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 1959 篇文献，本页显示第 421 - 440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 421 | 2025-10-07 |
DFMA: an improved DeepLabv3+ based on FasterNet, multi-receptive field, and attention mechanism for high-throughput phenotyping of seedlings
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1457360
PMID:39886686
|
研究论文 | 提出基于DeepLabv3+改进的DFMA模型，用于植物幼苗高通量表型分析 | 引入新型ASPP结构PSPA-ASPP，结合FasterNet、多感受野和注意力机制 | 未明确说明模型计算复杂度及在更多植物物种上的泛化能力 | 提高植物幼苗表型分析效率，替代传统人工测量方法 | 水稻幼苗及拟南芥、二穗短柄草、白芥等公开数据集植物 | 计算机视觉 | NA | 深度学习图像分割 | CNN | 幼苗图像 | 自建水稻幼苗数据集及多个公开数据集 | NA | DeepLabv3+, FasterNet, PSPA-ASPP | mIoU | NA |
| 422 | 2025-10-07 |
Ordinal Classification with Distance Regularization for Robust Brain Age Prediction
2024-Jan, IEEE Winter Conference on Applications of Computer Vision. IEEE Winter Conference on Applications of Computer Vision
DOI:10.1109/wacv57701.2024.00770
PMID:38606366
|
研究论文 | 提出一种基于序数分类和距离正则化的鲁棒脑龄预测方法，用于阿尔茨海默病早期检测 | 将脑龄预测任务从回归重构为分类，并提出新颖的序数距离编码正则化损失函数来保留年龄标签的顺序信息 | NA | 开发更可靠的脑龄预测方法，作为阿尔茨海默病早期检测的生物标志物 | 脑部磁共振成像数据和阿尔茨海默病临床数据 | 医学影像分析 | 阿尔茨海默病 | 磁共振成像 | 深度学习 | 图像 | NA | NA | NA | 统计显著性差异 | NA |
| 423 | 2025-10-07 |
Multi-Head Graph Convolutional Network for Structural Connectome Classification
2024, Graphs in biomedical image analysis, and overlapped cell on tissue dataset for histopathology : 5th MICCAI Workshop, GRAIL 2023 and 1st MICCAI Challenge, OCELOT 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, Septembe...
DOI:10.1007/978-3-031-55088-1_3
PMID:38665679
|
研究论文 | 提出一种多头部图卷积网络模型，用于基于脑连接组数据的分类任务 | 设计并行多头部图卷积机制，分别关注边和节点的图卷积操作，从脑连接数据中全面提取互补特征表示 | NA | 开发基于脑连接组的分类模型，研究连接组随性别变化的差异 | 人脑结构连接组 | 机器学习 | NA | 扩散磁共振成像 | 图卷积网络 | 图数据 | PREVENT-AD数据集347名受试者，OASIS3数据集771名受试者 | NA | 多头部图卷积网络 | NA | NA |
| 424 | 2025-02-01 |
Evolution of artificial intelligence in healthcare: a 30-year bibliometric study
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1505692
PMID:39882522
|
研究论文 | 本文对过去30年医疗保健领域人工智能（AI）的文献进行了动态和纵向的文献计量分析，以探讨医学与人工智能融合的现状和趋势 | 首次对医疗保健领域AI文献进行30年的纵向文献计量分析，揭示了AI技术在医疗领域的持续爆发性增长趋势 | 研究主要基于Web of Science数据库，可能未涵盖所有相关文献 | 探讨医学与人工智能融合的现状和趋势 | 1993年至2023年间发表的医疗保健领域AI相关文献 | 机器学习 | NA | 文献计量分析 | NA | 文献数据 | 22,950篇文献 | NA | NA | NA | NA |
| 425 | 2025-10-07 |
Advances in Protein-Ligand Binding Affinity Prediction via Deep Learning: A Comprehensive Study of Datasets, Data Preprocessing Techniques, and Model Architectures
2024, Current drug targets
IF:3.0Q2
|
综述 | 本文全面分析了蛋白质-配体结合亲和力预测领域的深度学习技术，包括常用数据集、数据预处理方法和模型架构 | 填补了先前研究的空白，对常用数据集进行了全面质量分析，并对最新深度学习方法提供了全新分类视角 | 基于文献调研的方法可能无法涵盖所有最新进展，数据质量和模型可解释性问题仍是挑战 | 加速开发更有效可靠的蛋白质-配体结合亲和力预测深度学习模型 | 蛋白质-配体相互作用 | 机器学习 | NA | 深度学习 | 图神经网络,卷积神经网络,Transformer | 分子结构数据 | NA | NA | GNN,CNN,Transformer | NA | NA |
| 426 | 2025-01-31 |
A scoping review of magnetic resonance angiography and perfusion image synthesis
2024, Frontiers in dementia
DOI:10.3389/frdem.2024.1408782
PMID:39588202
|
综述 | 本文探讨了人工智能在从现有神经解剖和神经血管采集数据中生成合成TOF-MRA和灌注相关图像的应用，以研究脑血管系统 | 利用深度学习技术从现有对比度生成合成医学图像，特别是TOF-MRA和灌注MRI图像，为脑血管研究提供新的视角 | 需要进一步研究以评估这些合成图像的敏感性和特异性，并确保其在不同人群中的适用性 | 研究人工智能在生成合成TOF-MRA和灌注相关图像中的应用，以增强脑血管研究 | 脑血管系统及其与阿尔茨海默病等疾病的关联 | 医学影像 | 阿尔茨海默病 | 深度学习 | NA | 医学影像 | 729项研究中的13项符合标准 | NA | NA | NA | NA |
| 427 | 2025-01-31 |
Past, present, and future of electrical impedance tomography and myography for medical applications: a scoping review
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1486789
PMID:39726983
|
综述 | 本文综述了两种新兴的电阻抗技术：电阻抗肌电图（EIM）和电阻抗断层扫描（EIT），并探讨了它们在医学应用中的过去、现在和未来 | 总结了EIM和EIT技术的最新进展，特别是数字采集、处理算法和重建工具的应用，以及机器学习和深度学习在诊断、治疗计划和监测中的作用 | 未具体提及研究的局限性 | 探讨电阻抗技术在医学应用中的发展、算法、工具和数据集，为研究人员和临床医生提供有效使用和创新研究的信息 | 电阻抗肌电图（EIM）和电阻抗断层扫描（EIT）技术 | 医学成像 | 癌症、肺部疾病、神经肌肉疾病 | 电阻抗技术、电压控制电流源（VCCS） | NA | 电阻抗数据 | NA | NA | NA | NA | NA |
| 428 | 2025-01-31 |
Recent advances in deep learning and language models for studying the microbiome
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1494474
PMID:39840283
|
综述 | 本文综述了深度学习和语言模型在微生物组和宏基因组数据分析中的应用 | 探讨了将大型语言模型（LLMs）应用于微生物蛋白质和基因组序列分析的新方法，以及这些方法在微生物生态学研究中的贡献 | NA | 研究深度学习和语言模型在微生物组和宏基因组数据分析中的应用 | 微生物蛋白质和基因组序列 | 自然语言处理 | NA | 大型语言模型（LLMs） | LLMs | 蛋白质和基因组序列 | NA | NA | NA | NA | NA |
| 429 | 2025-01-31 |
LWheatNet: a lightweight convolutional neural network with mixed attention mechanism for wheat seed classification
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1509656
PMID:39866319
|
研究论文 | 本文提出了一种轻量级的卷积神经网络LWheatNet，用于小麦种子分类，结合了混合注意力机制和堆叠的倒置残差卷积网络 | 提出了混合注意力机制，结合了通道注意力和空间注意力，并设计了堆叠的倒置残差网络，使用深度可分离卷积、通道混洗和通道分割技术来减少模型参数和计算量 | 未提及具体局限性 | 提高小麦种子分类的准确性和实时性 | 小麦种子图像 | 计算机视觉 | NA | 深度可分离卷积、通道混洗、通道分割 | CNN | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 430 | 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 |
| 431 | 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 |
| 432 | 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 |
| 433 | 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 |
| 434 | 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 |
| 435 | 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 |
| 436 | 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 |
| 437 | 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 |
| 438 | 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 |
| 439 | 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 |
| 440 | 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 |