用排斥缩放副本交换模拟方法优化蛋白质-蛋白质复合物结构预测的技术 | 开发了基于副本交换的新方案，通过在各个副本模拟中应用不同水平的蛋白质间排斥偏置来改进对接结果 | NA | 改进蛋白质-蛋白质复合物结构的预测精度和自由能评分 | 蛋白质-蛋白质复合物结构 | 计算生物学 | NA | 分子动力学模拟，副本交换分子动力学 | RS-REMD | 蛋白质结构数据 | 两个示例应用 | NA | NA | 结构改进，自由能评分 | NA |
| 207 | 2025-10-07 |
Exploiting the Role of Features for Antigens-Antibodies Interaction Site Prediction
2024, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3985-6_16
PMID:38987475
|
研究论文 | 本研究应用HSS-PPI混合方法预测抗体-抗原相互作用位点，通过层次化表示和图形卷积网络对氨基酸进行分类 | 采用层次化蛋白质表示方法，结合多种物理化学和结构特征，使用图卷积网络进行抗体相互作用位点预测 | NA | 开发计算方法来预测抗体与抗原的相互作用位点，以替代昂贵的实验方法 | 抗体蛋白质及其与抗原的相互作用位点 | 生物信息学 | NA | 图卷积网络，蛋白质结构分析 | GCN | 蛋白质序列和结构数据 | NA | NA | 图卷积网络 | 标准评估指标 | NA |
| 208 | 2025-03-04 |
[The 30-Year History of the Japan-Korea Joint Meeting on Medical Physics]
2024, Igaku butsuri : Nihon Igaku Butsuri Gakkai kikanshi = Japanese journal of medical physics : an official journal of Japan Society of Medical Physics
DOI:10.11323/jjmp.44.3_40
PMID:40024769
|
评论 | 本文回顾了日本-韩国医学物理联合会议30年的历史，探讨了会议对两国医学物理学家交流与合作的贡献 | 详细记录了日本-韩国医学物理联合会议的30年发展历程，并分析了会议对医学物理领域的推动作用 | 文章主要关注日本和韩国的医学物理合作，未涉及其他国家的类似合作 | 回顾日本-韩国医学物理联合会议的历史，探讨其对医学物理领域的贡献 | 日本和韩国的医学物理学家及其合作 | 医学物理 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 209 | 2025-10-07 |
Deep Learning Identifies High-Quality Fundus Photographs and Increases Accuracy in Automated Primary Open Angle Glaucoma Detection
2024-01-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.1.23
PMID:38285462
|
研究论文 | 开发并评估用于评估眼底照片质量的深度学习模型，并定量测量其在独立研究人群中自动化原发性开角型青光眼检测中的影响 | 首次开发专门用于评估眼底照片质量的深度学习模型，并证明通过自动质量评估筛选低质量照片可显著提高青光眼检测模型的准确性 | 研究数据来源于特定研究队列，需要在更广泛的人群中验证模型的泛化能力 | 提高自动化原发性开角型青光眼检测的准确性 | 眼底照片 | 计算机视觉 | 青光眼 | 眼底摄影 | 深度学习 | 图像 | 2815张来自DIGS/ADAGES研究的眼底照片和11350张来自OHTS研究的眼底照片 | NA | NA | AUROC | NA |
| 210 | 2025-03-02 |
Rapid and accurate classification of mung bean seeds based on HPMobileNet
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1474906
PMID:40017618
|
研究论文 | 本研究提出了一种基于深度学习的绿豆种子快速准确分类方法，通过改进MobileNetV2模型，引入了DMS块、ECA块和Mish激活函数，构建了高精度网络模型HPMobileNet | 提出了HPMobileNet模型，结合DMS块、ECA块和Mish激活函数，显著提升了绿豆种子分类的准确率 | 研究未涉及模型在其他作物种子分类中的泛化能力，且未来优化和应用潜力仍需进一步探索 | 开发一种高效准确的绿豆种子分类方法，推动智能农业技术的发展 | 八种不同品种的绿豆种子 | 计算机视觉 | NA | 深度学习 | HPMobileNet（基于MobileNetV2改进） | 图像 | 34,890张绿豆种子图像 | NA | NA | NA | NA |
| 211 | 2025-03-02 |
A method of deep network auto-training based on the MTPI auto-transfer learning and a reinforcement learning algorithm for vegetation detection in a dry thermal valley environment
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1448669
PMID:40017619
|
研究论文 | 本文提出了一种基于MTPI自动迁移学习和强化学习算法的深度网络自动训练方法，用于干旱热谷环境中的植被检测 | 结合了MTPI（最大迁移潜力指数方法）和MTSA（多汤普森采样算法）强化学习，用于数据集自动增强和网络自动训练，减少了人工经验和试错成本 | 现有自动训练方法适应于简单数据集和网络结构，在非结构化环境（如干旱热谷环境）中实用性较低 | 减少深度学习中的手动干预，提高复杂植被信息收集的效率 | 干旱热谷环境中的植被 | 计算机视觉 | NA | 深度学习，强化学习，迁移学习 | FCN, Seg-Net, U-Net, Seg-Res-Net 50 | 图像 | NA | NA | NA | NA | NA |
| 212 | 2025-10-07 |
Deep learning for transesophageal echocardiography view classification
2024-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-50735-8
PMID:38167849
|
研究论文 | 本研究开发了一种基于深度学习的经食管超声心动图视图分类模型，用于对术中及术中TEE影像数据进行结构化处理 | 首次开发了针对术中及术中TEE影像的多类别视图分类深度学习模型，并在两个独立医疗中心进行了外部验证 | NA | 解决TEE影像复杂非结构化特性对深度学习应用的限制，实现标准化TEE视图的自动分类 | 经食管超声心动图影像数据 | 计算机视觉 | 心血管疾病 | 经食管超声心动图成像 | CNN | 视频 | 来自Cedars-Sinai医学中心和斯坦福大学医学中心的术中及术中TEE视频 | NA | NA | AUC | NA |
| 213 | 2025-02-28 |
Predicting epidermal growth factor receptor mutation status of lung adenocarcinoma based on PET/CT images using deep learning
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1458374
PMID:39735601
|
研究论文 | 本研究旨在开发基于18F-FDG PET/CT图像的深度学习模型，用于预测肺腺癌（LUAD）患者的表皮生长因子受体（EGFR）突变状态 | 利用深度学习模型预测EGFR突变状态，结合PET/CT图像和临床特征，提高了预测的准确性 | 研究仅基于两个机构的430名患者，样本量可能不足以代表所有肺腺癌患者 | 开发预测肺腺癌患者EGFR突变状态的深度学习模型 | 430名非小细胞肺癌患者 | 计算机视觉 | 肺癌 | 18F-FDG PET/CT成像 | Inception V3 | 图像 | 430名非小细胞肺癌患者 | NA | NA | NA | NA |
| 214 | 2025-10-07 |
Among Artificial Intelligence/Machine Learning Methods, Automated Gradient-Boosting Models Accurately Score Intraoral Plaque in Non-Standardized Images
2024, Journal of the California Dental Association
DOI:10.1080/19424396.2024.2422146
PMID:39990046
|
研究论文 | 开发并测试用于非标准化口腔图像的自动图像选择和牙菌斑评分方法 | 首次实现无需深度学习模型即可对非标准化牙菌斑图像进行准确自动评分 | 需要手动图像分割，样本量相对有限 | 开发自动牙菌斑评分系统用于儿童预防试验 | 435张照片中的1650颗乳牙（D、E、F、G牙齿） | 计算机视觉 | 口腔疾病 | 图像处理，机器学习 | 支持向量机，梯度提升 | 图像 | 435张照片中的1650颗牙齿 | Python, OpenCV, Scikit-learn, Jupyter Notebooks | 支持向量机-高斯，梯度提升分类和回归模型 | AUC-ROC, R2, 训练时间 | 未明确指定 |
| 215 | 2025-02-26 |
Exploring the application of knowledge transfer to sports video data
2024, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2024.1460429
PMID:39989920
|
研究论文 | 本研究探讨了知识转移在体育视频数据中的应用，特别是零样本学习（ZSL）和球员重识别技术 | 利用预训练的重识别模型提取特征嵌入，在零样本学习环境下评估其在橄榄球联赛和篮网球中的应用，展示了在动态体育环境中部分模型的有效性 | 非部分模型在背景干扰下表现不佳，且需要大量资源来重现结果 | 探索更高效的方法，以在不同体育项目中应用AI和计算机视觉技术，减少数据标注和模型训练成本 | 橄榄球联赛和篮网球的体育视频数据 | 计算机视觉 | NA | 零样本学习（ZSL） | 预训练的重识别模型 | 视频 | 橄榄球联赛近35,000帧和篮网球近14,000帧的广播视频剪辑 | NA | NA | NA | NA |
| 216 | 2025-02-26 |
Multiomics Research: Principles and Challenges in Integrated Analysis
2024, Biodesign research
DOI:10.34133/bdr.0059
PMID:39990095
|
综述 | 本文综述了多组学研究的基本原则和挑战，强调了数据整合在揭示生物系统复杂相互作用和调控机制中的必要性 | 探讨了深度学习、图神经网络（GNNs）和生成对抗网络（GANs）等最新计算方法在多组学数据合成和解释中的应用，并提出了大语言模型在多组学分析中的潜力 | 需要大量的计算资源和复杂的模型调优 | 指导研究人员在多组学研究中导航原则和挑战，以促进整合生物分析的发展 | 多组学数据 | 生物信息学 | NA | 多组学技术（基因组学、转录组学、蛋白质组学、代谢组学等） | 深度学习、图神经网络（GNNs）、生成对抗网络（GANs） | 多组学数据 | NA | NA | NA | NA | NA |
| 217 | 2025-10-07 |
Deep learning performance on MRI prostate gland segmentation: evaluation of two commercially available algorithms compared with an expert radiologist
2024-Jan, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.1.015002
PMID:38404754
|
研究论文 | 评估两种商业深度学习算法与放射科专家在前列腺MRI腺体分割任务中的性能对比 | 在真实临床多中心环境中验证商业AI算法性能，未进行内部训练直接测试 | 样本量相对有限（123例患者），仅评估两种商业算法 | 验证商业AI算法在前列腺MRI分割中的临床实用性 | 前列腺腺体 | 医学影像分析 | 前列腺癌 | MRI | 深度学习算法 | MRI图像 | 123例患者，来自7家医院，8台扫描仪（1.5T和3T） | NA | NA | Dice相似系数 | NA |
| 218 | 2025-10-07 |
Quantifying the spatial patterns of retinal ganglion cell loss and progression in optic neuropathy by applying a deep learning variational autoencoder approach to optical coherence tomography
2024, Frontiers in ophthalmology
DOI:10.3389/fopht.2024.1497848
PMID:39963427
|
研究论文 | 本研究提出一种增强型变分自编码器方法，用于量化视网膜神经节细胞损失的空间模式并追踪其在视神经病变中的进展 | 开发了包含编码器、显示解码器和增强解码器的bVAE架构，能够分解GCL厚度图为显示潜变量和增强潜变量，首次实现对视神经损伤空间模式的动态追踪和病因分类 | 仅使用光学相干断层扫描数据，未来需要整合其他影像模态提升诊断能力 | 开发深度学习模型以可视化和量化视神经病变中视网膜神经节细胞变薄的空间模式 | 822名受试者的10,701个OCT黄斑扫描数据 | 计算机视觉 | 视神经病变 | 光学相干断层扫描 | 变分自编码器,XGBoost | 医学影像 | 10,701个OCT扫描来自822名受试者 | NA | 增强型变分自编码器 | RMSE,SSIM,AUC | NA |
| 219 | 2025-10-07 |
Adaptive spatial-channel feature fusion and self-calibrated convolution for early maize seedlings counting in UAV images
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1496801
PMID:39980762
|
研究论文 | 提出基于DINO的RC-Dino深度学习方法，通过自适应空间特征融合和自校准卷积提升无人机图像中早期玉米幼苗计数精度 | 提出新型自校准卷积层RSCconv和自适应空间特征融合模块ASCFF，增强特征表示能力和判别能力 | 未明确说明方法在其他作物或复杂环境下的泛化能力 | 提高无人机图像中早期玉米幼苗计数的准确性和鲁棒性 | 早期玉米幼苗 | 计算机视觉 | NA | 无人机成像技术 | 基于DINO的目标检测模型 | 无人机图像 | 1,233张标注图像，包含83,404个个体标注 | PyTorch（基于DINO实现推断） | DINO, Faster R-CNN, RetinaNet, YOLOX, Deformable DETR | 平均精度(AP), 召回率(Recall), 决定系数(R²) | NA |
| 220 | 2025-10-07 |
Efficient and accurate identification of maize rust disease using deep learning model
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1490026
PMID:39980760
|
研究论文 | 开发了一种基于深度学习的玉米锈病识别模型，能够高效准确地区分普通玉米锈病和南方玉米锈病 | 在YOLOv8s主干网络中集成SimAM模块和BiFPN进行尺度融合，并使用DWConv实现简化检测 | NA | 实现玉米锈病的准确识别和分类，支持田间大规模锈病爆发的有效检测和管理 | 玉米锈病图像 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | NA | NA | YOLOv8s, SimAM, BiFPN, DWConv | 准确率, 平均准确率, 召回率, F1值, 帧率 | 移动手机部署 |