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 441 - 460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 441 | 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 |
| 442 | 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 |
| 443 | 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 |
| 444 | 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 |
| 445 | 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 |
| 446 | 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 |
| 447 | 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 |
| 448 | 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 |
| 449 | 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 |
| 450 | 2025-01-25 |
A fast monocular 6D pose estimation method for textureless objects based on perceptual hashing and template matching
2024, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2024.1424036
PMID:39845569
|
研究论文 | 本文提出了一种基于感知哈希和模板匹配的快速单目6D姿态估计方法，适用于无纹理物体 | 提出了一种新的感知哈希方法用于二值图像，实现了快速且鲁棒的姿态估计，并自动预选模板子集以减少推理时间 | 在绝对精度上不如最先进的深度学习模型，但在精度和处理时间之间提供了更有利的权衡 | 开发一种在资源受限设备上高效运行的6D姿态估计方法，以降低硬件成本和功耗 | 无纹理物体 | 计算机视觉 | NA | 感知哈希和模板匹配 | NA | 图像 | 合成生成的数据集和一个公开可用的数据集 | NA | NA | NA | NA |
| 451 | 2025-01-25 |
Quantitative immunohistochemistry analysis of breast Ki67 based on artificial intelligence
2024, Open life sciences
IF:1.7Q3
DOI:10.1515/biol-2022-1013
PMID:39845722
|
研究论文 | 本文提出了一种基于深度学习的乳腺癌Ki67定量分析方法，旨在提高诊断效率和准确性 | 采用深度学习技术对乳腺癌Ki67进行定量分析，显著提高了诊断效率和一致性 | 未提及方法在其他类型癌症或更大样本中的适用性 | 开发一种高效的乳腺癌Ki67定量分析系统，以辅助病理诊断 | 乳腺癌病理图像中的Ki67表达 | 数字病理学 | 乳腺癌 | 深度学习 | CNN | 图像 | 未明确提及具体样本数量，但提到在临床独立样本实验中进行了验证 | NA | NA | NA | NA |
| 452 | 2025-01-25 |
Transformer-based model for predicting length of stay in intensive care unit in sepsis patients
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1473533
PMID:39845825
|
研究论文 | 本研究开发了一种基于Transformer的深度学习模型，用于预测脓毒症患者在重症监护病房（ICU）的住院时间 | 利用Transformer模型结合全局和局部输入数据分析，通过分类和特征标记，基于序贯器官衰竭评估（SOFA）标准进行预测 | 研究仅基于单一医院的521名患者数据，可能缺乏广泛代表性 | 优化ICU资源分配，减少医疗费用 | 脓毒症患者 | 机器学习 | 脓毒症 | 深度学习 | Transformer | 医疗数据 | 521名患者 | NA | NA | NA | NA |
| 453 | 2025-01-25 |
Transforming Healthcare: Artificial Intelligence (AI) Applications in Medical Imaging and Drug Response Prediction
2024, Genome integrity
DOI:10.14293/genint.15.1.002
PMID:39845982
|
评论 | 本文讨论了人工智能在医学影像和药物反应预测中的应用及其面临的挑战 | 探讨了人工智能在医学影像诊断和药物反应预测中的潜在应用，并强调了数据泛化和模型可解释性的重要性 | 未提供具体实验数据或案例研究，主要基于理论讨论 | 探讨人工智能在医学领域的应用潜力及实施挑战 | 医学影像和药物反应预测 | 机器学习 | NA | 机器学习和深度学习 | NA | 医学影像和药物反应数据 | NA | NA | NA | NA | NA |
| 454 | 2025-01-25 |
Retraction Note: COVID-CheXNet: hybrid deep learning framework for identifying COVID-19 virus in chest X-rays images
2024, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-024-09992-6
PMID:39847664
|
retraction | 本文撤回了关于使用混合深度学习框架识别胸部X光图像中COVID-19病毒的文章 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 455 | 2025-01-25 |
Retraction Note: Performance evaluation of deep learning techniques for lung cancer prediction
2024, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-024-10107-4
PMID:39847665
|
retraction | 本文是对先前发表的关于深度学习技术在肺癌预测中性能评估的文章的撤稿声明 | NA | NA | NA | NA | NA | lung cancer | NA | NA | NA | NA | NA | NA | NA | NA |
| 456 | 2025-01-25 |
Retraction Note: Early diagnosis of COVID-19-affected patients based on X-ray and computed tomography images using deep learning algorithm
2024, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-024-09993-5
PMID:39847670
|
撤回声明 | 本文是对先前发表的关于使用深度学习算法基于X光和CT图像早期诊断COVID-19患者的文章的撤回声明 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 457 | 2025-10-07 |
Utilization of Artificial Intelligence for the automated recognition of fine arts
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0312739
PMID:39585839
|
研究论文 | 本文提出了一种基于人工智能和深度学习的自动化美术作品识别方法 | 将先进特征提取技术与定制化CNN架构相结合，显著提升了美术作品分类的准确性和效率 | NA | 提升自动化美术作品识别的性能 | 美术作品 | 计算机视觉 | NA | 深度学习，特征提取技术 | CNN | 图像 | 基准数据集 | NA | 定制化CNN架构 | 准确率 | NA |
| 458 | 2025-10-07 |
Integrating deep learning in public health: a novel approach to PICC-RVT risk assessment
2024, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2024.1445425
PMID:39839389
|
研究论文 | 本研究评估了七种机器学习算法在预测经外周置入中心静脉导管相关静脉血栓风险中的表现，并识别了关键预测因素 | 首次将时间序列数据整合到PICC-RVT风险评估中，比较了深度学习和传统机器学习模型的性能 | 回顾性多中心研究设计，可能存在选择偏倚 | 评估机器学习算法在PICC-RVT风险评估中的有效性并识别关键预测因素 | 接受PICC置管的5,272名患者 | 机器学习 | 静脉血栓 | 机器学习 | 深度学习, 传统机器学习 | 时间序列数据，包括人口统计学、临床病理学和治疗数据 | 5,272名患者 | NA | DeepSurv, Cox-Time | 一致性指数, Brier评分, 组内相关系数 | NA |
| 459 | 2025-01-24 |
Deep learning captures the effect of epistasis in multifactorial diseases
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1479717
PMID:39839630
|
研究论文 | 本研究探讨了非线性和深度学习模型在预测多因素疾病风险中的应用，特别是考虑基因上位效应的影响 | 首次系统地比较了线性回归模型与非线性机器学习模型（包括深度学习）在模拟和真实遗传数据中捕捉基因上位效应的能力 | 研究主要基于模拟数据和特定疾病类型的真实数据，可能无法推广到所有多因素疾病 | 探索非线性和深度学习模型在预测多因素疾病风险中的有效性，特别是考虑基因上位效应 | 模拟数据和真实遗传数据，涉及肥胖、1型糖尿病和银屑病等疾病 | 机器学习 | 多因素疾病（如阿尔茨海默病、糖尿病、心血管疾病、癌症等） | GAMETES模拟数据生成，PyTOXO包生成渗透表 | 多层感知器（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、Lasso回归、随机森林、梯度提升模型 | 遗传数据 | 模拟数据和真实遗传数据，具体样本数量未明确 | NA | NA | NA | NA |
| 460 | 2025-01-24 |
AI predicting recurrence in non-muscle-invasive bladder cancer: systematic review with study strengths and weaknesses
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1509362
PMID:39839785
|
综述 | 本文系统回顾了基于机器学习的非肌层浸润性膀胱癌（NMIBC）复发预测框架，分析了其统计稳健性和算法效能 | 通过多模态数据集和多种机器学习模型（如神经网络、深度学习、随机森林）的结合，显著提高了预测准确性，并探讨了增强模型解释性的方法（如SHAP） | 由于数据集较小，模型的泛化能力有限，且高级模型的“黑箱”性质仍是一个挑战 | 提高非肌层浸润性膀胱癌（NMIBC）复发的预测精度，推动AI在肿瘤学中的应用 | 非肌层浸润性膀胱癌（NMIBC）患者 | 机器学习 | 膀胱癌 | 机器学习（ML）和人工智能（AI） | 神经网络、深度学习、随机森林、支持向量机 | 放射组学、临床、组织病理学、基因组数据 | NA | NA | NA | NA | NA |