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 1869 篇文献，本页显示第 301 - 320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 301 | 2025-01-28 |
Editorial: Deep learning for high-dimensional sense, non-linear signal processing and intelligent diagnosis
2024, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2024.1538534
PMID:39866684
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 302 | 2025-01-31 |
Who is WithMe? EEG features for attention in a visual task, with auditory and rhythmic support
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1434444
PMID:39867449
|
研究论文 | 本研究探讨了与注意力最密切相关的EEG数据表示或特征，并评估了它们在处理跨被试变异性方面的能力 | 研究了单通道EEG时间序列的特征，包括时域特征和递归图，以及从多变量时间序列中直接获得的表示，如全局场功率或功能性脑网络，并探索了对不同类型噪声具有鲁棒性的持久同调特征 | 研究结果仅限于WithMe实验范式，需要进一步研究不同任务以提供更全面的理解 | 研究哪些EEG数据表示或特征与注意力最密切相关，并评估它们在处理跨被试变异性方面的能力 | EEG数据 | 脑机接口 | NA | EEG | 支持向量机(SVM), 深度学习架构 | 时间序列数据 | NA | NA | NA | NA | NA |
| 303 | 2025-01-31 |
A stacking ensemble system for identifying the presence of histological variants in bladder carcinoma: a multicenter study
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1469427
PMID:39868365
|
研究论文 | 本研究旨在构建一个堆叠集成系统，用于简单、高效且非侵入性地识别膀胱癌的组织学变异 | 使用Swin UNETR算法构建交互式深度学习膀胱癌图像分割框架，并结合放射组学特征和深度学习特征构建堆叠集成系统 | 样本量相对较小，且仅基于CT图像进行分析，未涉及其他影像学或分子生物学数据 | 开发一种非侵入性方法，用于早期识别膀胱癌的组织学变异 | 膀胱癌患者 | 数字病理学 | 膀胱癌 | CT成像、放射组学分析、深度学习 | Swin UNETR、堆叠集成模型 | CT图像 | 训练集410名患者，测试集60名患者 | NA | NA | NA | NA |
| 304 | 2025-10-07 |
A deep learning model for carotid plaques detection based on CTA images: a two stepwise early-stage clinical validation study
2024, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2024.1480792
PMID:39871993
|
研究论文 | 开发基于CTA图像的深度学习模型用于颈动脉斑块检测，并进行两步早期临床验证研究 | 结合ResUNet与金字塔场景解析网络(PSPNet)增强斑块分割，采用两步早期临床验证研究模拟真实临床诊断场景 | 回顾性单中心研究，样本量相对有限 | 开发颈动脉斑块检测的深度学习模型并评估其临床应用可行性和价值 | 颈动脉粥样硬化斑块患者 | 计算机视觉 | 心血管疾病 | CTA成像 | 深度学习 | 医学图像 | 647例患者(训练集475例，验证集86例，测试集86例) | NA | ResUNet,PSPNet | 召回率,敏感度,精确度 | NA |
| 305 | 2025-10-07 |
Deep learning-enabled exploration of global spectral features for photosynthetic capacity estimation
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1499875
PMID:39872203
|
研究论文 | 提出一种基于注意力机制和植被指数计算的深度学习模型，用于挖掘全球光谱特征以准确估算光合作用能力 | 开发具有增强可解释性的深度学习模型，能够发现最优植被指数形式并优于传统方法 | NA | 准确估算光合作用能力 | 植物光合作用能力 | 机器学习 | NA | 光谱分析 | 深度学习 | 光谱数据 | NA | NA | 注意力机制 | 决定系数(R), 均方根误差(RMSE) | NA |
| 306 | 2025-10-07 |
Contrastive learning with transformer for adverse endpoint prediction in patients on DAPT post-coronary stent implantation
2024, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2024.1460354
PMID:39872877
|
研究论文 | 提出一种基于对比学习和Transformer的模型，用于预测冠状动脉支架植入术后接受双抗血小板治疗患者的不良事件风险 | 首次将对比学习与Transformer架构结合用于DAPT不良事件预测，通过最大化类内相似性和区分类间差异优化预测性能 | 使用回顾性真实世界数据，可能存在选择偏倚；模型性能需在前瞻性研究中进一步验证 | 提高冠状动脉支架植入术后患者双抗血小板治疗不良事件的预测准确性 | 接受药物洗脱支架植入的成年患者 | 医疗人工智能 | 心血管疾病 | 深度学习 | Transformer, 自编码器, 对比学习 | 临床电子健康记录 | 19,713名成年患者 | NA | Transformer, 自编码器 | 时间依赖性一致性指数(Ctd-index) | NA |
| 307 | 2025-01-04 |
Transfer Learning With Active Sampling for Rapid Training and Calibration in BCI-P300 Across Health States and Multi-Centre Data
2024, 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.2024.3420960
PMID:38949927
|
研究论文 | 本文提出了一种基于主动采样的迁移学习方法，用于在脑机接口（BCI）P300波检测中快速训练和校准，适用于不同健康状况和多中心数据 | 提出了基于Poison Sampling Disk（PDS）的主动采样（AS）方法，用于自适应迁移学习，显著提高了分类精度和训练效率 | 研究仍面临处理来自不同设备、受试者、多中心及健康与患者群体的多样性和不平衡数据集的挑战 | 提高脑机接口（BCI）P300波检测的分类精度和训练效率，适应不同健康状况和多中心数据 | 脑机接口（BCI）P300波检测 | 机器学习 | NA | 迁移学习，主动采样（AS） | 卷积神经网络（CNN） | 神经数据 | 两个不同的国际复制数据集 | NA | NA | NA | NA |
| 308 | 2025-10-07 |
Advancing precision agriculture with deep learning enhanced SIS-YOLOv8 for Solanaceae crop monitoring
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1485903
PMID:39850216
|
研究论文 | 提出增强型SIS-YOLOv8模型用于茄科作物病害监测 | 通过三个关键模块改进YOLOv8网络结构：融合Inception卷积模块增强复杂背景下的特征提取，C2f-SIS模块结合风格随机化提升泛化能力，SPPF-IS模块通过特征融合增强模型鲁棒性 | 未提及模型在其他作物或更广泛环境条件下的适用性 | 开发适用于复杂农业环境的作物病害自动检测模型 | 马铃薯和番茄的病害监测 | 计算机视觉 | 作物病害 | 深度学习图像识别 | YOLO | 图像 | NA | NA | YOLOv8, SIS-YOLOv8 | 准确率, 召回率, mAP50, mAP50-95 | NA |
| 309 | 2025-10-07 |
Monitoring of agricultural progress in rice-wheat rotation area based on UAV RGB images
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1502863
PMID:39850210
|
研究论文 | 基于无人机RGB图像和深度学习技术，提出了一种水稻-小麦轮作区农事进度的精准监测方法 | 结合无人机图像分析和深度学习技术，提出适用于农事进度分类的激活层特征，并通过特征相关性分析去除冗余特征 | NA | 解决水稻-小麦轮作区农事进度监测效率低下的问题 | 水稻-小麦轮作区 | 计算机视觉 | NA | 无人机RGB图像采集 | 随机森林,深度学习 | RGB图像 | NA | NA | L08CON, ResNet50 | 准确率, 处理时间 | NA |
| 310 | 2025-10-07 |
LiDAR point cloud denoising for individual tree extraction based on the Noise4Denoise
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1490660
PMID:39850219
|
研究论文 | 提出了一种基于深度学习的无监督LiDAR点云去噪算法DEN4，用于提升单木分割精度 | 引入了多级噪声分离模块，能有效区分信号与噪声，无需预标记数据 | 仅在60个样本数据集上进行验证，样本规模有限 | 提升LiDAR点云去噪效果以改善单木分割精度 | 森林LiDAR点云数据 | 计算机视觉 | NA | LiDAR点云采集 | 深度学习 | 点云数据 | 60个样本数据集 | NA | DEN4（含多级噪声分离模块） | 均方误差(MSE), 信噪比(SNR), 豪斯多夫距离(Hausdorff distance), 结构相似性指数(SSIM) | NA |
| 311 | 2025-10-07 |
Study on the application of deep learning artificial intelligence techniques in the diagnosis of nasal bone fracture
2024, International journal of burns and trauma
IF:1.4Q3
DOI:10.62347/VCJP9652
PMID:39850782
|
研究论文 | 本研究评估了基于深度学习的AI技术在鼻骨骨折诊断中的应用价值 | 首次将YOLOX检测模型与GhostNetv2分类模型结合用于鼻骨骨折的自动诊断 | 样本量较小（仅82例患者），缺乏外部验证 | 评估深度学习AI技术在鼻骨骨折诊断中的临床应用价值 | 39例正常鼻骨患者和43例鼻骨骨折患者的颌面部CT三维重建图像 | 计算机视觉 | 鼻骨骨折 | CT三维重建 | 深度学习 | 医学影像 | 82例患者，共247张图像（正位、左侧位、右侧位三个方向） | NA | YOLOX,GhostNetv2 | 准确率,灵敏度,特异性 | NA |
| 312 | 2025-10-07 |
Dynamic-budget superpixel active learning for semantic segmentation
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1498956
PMID:39850848
|
研究论文 | 提出一种动态预算超像素主动学习方法，用于提高语义分割任务的数据效率 | 首次提出动态预算查询策略，可根据图像内容自适应选择最优数量的高不确定性超像素进行标注 | 未讨论超像素分割质量对算法性能的影响，实验数据集类型有限 | 提高语义分割任务中主动学习算法的查询效率 | 语义分割模型的训练数据选择 | 计算机视觉 | NA | 主动学习，超像素分割 | 深度学习模型 | 图像 | 两个不同数据集：专业农业田间图像数据集和Cityscapes数据集 | NA | NA | mIoU（平均交并比） | NA |
| 313 | 2025-10-07 |
Detecting anomalies in smart wearables for hypertension: a deep learning mechanism
2024, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2024.1426168
PMID:39850864
|
研究论文 | 本研究提出一种结合ResNet和LSTM的新型神经网络架构，用于从智能穿戴设备的生理信号中预测血压并检测异常 | 首次将ResNet的特征提取能力与LSTM的序列数据处理相结合，构建ResNet-LSTM混合模型用于血压预测 | 计算成本较高（约4,375 FLOPs），需要进一步优化计算效率 | 通过深度学习技术改进智能健康监测系统，实现准确的无创血压预测和异常检测 | 智能穿戴设备采集的生理信号数据（ECG和PPG） | 机器学习 | 心血管疾病 | 生理信号监测（ECG, PPG） | CNN, LSTM | 生理信号时序数据 | 使用留一法交叉验证和额外数据集进行验证 | NA | ResNet, LSTM, ResNet-LSTM | 平均绝对误差（MAE）, 均方根误差（RMSE） | NA |
| 314 | 2025-01-25 |
ID3RSNet: cross-subject driver drowsiness detection from raw single-channel EEG with an interpretable residual shrinkage network
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1508747
PMID:39844854
|
研究论文 | 本文提出了一种名为ID3RSNet的新型可解释残差收缩网络，用于从单通道EEG信号中进行跨受试者驾驶员嗜睡检测 | 提出了一种结合注意力机制的残差收缩构建单元，用于自适应特征重新校准和软阈值去噪，并引入了基于EEG的类激活图（ECAM）可解释方法，以可视化分析样本学习模式 | NA | 开发一种无需校准的驾驶员嗜睡检测系统，使用单通道EEG信号 | 驾驶员嗜睡检测 | 机器学习 | NA | EEG信号处理 | ID3RSNet（可解释残差收缩网络） | 单通道EEG信号 | NA | NA | NA | NA | NA |
| 315 | 2025-01-25 |
Revolutionizing diagnosis of pulmonary Mycobacterium tuberculosis based on CT: a systematic review of imaging analysis through deep learning
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1510026
PMID:39845042
|
系统综述 | 本文综述了基于深度学习的CT成像分析在肺结核诊断中的应用，评估了其诊断准确性，并探讨了当前面临的挑战和未来研究方向 | 本文首次系统评估了深度学习在基于CT的肺结核诊断中的应用，并提出了数据稀缺性、模型泛化性、可解释性和伦理问题等关键挑战 | 研究仅纳入了7篇相关文献，样本量较小，且未进行定量分析 | 评估深度学习在基于CT的肺结核诊断中的准确性，并探讨其应用前景和挑战 | 肺结核（PTB）患者 | 计算机视觉 | 肺结核 | 深度学习（DL） | NA | CT图像 | 7篇相关文献 | NA | NA | NA | NA |
| 316 | 2025-01-25 |
A multi-modal multi-branch framework for retinal vessel segmentation using ultra-widefield fundus photographs
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1532228
PMID:39845080
|
研究论文 | 本文提出了一种多模态多分支框架M3B-Net，用于提高超广角眼底照片中的视网膜血管分割精度 | M3B-Net框架结合了眼底荧光血管造影（FFA）图像，通过选择性融合模块（SFM）、局部感知融合模块（LPFM）和注意力引导上采样模块（AUM）提升分割性能 | 未明确提及具体局限性 | 提高超广角眼底图像中视网膜血管的分割精度，以支持疾病分析 | 超广角眼底照片中的视网膜血管 | 计算机视觉 | NA | 深度学习 | M3B-Net（多模态多分支框架） | 图像（超广角眼底照片和FFA图像） | 未明确提及样本数量 | NA | NA | NA | NA |
| 317 | 2025-01-25 |
A systematic review of Machine Learning and Deep Learning approaches in Mexico: challenges and opportunities
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1479855
PMID:39845096
|
系统综述 | 本文系统综述了墨西哥在机器学习和深度学习领域的发展及其应用，涵盖了多个领域 | 提供了墨西哥在机器学习和深度学习领域的全面信息，包括趋势、空间位置、机构、出版问题、主题领域、算法应用和性能指标 | 主要关注墨西哥的应用，可能缺乏对其他国家的比较分析 | 提供墨西哥在机器学习和深度学习领域的应用和发展情况 | 120篇原始研究论文 | 机器学习, 深度学习 | NA | NA | 人工神经网络(ANN), 随机森林(RF), 支持向量机(SVM) | NA | 120篇原始研究论文 | NA | NA | NA | NA |
| 318 | 2025-01-25 |
DLBWE-Cys: a deep-learning-based tool for identifying cysteine S-carboxyethylation sites using binary-weight encoding
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1464976
PMID:39845187
|
研究论文 | 本文介绍了一种名为DLBWE-Cys的深度学习工具，用于准确识别蛋白质序列中的半胱氨酸S-羧乙基化位点 | 开发了一种新的深度学习模型DLBWE-Cys，结合了CNN、BiLSTM、Bahdanau注意力机制和全连接神经网络，并采用了专门设计的Binary-Weight编码方法 | 目前尚无其他计算工具能准确预测这些位点，这给该领域的研究带来了挑战 | 准确识别半胱氨酸S-羧乙基化位点，以阐明其在自身免疫疾病中的功能机制 | 蛋白质序列中的半胱氨酸S-羧乙基化位点 | 机器学习 | 自身免疫疾病 | 深度学习 | CNN, BiLSTM, Bahdanau attention, FNN | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 319 | 2025-01-25 |
A CT-based deep learning model for preoperative prediction of spread through air spaces in clinical stage I lung adenocarcinoma
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1482965
PMID:39845323
|
研究论文 | 本文开发并验证了一种基于CT的深度学习模型，用于非侵入性预测临床I期肺腺癌的气道扩散（STAS），并与传统的临床语义模型进行了预测性能比较 | 采用Swin Transformer架构开发深度学习模型，用于预测STAS，其性能优于传统的临床语义模型 | 研究为回顾性设计，可能引入选择偏差，且样本量相对有限 | 开发并验证一种深度学习模型，用于预测临床I期肺腺癌的STAS | 513例经病理证实的I期肺腺癌患者 | 数字病理 | 肺癌 | CT扫描 | Swin Transformer | 图像 | 513例患者（训练队列386例，验证队列127例） | NA | NA | NA | NA |
| 320 | 2025-01-25 |
Deep CNN ResNet-18 based model with attention and transfer learning for Alzheimer's disease detection
2024, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2024.1507217
PMID:39845347
|
研究论文 | 本文提出了一种基于ResNet-18的深度学习模型，结合深度卷积和Squeeze and Excitation (SE)模块，用于阿尔茨海默病的检测 | 提出了一种结合SE模块的ResNet-18模型，减少了调参需求，并在小样本和不平衡数据集上表现优异 | 医疗数据收集成本高且涉及伦理问题，小数据集容易导致成本函数的局部最小值问题，类不平衡也会降低性能 | 开发一种有效的深度学习模型用于阿尔茨海默病的检测 | 阿尔茨海默病（AD）、认知正常（CN）和轻度认知障碍（MCI）患者 | 计算机视觉 | 阿尔茨海默病 | 深度卷积、Squeeze and Excitation (SE)模块、迁移学习 | ResNet-18 | 图像 | 未明确说明样本数量 | NA | NA | NA | NA |