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 12390 篇文献，本页显示第 2741 - 2760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2741 | 2025-05-16 |
ASPTF: A computational tool to predict abiotic stress-responsive transcription factors in plants by employing machine learning algorithms
2024-06, Biochimica et biophysica acta. General subjects
DOI:10.1016/j.bbagen.2024.130597
PMID:38490467
|
研究论文 | 开发了一个名为ASPTF的计算工具，通过机器学习算法预测植物中响应非生物胁迫的转录因子 | 结合了浅层学习和深度学习算法，并采用特征选择技术提高预测准确性 | 未提及模型在跨物种应用中的泛化能力 | 识别与植物非生物胁迫响应相关的转录因子，以培育抗逆作物品种 | 植物转录因子 | 机器学习 | NA | 机器学习算法（包括浅层学习和深度学习） | LGBM（Light-Gradient Boosting Machine） | 序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 2742 | 2025-05-16 |
Protocol for assessing neighborhood physical disorder using the YOLOv8 deep learning model
2024-03-15, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2023.102778
PMID:38104313
|
研究论文 | 提出了一种使用YOLOv8深度学习模型定量评估邻里物理紊乱(PD)的协议 | 利用YOLOv8深度学习模型构建检测模型，为不同国家和地区评估PD提供方法学基础 | 未提及具体样本量或数据收集范围 | 开发定量评估邻里物理紊乱(PD)的方法 | 邻里物理紊乱(PD) | 计算机视觉 | NA | YOLOv8深度学习模型 | YOLOv8 | 街景图像 | NA | NA | NA | NA | NA |
| 2743 | 2025-05-15 |
Regional, rural and remote medicine attracts students with a similar approach to learning in both the Northern and Southern hemisphere
2024-12, International journal of circumpolar health
IF:1.3Q4
DOI:10.1080/22423982.2024.2404274
PMID:39285655
|
研究论文 | 本研究比较了南北半球两个医学项目中学生的学习目标取向和学习特征，以探讨适合农村医疗环境的学生特质 | 首次在跨半球背景下比较农村医学项目学生的学习特征和目标取向 | 样本仅来自两个医学项目，可能无法代表所有农村医学学生 | 探讨适合农村医疗环境的学生学习特征和目标取向 | 263名医学学生（分别来自南北半球的两个医学项目） | 医学教育 | NA | 问卷调查（三种调查工具） | NA | 问卷调查数据 | 263名医学学生 | NA | NA | NA | NA |
| 2744 | 2025-05-15 |
Using Deep Learning to Suggest Treatment for Proximal Humerus Fractures
2024-11-22, Studies in health technology and informatics
DOI:10.3233/SHTI241080
PMID:39575796
|
research paper | 该研究开发了一个基于深度学习的模型，用于根据肱骨近端骨折的放射影像预测治疗类型 | 利用深度学习模型预测肱骨近端骨折的治疗类型，其准确性和观察者间可靠性超过了肩部外科医生的判断 | 模型仅在特定测试数据集上进行了验证，可能需要更多样化的数据以提高泛化能力 | 开发一个治疗决策支持系统，以加快急诊科对肱骨近端骨折的治疗决策 | 肱骨近端骨折患者 | digital pathology | 骨折 | 深度学习 | NA | image | NA | NA | NA | NA | NA |
| 2745 | 2025-05-15 |
TA-RNN: an attention-based time-aware recurrent neural network architecture for electronic health records
2024-06-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae264
PMID:38940180
|
研究论文 | 提出了一种基于注意力机制的时间感知循环神经网络架构TA-RNN，用于电子健康记录分析 | 提出了两种可解释的深度学习架构TA-RNN和TA-RNN-AE，通过时间嵌入处理临床访问间隔不规则问题，并采用双级注意力机制提高模型可解释性 | 模型性能仅在特定疾病(阿尔茨海默病)和特定数据集上验证 | 开发可解释的深度学习模型来预测患者临床结果 | 电子健康记录(EHR)数据 | 机器学习 | 阿尔茨海默病 | 深度学习 | RNN, TA-RNN, TA-RNN-AE | 电子健康记录 | ADNI和NACC数据集(阿尔茨海默病)，MIMIC-III数据集(死亡率预测) | NA | NA | NA | NA |
| 2746 | 2025-10-07 |
Histopathology Based AI Model Predicts Anti-Angiogenic Therapy Response in Renal Cancer Clinical Trial
2024-May-28, ArXiv
PMID:38855551
|
研究论文 | 开发基于组织病理学切片的深度学习模型预测肾癌抗血管生成治疗反应 | 首次使用深度学习从常规组织病理学切片预测RNA水平的血管生成评分，并生成可视化血管网络提高模型可解释性 | 需要多个独立队列验证模型泛化能力，肿瘤异质性可能影响预测准确性 | 预测转移性透明细胞肾细胞癌对抗血管生成治疗的反应 | 转移性透明细胞肾细胞癌患者 | 数字病理学 | 肾癌 | 组织病理学，RNA测序 | 深度学习 | 组织病理学图像 | 多个独立队列包括IMmotion150临床试验数据集 | NA | NA | Spearman相关系数，c-index | NA |
| 2747 | 2025-10-07 |
Deep learning assisted single particle tracking for automated correlation between diffusion and function
2024-Feb-02, Research square
DOI:10.21203/rs.3.rs-3716053/v1
PMID:38352328
|
研究论文 | 提出DeepSPT深度学习框架，用于自动分析细胞内颗粒的扩散行为与功能关联 | 首个能够仅通过扩散行为自动提取亚细胞功能信息的深度学习框架 | NA | 开发自动化工具来关联亚细胞颗粒扩散行为与生物学功能 | 病毒感染的早期事件、内体细胞器、网格蛋白包被小窝和囊泡 | 计算机视觉 | 病毒感染 | 光学显微镜，单颗粒追踪 | 深度学习 | 2D/3D时间序列图像 | NA | NA | NA | 准确率 | NA |
| 2748 | 2025-10-07 |
Monitoring Substance Use with Fitbit Biosignals: A Case Study on Training Deep Learning Models Using Ecological Momentary Assessments and Passive Sensing
2024-Dec, AI (Basel, Switzerland)
DOI:10.3390/ai5040131
PMID:40351335
|
研究论文 | 通过Fitbit生物信号监测物质使用行为，探索使用自监督学习增强的个性化CNN模型在物质使用检测中的可行性 | 采用参与者特定的卷积神经网络结合自监督学习来解决个体间数据异质性问题，在有限标签条件下改进个性化特征提取 | 样本量较小（仅9名参与者），限制了研究结果在不同人群中的普适性 | 开发基于可穿戴设备生物信号的物质使用检测数字健康解决方案 | 物质使用障碍患者 | 机器学习 | 物质使用障碍 | 被动传感，生态瞬时评估 | CNN | 生物信号数据 | 9名参与者 | NA | 1D-CNN | AUC, 敏感度, 特异度 | NA |
| 2749 | 2025-10-07 |
Early Multimodal Data Integration for Data-Driven Medical Research - A Scoping Review
2024-08-30, Studies in health technology and informatics
DOI:10.3233/SHTI240837
PMID:39234706
|
综述 | 本文通过范围综述分析了2019-2024年间21篇关于早期多模态数据整合方法的文献 | 将早期多模态数据整合方法分为四类并总结了各类特征，提出了方法选择的关键考量因素 | 仅关注结构整合方法，未系统比较早期与晚期整合方法 | 探索数据驱动医学研究中早期多模态数据整合方法的应用现状 | 21篇关于早期多模态数据整合方法的综述文献 | 机器学习 | NA | 多模态数据整合 | 深度学习 | 多模态医学数据 | 21篇综述文献 | NA | NA | NA | NA |
| 2750 | 2025-10-07 |
Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification
2024-Jun-23, ArXiv
PMID:39398214
|
研究论文 | 开发用于腹水自动分割和体积量化的深度学习模型 | 首次提出基于深度学习的腹水自动分割和体积量化方法，并在多中心数据上验证其性能 | 回顾性研究，数据来源于特定患者群体（肝硬化和卵巢癌患者） | 评估深度学习模型在检测腹水并量化其体积方面的性能 | 肝硬化腹水患者和卵巢癌患者 | 医学影像分析 | 肝硬化和卵巢癌 | CT扫描 | 深度学习分割模型 | 腹部盆腔CT图像 | 训练集：143名女性患者（TCGA卵巢癌数据集）；测试集：NIH-LC（25例）、NIH-OV（166例）、UofW-LC（124例） | NA | NA | Dice系数, 体积估计误差, 决定系数(r²) | NA |
| 2751 | 2025-10-07 |
DEEP IMAGE PRIOR WITH STRUCTURED SPARSITY (DISCUS) FOR DYNAMIC MRI RECONSTRUCTION
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635579
PMID:40352104
|
研究论文 | 提出一种基于结构化稀疏深度图像先验的自监督动态MRI重建方法DISCUS | 在深度图像先验基础上引入帧特定代码向量的组稀疏约束，无需预先指定流形维度即可发现描述时间变化的低维流形 | 未提及方法在大规模临床数据上的验证结果 | 解决动态MRI中高质量训练数据不足时的图像重建问题 | 动态MRI图像序列 | 医学影像处理 | 心血管疾病 | 动态MRI，晚期钆增强(LGE) | 深度学习 | 医学影像 | 5例患者的回顾性欠采样单次激发LGE数据 | NA | 深度图像先验(DIP) | NA | NA |
| 2752 | 2025-10-07 |
Lossless compression-based detection of osteoporosis using bone X-ray imaging
2024, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.3233/XST-230238
PMID:38393881
|
研究论文 | 提出一种基于深度学习和无损压缩的骨质疏松检测方法，通过骨X射线图像区分骨质疏松患者与健康个体 | 通过分离感兴趣区域和非感兴趣区域减少数据冗余，并增强空间和统计特征 | NA | 改进基于骨X射线图像的骨质疏松诊断方法 | 骨质疏松患者和健康个体的骨X射线图像 | 计算机视觉 | 骨质疏松症 | X射线成像 | SVM | 图像 | NA | NA | NA | AUC | NA |
| 2753 | 2025-10-07 |
[Coronary artery segmentation based on Transformer and convolutional neural networks dual parallel branch encoder neural network]
2024-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202403058
PMID:40000209
|
研究论文 | 提出一种结合Transformer和CNN的双并行编码器神经网络DUNETR，用于冠状动脉CTA图像分割 | 首次将Transformer和CNN作为双并行编码器集成到分割网络中，通过NRFF模块融合全局和局部特征 | NA | 提高冠状动脉CTA图像分割的准确性和效率 | 冠状动脉CTA图像 | 计算机视觉 | 心血管疾病 | 计算机断层扫描血管成像(CTA) | CNN, Transformer | 三维医学图像 | NA | NA | U-Net, Transformer, DUNETR | Dice相似系数, 召回率 | NA |
| 2754 | 2025-10-07 |
Thoracic Aortic Three-Dimensional Geometry
2024-Oct-31, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.09.593413
PMID:38798566
|
研究论文 | 开发了一种基于深度学习的全自动方法，用于量化胸主动脉的三维几何结构参数 | 首次在大规模人群中全面表征胸主动脉的三维几何结构，并开发了全自动的主动脉几何表型提取方法 | 研究主要基于两个生物银行的数据，可能受到数据来源的限制 | 量化胸主动脉的三维几何结构，研究主动脉结构与心血管健康的关系 | 英国生物银行54,241名参与者和宾夕法尼亚医学生物银行8,456名参与者的影像扫描数据 | 医学影像分析 | 心血管疾病 | 医学影像分割，形态学图像处理 | 深度学习架构 | 医学影像扫描数据 | 英国生物银行54,241人，宾夕法尼亚医学生物银行8,456人 | NA | NA | NA | NA |
| 2755 | 2025-10-07 |
Leveraging Large Language Models for Knowledge-free Weak Supervision in Clinical Natural Language Processing
2024-Jun-28, Research square
DOI:10.21203/rs.3.rs-4559971/v1
PMID:38978609
|
研究论文 | 提出一种利用大语言模型进行无领域知识弱监督的方法，用于临床自然语言处理任务 | 通过微调LLM生成弱标注数据训练下游BERT模型，在几乎无需领域知识的情况下实现优越性能 | LLM推理计算量较大 | 解决临床自然语言处理中标注数据稀缺的问题 | 临床文本数据 | 自然语言处理 | NA | 弱监督学习, 上下文学习 | LLM, BERT | 文本 | 三个n2c2数据集，不超过10-50个黄金标注病历 | NA | Llama2-13B, PubMedBERT, BERT | F1分数 | NA |
| 2756 | 2025-10-07 |
Improved stent sharpness evaluation with super-resolution deep learning reconstruction in coronary CT angiography
2024-Jun-18, The British journal of radiology
DOI:10.1093/bjr/tqae094
PMID:38733576
|
研究论文 | 评估超分辨率深度学习重建在冠状动脉CT血管造影中对图像质量和支架锐度的改善效果 | 首次将超分辨率深度学习重建技术应用于冠状动脉CT血管造影，显著提升支架锐度评估 | 回顾性研究，样本量有限（66例患者），单中心数据 | 比较不同图像重建算法对冠状动脉CT血管造影图像质量和支架锐度的影响 | 冠状动脉CT血管造影图像和冠状动脉支架 | 医学影像分析 | 心血管疾病 | 冠状动脉CT血管造影 | 深度学习 | 医学影像 | 66例冠状动脉CT血管造影患者 | NA | 超分辨率深度学习重建 | 图像噪声, 信噪比, 对比噪声比, 边缘上升斜率, 边缘上升距离, 5分制定性评分 | NA |
| 2757 | 2025-05-13 |
Leverage Weakly Annotation to Pixel-wise Annotation via Zero-shot Segment Anything Model for Molecular-empowered Learning
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3006577
PMID:40343078
|
research paper | 该研究探讨了利用零样本学习的Segment Anything Model（SAM）从弱标注生成像素级标注，以降低病理图像分割的标注成本 | 提出SAM辅助的分子赋能学习（SAM-L），仅需弱框标注即可训练分割模型，减少非专业标注者的工作量 | 未明确说明SAM在不同细胞类型上的泛化能力及对IF图像依赖程度的影响 | 开发无需像素级标注的病理图像分割方法 | 高分辨率千兆像素全切片图像（WSI）中的多类细胞 | digital pathology | NA | immunofluorescence（IF）成像，零样本学习 | Segment Anything Model（SAM） | 病理图像 | NA | NA | NA | NA | NA |
| 2758 | 2025-05-13 |
High-performance Data Management for Whole Slide Image Analysis in Digital Pathology
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3006273
PMID:40343079
|
研究论文 | 本文介绍了一种针对数字病理学中全切片图像分析的高性能数据管理方法，使用ADIOS2系统优化数据访问和处理 | 首次在数字病理学领域应用ADIOS2系统，并开发了针对性的数据管理流程，显著提升了数据处理效率 | 仅针对特定两种场景(CPU和GPU)进行了性能评估，未涵盖更多可能的计算环境 | 解决数字病理学中全切片图像分析时的数据输入输出瓶颈问题 | 全切片图像(WSI)的数据管理流程 | 数字病理学 | NA | ADIOS2数据管理系统 | NA | 图像 | NA | NA | NA | NA | NA |
| 2759 | 2025-05-12 |
EEG Emotion Recognition Based on 3D-CTransNet
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782401
PMID:40031451
|
research paper | 提出了一种基于3D-CTransNet的EEG情绪识别方法，用于解决传统CNN-LSTM混合结构在长序列信号识别中的性能下降问题 | 采用混合CNN-Transformer结构（3D-CTransNet），引入自注意力机制和平行模式，提高了识别精度和处理速度 | 未提及具体局限性 | 改进脑机接口深度学习模型，提升EEG信号中复杂特征的识别能力 | EEG信号 | 脑机接口 | NA | EEG信号处理 | CNN-Transformer混合结构（3D-CTransNet） | 3D数据 | 公共数据集DEAP | NA | NA | NA | NA |
| 2760 | 2025-05-12 |
An Attention-Based Hybrid Deep Learning Approach for Patient-Specific, Cross-Patient, and Patient-Independent Seizure Detection
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782346
PMID:40031456
|
研究论文 | 提出了一种基于注意力机制的混合深度学习方法，用于患者特异性、跨患者和患者独立的癫痫发作检测 | 结合1D CNN、MLSTM和多注意力层（MAT）的混合深度学习框架，能够同时提取空间和时间特征，并进行特征融合 | 方法在临床应用中可能面临新患者数据适应性的挑战 | 开发一种适用于不同患者群体的自动癫痫发作检测方法 | 癫痫患者的EEG数据 | 机器学习 | 癫痫 | EEG信号分析 | 1D CNN, MLSTM, 多注意力层（MAT） | EEG信号数据 | CHB-MIT EEG数据集 | NA | NA | NA | NA |