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 1296 篇文献，本页显示第 121 - 140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 121 | 2025-10-07 |
Ultralow-Power Single-Sensor-Based E-Nose System Powered by Duty Cycling and Deep Learning for Real-Time Gas Identification
2024-07-26, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.4c00471
PMID:38857120
|
研究论文 | 提出了一种基于单传感器的超低功耗电子鼻系统，通过占空比循环和深度学习实现实时气体识别 | 采用单MOS传感器结合占空比循环技术，替代传统传感器阵列，显著降低功耗和成本；利用传感器超快热响应特性在单个时域内解耦温度与表面电荷交换效应 | 仅测试了五种气体类型，识别时间需30秒 | 开发超低功耗实时气体识别系统 | 五种气体类型 | 机器学习 | NA | 金属氧化物半导体传感器，占空比循环 | CNN | 传感器信号 | NA | NA | 卷积神经网络 | 分类准确率，浓度回归误差 | NA |
| 122 | 2025-10-07 |
ConsensuSV-ONT - a modern method for accurate structural variant calling
2024-Jul-26, bioRxiv : the preprint server for biology
DOI:10.1101/2024.07.26.605267
PMID:39211254
|
研究论文 | 提出了一种基于共识策略的自动化结构变异检测工具ConsensuSV-ONT，用于牛津纳米孔长读长测序数据 | 结合六种先进结构变异检测工具，并采用卷积神经网络进行高质量变异过滤，提供完整的Docker运行环境 | NA | 开发准确可靠的结构变异检测方法，支持下游分析 | 牛津纳米孔长读长测序数据中的结构变异 | 生物信息学 | NA | 牛津纳米孔长读长测序 | CNN | 基因组测序数据 | NA | Nextflow | 卷积神经网络 | NA | Docker容器，并行计算 |
| 123 | 2025-10-07 |
Marker Data Enhancement For Markerless Motion Capture
2024-Jul-17, bioRxiv : the preprint server for biology
DOI:10.1101/2024.07.13.603382
PMID:39071421
|
研究论文 | 开发了一种能够将稀疏关键点转换为密集解剖标记的深度学习模型，以提升无标记运动捕捉的准确性 | 创建了更大更多样化的训练数据集，开发了比OpenCap原始增强器更准确且泛化能力更强的标记增强器 | 论文未明确说明在极端运动或特殊人群中的性能表现 | 提高无标记运动捕捉中人体姿态估计的准确性和泛化能力 | 人体运动数据 | 计算机视觉 | NA | 运动捕捉技术 | 深度学习模型 | 视频,运动捕捉数据 | 1176名受试者，1433小时的关键点和解剖标记数据 | NA | 标记增强器 | 平均误差,最大误差 | NA |
| 124 | 2025-10-07 |
Deep-learning-enabled antibiotic discovery through molecular de-extinction
2024-Jul, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-024-01201-x
PMID:38862735
|
研究论文 | 通过深度学习从灭绝生物蛋白质组中挖掘具有抗菌活性的多肽分子 | 首次将深度学习应用于分子去灭绝领域，从灭绝生物中发掘新型抗生素多肽 | 仅验证了69种预测多肽的实验活性，尚未进行大规模临床验证 | 开发新型抗生素以解决抗生素耐药性问题 | 灭绝生物的蛋白质组多肽序列 | 机器学习 | 细菌感染 | 深度学习预测、多肽合成、实验验证 | 神经网络 | 多肽序列数据 | 10,311,899条多肽序列 | NA | 序列编码器+神经网络集成模型 | 抗菌活性预测准确率 | NA |
| 125 | 2025-05-17 |
Brain Age Analysis and Dementia Classification using Convolutional Neural Networks trained on Diffusion MRI: Tests in Indian and North American Cohorts
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/EMBC53108.2024.10781599
PMID:40039079
|
研究论文 | 该研究探讨了在卷积神经网络（CNN）模型中添加扩散加权MRI（dMRI）作为输入对阿尔茨海默病分类和痴呆严重程度推断的价值，并在印度和北美人群数据集中进行了测试 | 研究了dMRI作为输入对CNN模型性能的提升，并评估了使用3D CycleGAN方法在训练前对成像数据集进行协调的效果 | 研究主要基于特定的数据集（ADNI和NIMHANS），可能在其他人群中的泛化能力有限 | 提升阿尔茨海默病分类和痴呆严重程度推断的准确性 | 印度和北美人群的脑部MRI扫描数据 | 数字病理学 | 阿尔茨海默病 | 扩散加权MRI（dMRI） | CNN, 3D CycleGAN | MRI图像 | ADNI和NIMHANS队列的数据集 | NA | NA | NA | NA |
| 126 | 2025-05-17 |
Advantages of Modeling Photoplethysmography (PPG) Signals using Variational Autoencoders
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/EMBC53108.2024.10782502
PMID:40039209
|
research paper | 本文提出了一种基于变分自编码器（VAE）的PPG信号建模方法，并探讨了其优势和应用 | 提出了一种名为PPG-VAE的模型，能够识别PPG心跳波的局部斜率、去除高频噪声，并生成与现有信号形态匹配的新信号段 | 未提及具体的研究限制 | 探索PPG信号处理的新方法，提高信号分析和合成的能力 | PPG信号 | machine learning | NA | VAE | VAE | signal | NA | NA | NA | NA | NA |
| 127 | 2025-05-17 |
Integrated Multi-Omics and Whole Slide Images for Survival Prediction in Glioblastoma Using Multiple Instance Learning and Co-Attention
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/EMBC53108.2024.10782321
PMID:40039442
|
研究论文 | 本研究旨在通过整合全切片图像和多组学数据，结合生物通路知识，利用多实例学习和共注意力机制，提高胶质母细胞瘤的生存预测准确性 | 首次将多组学数据与全切片图像结合，利用生物通路知识进行整合，并通过多实例学习和共注意力机制提高预测性能 | 研究样本量相对较小（214例患者），且仅使用了TCGA数据库的数据 | 提高胶质母细胞瘤（GBM）患者的生存预测准确性 | 胶质母细胞瘤患者 | 数字病理学 | 胶质母细胞瘤 | RNA测序、拷贝数变异分析、DNA甲基化分析 | 多实例学习和共注意力机制 | 全切片图像和多组学数据 | 214例GBM患者，包括447张全切片图像和多种多组学特征 | NA | NA | NA | NA |
| 128 | 2025-05-17 |
Automatic COVID-19 Detection from Chest X-ray using Deep MobileNet Convolutional Neural Network
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/EMBC53108.2024.10781897
PMID:40039689
|
research paper | 该研究提出了一种基于深度迁移学习MobileNetV2模型的自动检测COVID-19的方法，通过胸部X光片(CXR)进行病毒检测 | 结合预训练的MobileNetV2 CNN模型和SVM分类器，提高了COVID-19检测的准确率，从基线模型的92.28%提升至93.2% | NA | 开发一种自动检测COVID-19的计算工具，以应对全球医疗系统的压力 | 胸部X光片(CXR)数据 | computer vision | lung cancer | deep learning, transfer learning | MobileNetV2, CNN, SVM | image | NA | NA | NA | NA | NA |
| 129 | 2025-05-16 |
Comparing Artificial Intelligence-Based Versus Conventional Endotracheal Tube Monitoring Systems in Clinical Practice
2024-07-24, Studies in health technology and informatics
DOI:10.3233/SHTI240230
PMID:39049336
|
研究论文 | 本研究开发了一种基于深度学习和人工智能的气管插管监测系统，并与传统方法进行了比较评估 | 提出了一种新型的AI监测系统，用于实时检测气管插管移位或脱落，相比传统方法具有更高的及时性和准确性 | 研究尚未完成，实际效果需要通过后续随机交叉实验验证 | 评估AI监测系统在气管插管管理中的有效性，促进医疗护理领域的创新应用 | 气管插管患者 | 医疗人工智能 | NA | 深度学习 | 深度学习模型（未指定具体类型） | 临床监测数据 | NA（研究尚未完成） | NA | NA | NA | NA |
| 130 | 2025-05-16 |
Deep Learning for Predicting Phlebitis in Patients with Intravenous Catheters
2024-07-24, Studies in health technology and informatics
DOI:10.3233/SHTI240231
PMID:39049337
|
research paper | 该研究提出了一种深度学习模型，用于预测外周静脉导管（PIVC）插入患者的静脉炎 | 利用深度学习模型预测静脉炎，并在大规模电子健康记录数据上验证其性能，准确率和AUC均表现优异 | 研究数据仅来自韩国首尔的一家医院，可能缺乏普遍性 | 开发一种有效的工具，用于早期检测静脉炎，以改善患者预后和医疗效率 | 接受外周静脉导管（PIVC）插入的患者 | machine learning | 静脉炎 | 电子健康记录数据分析 | 深度学习模型 | 电子健康记录数据 | 27,532次住院记录和70,293次PIVC事件 | NA | NA | NA | NA |
| 131 | 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 |
| 132 | 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 |
| 133 | 2025-05-12 |
Multi-dataset Collaborative Learning for Liver Tumor Segmentation
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/EMBC53108.2024.10781844
PMID:40031465
|
研究论文 | 提出一种利用外部公开数据集进行MRI肝脏和肿瘤分割的多数据集协作学习方法 | 采用伪标签、非配对图像到图像转换和自集成学习技术，显著提升了肝脏和肿瘤分割的性能 | 依赖于外部数据集的可用性，且未明确说明数据集的规模和多样性 | 提高MRI肝脏和肿瘤自动分割的准确性和鲁棒性 | MRI肝脏和肿瘤图像 | 数字病理 | 肝癌 | 伪标签、非配对图像到图像转换、自集成学习 | nnU-Net | MRI图像 | NA | NA | NA | NA | NA |
| 134 | 2025-05-12 |
EEG-Based Tension Recognition Annotated with Electrodermal Activity
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/EMBC53108.2024.10782145
PMID:40031475
|
research paper | 提出了一种通过整合皮肤电活动（EDA）和脑电图（EEG）数据来精确标注情绪的新方法 | 利用EDA作为情绪唤醒的心理生理标记，为EEG数据提供高唤醒和低唤醒的精确标注 | 现有标注方法通常为整个视频分配统一标签，忽略了观看过程中受试者情绪唤醒的变化 | 提高情绪EEG数据集的标注精确度，增强情绪识别的准确性 | 情绪EEG数据集 | machine learning | NA | electrodermal activity (EDA), EEG | machine learning, deep learning | EEG数据 | 初始训练集中的71.75%数据 | NA | NA | NA | NA |
| 135 | 2025-05-12 |
Channel Stacking: A Rapid Classification Method for Parkinson's Disease Based on EEG Data
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/EMBC53108.2024.10782619
PMID:40031483
|
research paper | 本文介绍了一种名为'通道堆叠'的技术，用于基于脑电图数据准确识别帕金森病 | 提出'通道堆叠'技术，结合多通道信息为模型准备输入信号，使深度学习架构能高效捕获跨通道信息 | NA | 开发一种快速分类方法，用于帕金森病的准确识别 | 帕金森病患者 | machine learning | 帕金森病 | EEG | ResNet18 | EEG信号 | NA | NA | NA | NA | NA |
| 136 | 2025-05-12 |
RTA-Former: Reverse Transformer Attention for Polyp Segmentation
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/EMBC53108.2024.10782181
PMID:40031481
|
研究论文 | 本文提出了一种名为RTA-Former的新型网络，用于提高息肉分割的边缘准确性 | 创新性地在解码器中采用了反向注意力机制与Transformer阶段相结合的方法 | 未提及具体的局限性 | 提高基于Transformer的息肉分割准确性，以改善临床决策和患者结果 | 息肉分割 | 计算机视觉 | 结直肠癌 | 深度学习 | Transformer, RTA-Former | 图像 | 五个息肉分割数据集 | NA | NA | NA | NA |
| 137 | 2025-05-12 |
Automated Basilar Artery Lumen Segmentation for High Resolution in Black Blood MRI
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/EMBC53108.2024.10781514
PMID:40031485
|
研究论文 | 开发了一种自动图像分割技术，用于在基底动脉的黑血MR血管壁图像中检测管腔和壁边界 | 利用Detectron2/Mask RCNN深度学习模型实现基底动脉管腔和壁的自动分割，通过迁移学习有效标记薄血管结构 | 研究数据集较小，仅包含26个MRI扫描 | 开发自动化图像分割技术以评估基底动脉疾病的管腔形状和壁厚 | 基底动脉的管腔和壁 | 数字病理学 | 脑血管疾病 | 黑血MR血管壁成像 | Detectron2/Mask RCNN | MRI图像 | 26个MRI扫描（20个用于训练，6个用于测试），169个基底动脉横截面图像 | NA | NA | NA | NA |
| 138 | 2025-05-12 |
Via Multi-attention Guided UNet for Thyroid Nodule Segmentation of Ultrasound Images
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/EMBC53108.2024.10782780
PMID:40031497
|
research paper | 提出了一种多注意力引导的UNet（MAUNet）用于甲状腺结节超声图像分割 | 引入了多尺度交叉注意力（MSCA）模块和双注意力（DA）模块，减少了结节形状和大小对分割结果的影响 | 未提及具体的数据集大小或多样性限制 | 提高甲状腺结节超声图像分割的准确性 | 甲状腺结节超声图像 | computer vision | thyroid disease | deep learning | UNet with multi-attention modules | ultrasound images | 多中心超声图像，来自17家医院 | NA | NA | NA | NA |
| 139 | 2025-05-12 |
A Method of Cross-Subject Transfer Learning for Ultra Short Time SSVEP Classification
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/EMBC53108.2024.10782593
PMID:40031504
|
研究论文 | 提出了一种名为CSA-GSDANN的新方法，用于超短时间SSVEP分类的跨主体迁移学习 | 结合了全局注意力机制(GAM)和优化的SSVEPNet以及预训练方法CSA，采用领域对抗神经网络(DANN)框架，显著提高了超短时间输入场景下的SSVEP特征提取性能 | 仅在包含12个受试者的IMUT数据集上进行了评估，样本量相对较小 | 提高超短时间(小于0.2秒)SSVEP分类的准确性和信息传输率(ITR) | 稳态视觉诱发电位(SSVEP)和脑机接口(BCIs) | 脑机接口 | NA | 迁移学习，领域对抗神经网络(DANN) | SSVEPNet，约束卷积网络 | 脑电图(EEG)数据 | 12名受试者的IMUT数据集 | NA | NA | NA | NA |
| 140 | 2025-05-12 |
A Multi-branch Attention-based Deep Learning Method for ALS Identification with sMRI Data
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/EMBC53108.2024.10782847
PMID:40031506
|
research paper | 提出一种基于多分支注意力的深度学习方法，用于利用sMRI数据识别肌萎缩侧索硬化症（ALS） | 采用多分支框架提取脊髓各层次的通用特征，并结合注意力模块和多尺度模块，以更关注轴向平面中脊髓的重要区域 | NA | 提高利用脊髓sMRI数据识别ALS的准确性和效率 | 脊髓的结构性磁共振成像（sMRI）数据 | digital pathology | 肌萎缩侧索硬化症（ALS） | sMRI | 多分支注意力深度学习模型 | image | NA | NA | NA | NA | NA |