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 1266 篇文献，本页显示第 321 - 340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 321 | 2025-01-31 |
Artificial Intelligence Transforming Post-Translational Modification Research
2024-Dec-31, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010026
PMID:39851300
|
综述 | 本文探讨了人工智能（AI）在研究蛋白质翻译后修饰（PTMs）中的应用 | 本文创新性地比较了多种深度学习架构和程序，包括最近应用的语言模型，用于预测蛋白质上的PTM位点及其调控功能，并描述了一个高通量PTM数据生成管道 | 本文未提及具体的研究局限性 | 探索人工智能在蛋白质翻译后修饰研究中的应用 | 蛋白质翻译后修饰（PTMs） | 生物信息学 | NA | 深度学习 | 语言模型 | 蛋白质数据 | NA | NA | NA | NA | NA |
| 322 | 2025-01-31 |
Exploring Multi-Pathology Brain Segmentation: From Volume-Based to Component-Based Deep Learning Analysis
2024-Dec-31, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11010006
PMID:39852319
|
研究论文 | 本文探讨了使用深度学习模型对多病理脑部MRI图像进行分割的方法，从基于体积的分析到基于组件的分析 | 本文创新性地对预训练的U-net模型在四种不同脑部病理（肿瘤、中风、多发性硬化症和白质高信号）上的分割结果进行了深入分析，并提供了异常组件的位置、强度和体积的详细评估 | 模型在检测和分割异常组件时存在较高的假阳性和假阴性率，尤其是在异常组件的部分正确检测方面表现不佳 | 研究目的是通过深度学习模型对多病理脑部MRI图像进行分割，并评估其在不同病理条件下的表现 | 研究对象为包含四种不同病理（肿瘤、中风、多发性硬化症和白质高信号）的脑部MRI图像 | 数字病理 | 脑部疾病 | MRI | U-net | 图像 | 验证集中的脑部MRI图像 | NA | NA | NA | NA |
| 323 | 2025-01-31 |
Cells Grouping Detection and Confusing Labels Correction on Cervical Pathology Images
2024-Dec-30, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010023
PMID:39851297
|
研究论文 | 本文提出了一种基于先验知识收集和混淆标签校正的宫颈细胞检测网络PGCC-Net，旨在通过细胞分组检测和标签校正提高宫颈病理图像的自动分析效率和准确性 | 利用临床先验知识将检测任务分解为多个子任务进行细胞分组检测，并通过构建特征中心进行标签校正，以提高深度学习网络的分类准确性 | 未提及具体局限性 | 提高宫颈病理图像中细胞检测和分类的效率和准确性 | 宫颈病理图像中的细胞 | 数字病理学 | 宫颈癌 | 深度学习 | PGCC-Net | 图像 | 公共数据集7410张图像，私有数据集13526张图像 | NA | NA | NA | NA |
| 324 | 2025-01-31 |
External Validation of Deep Learning Models for Classifying Etiology of Retinal Hemorrhage Using Diverse Fundus Photography Datasets
2024-Dec-29, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010020
PMID:39851294
|
研究论文 | 本研究旨在通过外部验证深度学习模型（FastVit_SA12和ResNet18）来区分视网膜出血的创伤性和医学性病因，使用多样化的眼底摄影数据集 | 首次在多样化的眼底摄影数据集上对FastVit_SA12和ResNet18模型进行外部验证，展示了它们在临床环境中准确诊断视网膜出血的潜力 | 研究依赖于特定数据集，可能无法完全代表所有临床情况 | 验证深度学习模型在区分视网膜出血病因中的准确性和可靠性 | 视网膜出血的病因分类 | 计算机视觉 | 视网膜疾病 | 深度学习 | FastVit_SA12, ResNet18 | 图像 | 2661张眼底摄影图像 | NA | NA | NA | NA |
| 325 | 2025-01-31 |
Artificial Intelligence in Pediatric Electrocardiography: A Comprehensive Review
2024-Dec-27, Children (Basel, Switzerland)
DOI:10.3390/children12010025
PMID:39857856
|
综述 | 本文综述了人工智能在儿科心电图分析中的应用现状，探讨了深度学习方法在提高诊断准确性、加快工作流程和改善患者预后方面的潜力 | 首次全面回顾了人工智能在儿科心电图分析中的应用，并探讨了该领域的独特挑战和未来研究方向 | 尽管人工智能在心电图分析中显示出巨大潜力，但其广泛临床应用仍需进一步研究、严格验证，并考虑公平性、伦理、法律和实际挑战 | 探讨人工智能在儿科心电图分析中的应用，以提高诊断准确性和患者预后 | 儿科心电图数据 | 医疗人工智能 | 心血管疾病 | 深度学习 | NA | 心电图数据 | NA | NA | NA | NA | NA |
| 326 | 2025-01-31 |
HDNLS: Hybrid Deep-Learning and Non-Linear Least Squares-Based Method for Fast Multi-Component T1ρ Mapping in the Knee Joint
2024-Dec-25, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010008
PMID:39851282
|
研究论文 | 本文提出了一种结合深度学习和非线性最小二乘法的混合模型HDNLS，用于膝关节的快速多组分T1ρ映射 | HDNLS模型结合了基于合成数据训练的体素级深度学习和少量NLS迭代，加速了拟合过程，并消除了对参考MRI数据的需求 | HDNLS在估计质量上显著优于基于深度学习的方法，但在速度上略慢于这些方法 | 解决非线性最小二乘法在定量磁共振成像中的初始猜测敏感性、收敛速度慢和计算成本高的问题，同时克服基于深度学习的T1ρ拟合方法对噪声敏感和依赖NLS生成参考数据的挑战 | 膝关节的多组分T1ρ映射 | 医学影像分析 | NA | 定量磁共振成像（MRI） | HDNLS（混合深度学习与非线性最小二乘法模型） | 合成数据 | NA | NA | NA | NA | NA |
| 327 | 2025-01-31 |
Neoplasms in the Nasal Cavity Identified and Tracked with an Artificial Intelligence-Assisted Nasal Endoscopic Diagnostic System
2024-Dec-25, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010010
PMID:39851283
|
研究论文 | 本研究构建了一个人工智能辅助的鼻内窥镜诊断系统，能够初步区分和识别鼻腔肿瘤特性，并在手术中进行实时跟踪，为鼻内窥镜手术提供重要依据 | 首次结合Deep Snake、U-Net和Att-Res2-UNet网络开发了基于内窥镜图像的鼻腔肿瘤检测网络，并优化了SiamMask在线跟踪算法，实现了术中实时自动跟踪 | 模型的总体准确率略低于鼻科专家（0.9790 ± 0.00348 vs 0.9707 ± 0.00984） | 构建一个能够初步识别鼻腔肿瘤并在手术中实时跟踪的人工智能辅助鼻内窥镜诊断系统 | 鼻腔肿瘤 | 计算机视觉 | 鼻腔肿瘤 | 深度学习 | Deep Snake, U-Net, Att-Res2-UNet, SiamMask | 视频数据 | 1050例鼻内窥镜手术视频数据，涉及四种类型的鼻腔肿瘤 | NA | NA | NA | NA |
| 328 | 2025-01-31 |
Automatic Aortic Valve Extraction Using Deep Learning with Contrast-Enhanced Cardiac CT Images
2024-Dec-25, Journal of cardiovascular development and disease
IF:2.4Q2
DOI:10.3390/jcdd12010003
PMID:39852281
|
研究论文 | 本研究评估了使用深度学习技术从对比增强心脏CT图像中自动提取和描绘主动脉瓣环区域的效果 | 比较了分割和对象检测两种方法在主动脉瓣环区域提取中的准确性，发现对象检测方法表现更优 | 数据集规模较小，仅包含32个对比增强心脏CT扫描 | 评估深度学习技术在心脏CT图像中自动提取主动脉瓣环区域的准确性 | 对比增强心脏CT图像 | 计算机视觉 | 心血管疾病 | 深度学习 | DeepLabv3+, YOLOv2 | 图像 | 32个对比增强心脏CT扫描 | NA | NA | NA | NA |
| 329 | 2025-01-31 |
Dynamic Neural Network States During Social and Non-Social Cueing in Virtual Reality Working Memory Tasks: A Leading Eigenvector Dynamics Analysis Approach
2024-Dec-24, Brain sciences
IF:2.7Q3
DOI:10.3390/brainsci15010004
PMID:39851372
|
研究论文 | 本研究探讨了在虚拟现实环境中，社交和非社交刺激对大脑连接模式的影响，特别是对工作记忆等认知功能的影响 | 创新性地将LEiDA框架应用于EEG数据，以检测大脑网络状态的快速变化，并结合深度学习和图论分析揭示社交线索对认知过程的显著影响 | 样本量相对较小（47名参与者），且仅限于虚拟现实环境中的工作记忆任务 | 研究社交和非社交刺激对大脑连接模式和认知功能的影响 | 47名参与者在虚拟现实环境中的大脑连接模式 | 认知神经科学 | NA | LEiDA框架、EEG、深度学习、图论分析 | 深度学习 | EEG数据 | 47名参与者 | NA | NA | NA | NA |
| 330 | 2025-01-31 |
The Neural Frontier of Future Medical Imaging: A Review of Deep Learning for Brain Tumor Detection
2024-Dec-24, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11010002
PMID:39852315
|
综述 | 本文综述了深度学习在脑肿瘤检测中的应用，总结了近五年的研究成果，探讨了特征提取、分割和分类的最新方法和挑战 | 填补了深度学习在脑肿瘤检测领域综合评述的空白，分析了100多篇研究论文，总结了关键概念、挑战和数据集，并提出了未来研究方向 | 可解释人工智能（XAI）的应用仍然有限，尽管其在建立医疗诊断信任方面的重要性 | 探讨深度学习在脑肿瘤检测中的应用，总结最新方法、挑战和未来方向 | 脑肿瘤检测 | 医学影像 | 脑肿瘤 | 深度学习 | CNN, GAN, Autoencoders, RNN | MRI图像 | 100多篇研究论文 | NA | NA | NA | NA |
| 331 | 2025-10-07 |
Bridging healthcare gaps: a scoping review on the role of artificial intelligence, deep learning, and large language models in alleviating problems in medical deserts
2024-Dec-23, Postgraduate medical journal
IF:3.6Q1
DOI:10.1093/postmj/qgae122
PMID:39323384
|
综述 | 探讨人工智能、深度学习和大语言模型在解决医疗荒漠地区医疗资源不足问题中的作用 | 首次系统评估大语言模型在医疗荒漠中整合电子医疗和医疗物联网的潜力 | 定性叙述性综述，缺乏定量分析和实证研究数据 | 研究AI技术如何改善医疗荒漠地区的医疗服务可及性和质量 | 医疗荒漠地区的医疗服务体系 | 自然语言处理 | NA | AI技术，大语言模型 | LLM | 文本 | NA | NA | NA | NA | NA |
| 332 | 2025-01-31 |
Mapping the Use of Artificial Intelligence-Based Image Analysis for Clinical Decision-Making in Dentistry: A Scoping Review
2024-Dec, Clinical and experimental dental research
IF:1.7Q3
DOI:10.1002/cre2.70035
PMID:39600121
|
综述 | 本文通过范围综述探讨了人工智能在牙科临床决策中图像分析的应用，并识别了当前文献中的趋势和研究空白 | 系统地综述了人工智能在牙科图像分析中的应用，特别是在诊断、检测或分类、预测和管理等方面的临床决策支持 | 综述主要基于现有文献，可能未涵盖所有最新研究进展 | 研究人工智能在牙科图像分析中的应用及其对临床决策的影响 | 牙科图像，包括正颌全景片（OPGs）和口内X光片（咬翼片和根尖片） | 计算机视觉 | NA | 卷积神经网络（CNNs） | CNN | 图像 | 601,122张图像 | NA | NA | NA | NA |
| 333 | 2025-10-07 |
Generalizable deep learning approach for 3D particle imaging using holographic microscopy (HM)
2024-Dec-30, Optics express
IF:3.2Q2
DOI:10.1364/OE.535207
PMID:39876127
|
研究论文 | 提出一种基于深度学习的通用化三维粒子成像方法，用于全息显微镜分析 | 利用人类对粒子衍射图案纵向变化的感知特性开发深度学习架构，实现了处理速度数量级提升和高度通用化的三维粒子分析 | 仅使用简单粒子的少量合成和真实全息图进行训练 | 开发通用化的三维粒子成像分析方法 | 全息显微镜中的粒子 | 计算机视觉 | NA | 全息显微镜 | 深度学习 | 全息图像 | 少量合成和真实全息图 | NA | NA | 处理速度，通用性 | NA |
| 334 | 2025-10-07 |
Qualitative identification of passive Fourier transform infrared spectra via an attention mechanism based deep learning approach
2024-Dec-30, Optics express
IF:3.2Q2
DOI:10.1364/OE.543450
PMID:39876146
|
研究论文 | 提出一种基于注意力机制的深度学习模型，用于被动傅里叶变换红外光谱的定性识别 | 首次将Transformer自注意力神经网络与协同注意力机制结合用于气体识别，实现联合特征学习与融合 | 未明确说明模型在极端弱信号条件下的性能极限 | 提高被动傅里叶变换红外光谱在复杂背景干扰下的气体识别精度 | 空气中的化学污染物气体 | 机器学习 | NA | 被动傅里叶变换红外光谱 | Transformer | 光谱数据 | NA | NA | Transformer, 协同注意力机制 | NA | NA |
| 335 | 2025-10-07 |
Mobile-friendly under-sampling single-pixel imaging based on a lightweight hybrid CNN-ViT architecture
2024-Dec-30, Optics express
IF:3.2Q2
DOI:10.1364/OE.546375
PMID:39876166
|
研究论文 | 提出一种基于轻量级CNN-ViT混合架构的移动友好型欠采样单像素成像方法 | 提出移动ViT模块降低传统ViT计算成本，并结合CNN设计轻量级混合模型，同时提出适用于深度学习SPI的通用差分三元调制模式方案 | NA | 开发适用于移动设备的单像素成像重建方法 | 单像素成像系统 | 计算机视觉 | NA | 单像素成像 | CNN, ViT | 图像 | NA | NA | CNN-ViT混合架构 | 成像质量, 内存消耗, 计算负担 | 移动设备 |
| 336 | 2025-10-07 |
Three-stage training strategy phase unwrapping method for high speckle noises
2024-Dec-30, Optics express
IF:3.2Q2
DOI:10.1364/OE.544968
PMID:39876182
|
研究论文 | 提出一种三阶段多任务相位展开方法，用于高散斑噪声条件下的相位恢复 | 提出三阶段训练策略和基于卷积的多尺度空间注意力模块，有效降低空间不一致噪声的干扰 | 仅使用模拟数据进行测试，未在真实实验数据上验证 | 提高高噪声条件下相位展开的测量精度 | 含噪声的包裹相位数据 | 计算机视觉 | NA | 相位展开技术 | CNN | 相位图像数据 | 不同噪声水平的模拟数据 | NA | UNet, DeepLabV3+ | 噪声鲁棒性, 相位恢复精度 | NA |
| 337 | 2025-10-07 |
OAM-basis underwater single-pixel imaging based on deep learning at a low sampling rate
2024-Dec-30, Optics express
IF:3.2Q2
DOI:10.1364/OE.543358
PMID:39876191
|
研究论文 | 提出一种基于轨道角动量基和深度学习的低采样率水下单像素成像方法 | 首次将轨道角动量基采样方案与双注意力残差U-Net生成对抗网络相结合用于水下单像素成像 | NA | 解决水下环境中低采样率和高浊度条件下的成像挑战 | 水下目标图像 | 计算机视觉 | NA | 单像素成像 | GAN | 图像 | NA | NA | 双注意力残差U-Net生成对抗网络(DARU-GAN) | NA | NA |
| 338 | 2025-10-07 |
A Deep Learning Framework for Automated Classification and Archiving of Orthodontic Diagnostic Documents
2024-Dec, Cureus
DOI:10.7759/cureus.76530
PMID:39877794
|
研究论文 | 提出基于卷积神经网络的深度学习框架，用于自动化正畸诊断图像的分类和归档 | 采用带有注意力模块的顺序分类方法，结合Grad-CAM可视化验证模型对临床相关特征的关注 | 研究仅聚焦于图像分类任务，尚未实现完整的诊断和治疗规划自动化 | 开发AI驱动的自动化正畸诊断图像分类和归档系统 | 正畸诊断图像 | 计算机视觉 | 口腔正畸 | 深度学习 | CNN | 图像 | 61,842张训练图像和13,729张外部验证图像，来自三家牙科诊所，涵盖13个类别 | NA | ResNet50, InceptionV3, 带注意力模块的自定义模型 | 准确率 | NA |
| 339 | 2025-01-28 |
Artificial Intelligence in Fetal and Pediatric Echocardiography
2024-Dec-25, Children (Basel, Switzerland)
DOI:10.3390/children12010014
PMID:39857845
|
综述 | 本文综述了人工智能在胎儿和儿科超声心动图中的应用、挑战和未来方向 | 探讨了人工智能在自动化图像采集、图像分割、先天性心脏病检测和测量方面的潜力 | 数据集数量少、算法透明度、医生对AI的接受度以及可访问性等问题仍需解决 | 研究人工智能在胎儿和儿科超声心动图中的应用 | 胎儿和儿科患者 | 医学影像 | 先天性心脏病 | 机器学习和深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 340 | 2025-01-29 |
A simple 2D multibody model to better quantify the movement quality of anterior cruciate ligament patients during single leg hop
2024-Dec, Acta orthopaedica Belgica
IF:0.5Q4
DOI:10.52628/90.4.12600
PMID:39869863
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |