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 12022 篇文献，本页显示第 1661 - 1680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1661 | 2025-10-07 |
Discriminative analysis of schizophrenia patients using an integrated model combining 3D CNN with 2D CNN: A multimodal MR image and connectomics analysis
2024-01, Brain research bulletin
IF:3.5Q2
|
研究论文 | 提出结合3D CNN和2D CNN的集成模型，利用多模态MRI数据对精神分裂症患者进行分类分析 | 首次将3D CNN与2D CNN集成模型应用于多模态MRI数据融合特征的精神分裂症鉴别分析，并引入SE-blocks和SVM分类器 | 样本量相对有限（140名患者和205名正常对照），未在独立数据集上进行验证 | 开发基于多模态MRI数据的深度学习模型以改进精神分裂症患者的分类诊断 | 精神分裂症患者和正常对照组的脑部多模态MRI数据 | 医学影像分析 | 精神分裂症 | 结构MRI，静息态功能MRI，结构连接性分析，功能连接性分析 | 3D CNN, 2D CNN, SVM | 3D医学图像，2D连接矩阵 | 140名精神分裂症患者和205名正常对照组 | NA | 集成3D CNN和2D CNN架构，包含SE-blocks | 准确率，灵敏度，特异性，AUC，F1分数 | NA |
| 1662 | 2025-10-07 |
State-of-the-Art Deep Learning CT Reconstruction Algorithms in Abdominal Imaging
2024-12, Radiographics : a review publication of the Radiological Society of North America, Inc
IF:5.2Q1
DOI:10.1148/rg.240095
PMID:39612283
|
综述 | 探讨深度学习重建算法在腹部CT成像中的技术原理、临床应用及发展前景 | 系统梳理了能够替代传统滤波反投影或迭代重建的深度学习CT重建算法，在低辐射剂量下保持图像纹理和诊断性能 | 文中提到会概述当前DLR算法的局限性，但未在摘要中具体说明 | 研究深度学习重建算法在腹部CT成像中的应用价值和技术发展 | 腹部CT图像 | 医学影像 | 腹部疾病 | CT成像 | 深度神经网络 | CT图像 | NA | NA | NA | 图像质量、诊断性能、重建速度 | NA |
| 1663 | 2025-10-07 |
Periapical lesion detection in periapical radiographs using the latest convolutional neural network ConvNeXt and its integrated models
2024-10-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-75748-9
PMID:39455655
|
研究论文 | 提出一种结合Yolov5和ConvNeXt的深度学习集成模型YoCNET，用于根尖片中牙齿自动分割和多颗牙齿根尖病变的同步检测 | 首次将目标检测模型Yolov5与图像分类模型ConvNeXt集成，克服单一分类模型无法同时识别多个病变目标的限制 | 数据集排除了乳牙，且仅使用1305张根尖片进行训练验证 | 开发能够自动分割牙齿并同时检测多颗牙齿根尖病变的深度学习模型 | 根尖片中的牙齿和根尖病变 | 计算机视觉 | 牙科疾病 | 放射影像分析 | CNN, 集成模型 | 图像 | 1305张根尖片用于训练验证，717张单个牙齿图像用于集成模型验证 | PyTorch | Yolov5, ConvNeXt, ResNet34 | 准确率, 精确率, 灵敏度, F1分数, AUC, 混淆矩阵 | NA |
| 1664 | 2025-10-07 |
Computer Vision Identification of Trachomatous Inflammation-Follicular Using Deep Learning
2024-Sep-20, Cornea
IF:1.9Q2
DOI:10.1097/ICO.0000000000003701
PMID:39312712
|
研究论文 | 本研究开发了一种基于深度学习的计算机视觉系统，用于自动识别沙眼性炎症-滤泡（TF） | 首次将MobileNetV3大型深度卷积神经网络应用于沙眼筛查，实现了接近人类专家水平的TF分类性能 | 需要在不同TF患病率的多样化人群中进行进一步验证才能大规模实施 | 开发机器学习模型以降低沙眼调查成本并提高可靠性 | 0-9岁儿童的睑结膜照片 | 计算机视觉 | 沙眼 | 深度学习 | CNN | 图像 | 11,358名儿童的56,725张睑结膜照片 | NA | MobileNetV3 large | AUC, F1分数, 准确率, 灵敏度, 特异性 | NA |
| 1665 | 2024-09-25 |
Construction of Risk Prediction Model of Type 2 Diabetic Kidney Disease Based on Deep Learning (Diabetes Metab J 2024;48:771-9)
2024-09, Diabetes & metabolism journal
IF:6.8Q1
DOI:10.4093/dmj.2024.0490
PMID:39313234
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1666 | 2025-10-07 |
Examining the Role of Passive Design Indicators in Energy Burden Reduction: Insights from a Machine Learning and Deep Learning Approach
2024-Feb-15, Building and environment
IF:7.1Q1
DOI:10.1016/j.buildenv.2023.111126
PMID:39155966
|
研究论文 | 本研究结合深度学习和机器学习方法，分析被动设计特征与住宅建筑能源负担之间的关系 | 首次将基于计算机视觉的深度学习与机器学习技术相结合，利用街景图像自动识别被动设计指标 | 研究仅限于芝加哥大都市区，被动设计特征数据仍然有限 | 探索被动设计特征在降低能源负担中的作用，为可持续城市建设提供依据 | 芝加哥大都市区的住宅建筑 | 计算机视觉, 机器学习 | NA | 计算机视觉, 街景图像分析 | CNN, 决策树回归, 随机森林回归, 支持向量回归 | 图像, 人口统计数据 | 芝加哥大都市区的Google街景图像 | NA | 卷积神经网络 | 准确率 | NA |
| 1667 | 2025-10-07 |
Deep learning of sleep apnea-hypopnea events for accurate classification of obstructive sleep apnea and determination of clinical severity
2024-02, Sleep medicine
IF:3.8Q1
DOI:10.1016/j.sleep.2024.01.015
PMID:38232604
|
研究论文 | 本研究开发了一种基于多模态信号和深度学习的睡眠呼吸暂停-低通气事件自动检测系统，用于阻塞性睡眠呼吸暂停的筛查和严重程度分类 | 结合鼻呼吸流、血氧饱和度和心电图信号特征，并整合人口统计学数据，使用Xception网络提升睡眠呼吸事件的检测精度 | 在低通气事件为主的参与者中分类错误率较高 | 改进睡眠呼吸暂停-低通气事件的自动检测和阻塞性睡眠呼吸暂停严重程度筛查 | 多导睡眠监测期间采集的生理信号数据和人口统计学数据 | 医疗人工智能 | 阻塞性睡眠呼吸暂停 | 多导睡眠监测 | 深度学习 | 生理信号数据（呼吸流、血氧饱和度、心电图）和人口统计学数据 | NA | NA | Xception | 准确率, AUC | NA |
| 1668 | 2025-10-07 |
Sleep, physical activity and panic attacks: A two-year prospective cohort study using smartwatches, deep learning and an explainable artificial intelligence model
2024-02, Sleep medicine
IF:3.8Q1
DOI:10.1016/j.sleep.2023.12.013
PMID:38154150
|
研究论文 | 本研究通过智能手表监测、深度学习和可解释AI模型，探索睡眠与体力活动对惊恐发作的预测作用 | 首次结合可穿戴设备数据与深度学习模型（RNN/LSTM/GRU）进行惊恐发作的7天预测，并采用SHAP模型提供临床可解释性 | 样本量适中且依赖自评问卷 | 预测未来一周的惊恐发作、状态焦虑、特质焦虑和惊恐障碍严重程度 | 114名来自综合医院的惊恐障碍患者 | 机器学习 | 惊恐障碍 | 智能手表监测、深度学习、可解释人工智能 | RNN, LSTM, GRU | 睡眠数据、体力活动数据、心率数据、临床问卷数据 | 114名患者（2020年6月16日至2022年6月10日） | NA | RNN, LSTM, GRU | 准确率 | NA |
| 1669 | 2024-10-02 |
Deep learning sharpens vistas on biodiversity mapping
2024-Oct-08, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2416358121
PMID:39348547
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1670 | 2025-04-01 |
A Deep Learning-based Pipeline for Segmenting the Cerebral Cortex Laminar Structure in Histology Images
2024-Oct, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-024-09688-0
PMID:39417954
|
研究论文 | 本文提出了一种基于深度学习的流程，用于在组织学图像中分割大脑皮层的层状结构 | 开发了一种新颖的计算框架，结合AI工具获取皮层标签，并使用深度学习模型进行皮层分层分割，相比现有方法在分割质量上有显著提升 | 仅针对普通狨猴的Nissl染色和髓鞘染色切片图像进行研究，未在其他物种或染色方法上验证 | 理解大脑皮层层状结构的解剖学特征及其连接模式，为神经系统疾病研究提供见解 | 普通狨猴大脑的Nissl染色和髓鞘染色切片图像 | 数字病理学 | 神经系统疾病 | 深度学习 | 深度学习模型（未明确具体类型） | 图像 | 普通狨猴大脑切片图像（具体数量未说明） | NA | NA | NA | NA |
| 1671 | 2024-08-07 |
Comment on 'Deep learning-assisted detection and segmentation of intracranial hemorrhage in noncontrast computed tomography scans of acute stroke patients: a systematic review and meta-analysis'
2024-Sep-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000001718
PMID:38814316
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1672 | 2025-10-07 |
Automated segmentation of the median nerve in patients with carpal tunnel syndrome
2024-07-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-65840-5
PMID:39033223
|
研究论文 | 本研究开发了一种基于U-Net的自动分割算法，用于识别腕管综合征患者的正中神经并测量其横截面积 | 首次使用U-Net网络对正中神经在完整远端前臂行程中进行自动分割和测量 | 样本量较小（仅25例患者和26例健康对照），需要更大规模验证 | 开发自动分割正中神经的算法以辅助腕管综合征诊断 | 腕管综合征患者和健康对照者的正中神经超声图像 | 医学影像分析 | 腕管综合征 | 超声成像 | CNN | 图像 | 25例腕管综合征患者和26例健康对照，共2355张手动分割图像 | NA | U-Net | Dice系数, 面积测量差异百分比 | NA |
| 1673 | 2025-10-07 |
VesselBoost: A Python Toolbox for Small Blood Vessel Segmentation in Human Magnetic Resonance Angiography Data
2024-May-22, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.22.595251
PMID:38826408
|
研究论文 | 开发了一个名为VesselBoost的Python工具箱，用于在人类磁共振血管造影数据中进行小血管分割 | 结合深度学习与不完美训练标签进行血管分割，并采用创新的数据增强技术利用血管结构相似性 | NA | 实现高分辨率MRA数据中小血管的精确分割 | 人类大脑磁共振血管造影数据中的小血管 | 医学图像分析 | 脑血管疾病 | 磁共振血管造影(MRA) | 深度学习 | 医学图像 | NA | Python | NA | NA | NA |
| 1674 | 2025-10-07 |
Areas of interest and sentiment analysis towards second generation antipsychotics, lithium and mood stabilizing anticonvulsants: Unsupervised analysis using Twitter
2024-04-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.01.234
PMID:38290587
|
研究论文 | 通过分析Twitter上关于第二代抗精神病药物、锂盐和情绪稳定抗惊厥药物的推文，探索用户关注点和情感态度 | 首次利用无监督分析方法对15年间近90万条相关推文进行情感分析和主题挖掘 | 推文长度限制可能影响讨论深度分析，药物广泛治疗用途使特定疾病讨论难以分离，仅分析英语和西班牙语推文限制了文化广度 | 了解患者和公众对精神疾病治疗药物的态度和认知 | Twitter上关于第二代抗精神病药物、锂盐和情绪稳定抗惊厥药物的推文 | 自然语言处理 | 精神疾病 | 机器学习，深度学习，自然语言处理 | NA | 文本 | 893,289条推文（2008-2022年） | NA | NA | NA | NA |
| 1675 | 2025-10-07 |
Larger hypothalamic subfield volumes in patients with chronic insomnia disorder and relationships to levels of corticotropin-releasing hormone
2024-04-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.02.023
PMID:38341156
|
研究论文 | 本研究通过深度学习自动分割工具探究慢性失眠障碍患者下丘脑亚区体积变化及其与促肾上腺皮质激素释放激素水平的关系 | 首次使用先进深度学习工具在体量化分析慢性失眠患者下丘脑亚区体积变化，并揭示前下丘脑肥大在CRH水平与失眠严重程度关系中的中介作用 | 样本量相对有限，横断面研究设计无法确定因果关系 | 探究慢性失眠障碍患者下丘脑亚区体积变化及其与HPA轴生物标志物的关联 | 150名慢性失眠障碍患者和155名人口学匹配的健康对照 | 医学影像分析 | 睡眠障碍 | T1加权结构磁共振成像 | 深度学习 | MRI图像 | 305名参与者（150名患者+155名健康对照） | FreeSurfer | 基于深度学习的自动分割工具 | NA | NA |
| 1676 | 2025-10-07 |
Research and application of deep learning-based sleep staging: Data, modeling, validation, and clinical practice
2024-04, Sleep medicine reviews
IF:11.2Q1
DOI:10.1016/j.smrv.2024.101897
PMID:38306788
|
综述 | 全面回顾基于深度学习的睡眠分期方法及其临床应用 | 系统梳理深度学习在睡眠分期领域的数据处理、建模流程和临床应用，重点关注大规模数据集、跨学科合作和人机交互等前沿方向 | 未提出新的具体模型或算法，主要进行系统性综述和分析 | 提升睡眠分期的效率和准确性，推动自动化睡眠分期系统在临床实践和日常生活中的应用 | 睡眠分期相关数据和方法 | 机器学习 | 睡眠障碍 | 深度学习 | NA | 生理信号数据 | NA | NA | NA | 准确率等性能指标 | NA |
| 1677 | 2025-03-30 |
STMGraph: spatial-context-aware of transcriptomes via a dual-remasked dynamic graph attention model
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae685
PMID:39764614
|
研究论文 | 介绍了一种名为STMGraph的双重掩蔽动态图注意力模型，用于空间转录组数据的全局上下文感知分析 | 提出了一种结合双重掩蔽机制(MASK-REMASK)与动态图注意力模型(DGAT)的新型深度学习框架，能够更好地处理空间转录组数据 | 未明确提及具体局限性 | 提高空间转录组数据分析的准确性和鲁棒性，实现微环境异质性检测、空间域聚类和批次效应校正 | 空间转录组数据 | 生物信息学 | NA | 空间转录组技术 | 动态图注意力模型(DGAT) | 空间转录组数据 | 未明确提及具体样本量 | NA | NA | NA | NA |
| 1678 | 2025-10-07 |
Artificial intelligence-based assessment of built environment from Google Street View and coronary artery disease prevalence
2024-May-07, European heart journal
IF:37.6Q1
DOI:10.1093/eurheartj/ehae158
PMID:38544295
|
研究论文 | 本研究使用深度学习分析谷歌街景图像评估建成环境，并探究其与冠状动脉疾病患病率的关联 | 首次将机器视觉与深度学习技术应用于建成环境评估，并建立其与心血管疾病的定量关联 | 横断面研究设计无法确定因果关系，仅涵盖美国七个城市的789个人口普查区 | 研究基于机器视觉的建成环境与心血管代谢疾病患病率之间的关联 | 美国七个城市的789个人口普查区及其居民 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN | 图像 | 53万张谷歌街景图像，覆盖789个人口普查区 | NA | 卷积神经网络 | 方差解释率 | NA |
| 1679 | 2025-03-30 |
Robustness of ML-Based Seizure Prediction Using Noisy EEG Data From Limited Channels
2024 Apr-May, ... International Conference on Distributed Computing in Sensor Systems and workshops. DCOSS (Conference)
|
研究论文 | 本文研究了基于机器学习的癫痫发作预测模型在噪声EEG数据和有限通道条件下的鲁棒性 | 评估了DL模型在临床级EEG数据训练但消费级可穿戴EEG头戴设备数据测试时的表现，特别是在通道减少、流数据和类别不平衡情况下的鲁棒性 | 研究仅针对SPERTL模型进行评估，可能不适用于其他DL模型 | 提高癫痫发作预测模型在真实世界条件下的准确性和适用性 | 癫痫患者的EEG数据 | 机器学习 | 癫痫 | EEG | DL(SPERTL模型) | EEG信号数据 | NA | NA | NA | NA | NA |
| 1680 | 2025-10-07 |
DARDN: A Deep-Learning Approach for CTCF Binding Sequence Classification and Oncogenic Regulatory Feature Discovery
2024-01-23, Genes
IF:2.8Q2
DOI:10.3390/genes15020144
PMID:38397134
|
研究论文 | 提出一种名为DARDN的深度学习方法，用于CTCF结合序列分类和致癌调控特征发现 | 开发结合CNN和DeepLIFT的可解释深度学习模型，能够从长DNA序列中识别癌症特异性CTCF结合位点 | 未明确说明模型对长DNA序列处理的特定限制 | 识别与癌症特异性CTCF结合相关的DNA序列特征，发现致癌转录因子 | CTCF结合位点的DNA序列，涵盖T-ALL、AML、BRCA、CRC、LUAD和PRAD等多种癌症类型 | 生物信息学 | 多癌种（包括白血病、乳腺癌、结直肠癌、肺癌、前列腺癌等） | 高通量测序数据 | CNN | DNA序列 | NA | NA | DNAResDualNet (DARDN) | 分类准确性、序列特征识别能力 | NA |