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 3544 篇文献，本页显示第 1981 - 2000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1981 | 2025-05-04 |
Noninvasive Anemia Detection and Hemoglobin Estimation from Retinal Images Using Deep Learning: A Scalable Solution for Resource-Limited Settings
2025-Jan-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.1.20
PMID:39847377
|
研究论文 | 本研究开发并验证了一种基于深度学习的模型，用于通过眼底图像无创检测贫血、估计血红蛋白水平及识别贫血相关视网膜特征 | 利用深度学习模型（InceptionV3）从眼底图像中无创预测贫血和血红蛋白水平，并识别贫血相关的视网膜血管特征 | 研究样本仅限于南印度40岁及以上人群，可能无法推广到其他年龄组或地区 | 开发一种适用于资源有限环境的无创贫血检测和血红蛋白水平估计方法 | 2265名40岁及以上的参与者 | 数字病理学 | 贫血 | 深度学习 | VGG16, ResNet50, InceptionV3 | 图像 | 2265名参与者 | NA | NA | NA | NA |
| 1982 | 2025-05-04 |
Artificial Intelligence for Optical Coherence Tomography in Glaucoma
2025-Jan-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.1.27
PMID:39854198
|
review | 本文探讨了人工智能（AI）特别是深度学习（DL）与光学相干断层扫描（OCT）在青光眼诊断和管理中的整合应用 | 展示了多种DL模型（如CNN、RNN、GAN、自动编码器和LLM）在OCT图像分析中的创新应用，包括提高图像质量、青光眼诊断和疾病进展监测 | 面临数据可用性、变异性、潜在偏见以及需要广泛验证等挑战 | 探索AI特别是DL模型如何增强OCT在青光眼管理中的诊断能力 | 青光眼患者的光学相干断层扫描（OCT）图像 | digital pathology | glaucoma | optical coherence tomography (OCT) | CNN, RNN, GAN, autoencoders, LLM | image, text | NA | NA | NA | NA | NA |
| 1983 | 2025-05-04 |
Concept-Based Lesion Aware Transformer for Interpretable Retinal Disease Diagnosis
2025-Jan, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3429148
PMID:39012729
|
research paper | 提出了一种基于概念的、可解释的视网膜疾病诊断框架，结合Transformer架构和病灶概念，提升诊断模型的性能和可解释性 | 将视网膜病灶视为概念，利用Transformer架构捕获长距离依赖关系，实现病灶特征的有效识别，并通过交叉注意力机制构建分类器，提供基于人类可理解病灶概念的解释 | 未提及具体的数据集规模限制或模型在特定条件下的性能下降情况 | 提升视网膜疾病诊断模型的性能和可解释性 | 视网膜疾病诊断 | digital pathology | 视网膜疾病 | Transformer架构，交叉注意力机制 | Transformer | image | 四个眼底图像数据集（未提及具体样本数量） | NA | NA | NA | NA |
| 1984 | 2025-05-04 |
Automating egg damage detection for improved quality control in the food industry using deep learning
2025-Jan, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.17553
PMID:39838604
|
研究论文 | 本研究利用深度学习算法自动识别鸡蛋的裂纹和表面损伤，以提高食品行业中的鸡蛋质量控制 | 采用四种不同的CNN模型（GoogLeNet、VGG-19、MobileNet-v2和ResNet-50）进行鸡蛋损伤检测，其中GoogLeNet达到了最高的分类准确率（98.73%） | 研究仅使用了794张鸡蛋图像，样本量相对较小，可能影响模型的泛化能力 | 通过自动识别鸡蛋的物理损伤（如裂纹、断裂或其他表面缺陷）来提高食品行业中的鸡蛋质量控制 | 鸡蛋（包括受损和完好的鸡蛋） | 计算机视觉 | NA | 深度学习 | CNN（包括GoogLeNet、VGG-19、MobileNet-v2和ResNet-50） | 图像 | 794张鸡蛋图像（分为受损和完好两类） | NA | NA | NA | NA |
| 1985 | 2025-05-04 |
Deep Learning-assisted Diagnosis of Extrahepatic Common Bile Duct Obstruction Using MRCP Imaging and Clinical Parameters
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 开发了一种结合MRCP影像和临床参数的深度学习分类模型，以提高肝外胆总管梗阻（EHBDO）的诊断准确性 | 提出了一种多模态深度学习融合模型，整合了MRCP影像特征和临床参数，并应用加权损失函数处理不同特征的重要性差异 | 样本量有限，仅143名患者有MRCP影像数据 | 提高肝外胆总管梗阻（EHBDO）的诊断准确性 | 465名患者（其中143名有MRCP影像） | 数字病理 | 肝外胆总管梗阻 | MRCP成像 | 多模态深度学习融合模型 | 影像和临床数据 | 465名患者（143名有MRCP影像） | NA | NA | NA | NA |
| 1986 | 2025-05-04 |
Construction of a Multi-View Deep Learning Model for the Severity Classification of Acute Pancreatitis
2025-Jan, Discovery medicine
IF:2.0Q3
DOI:10.24976/Discov.Med.202537192.7
PMID:39851225
|
research paper | 该研究构建了一个多视角深度学习模型，用于急性胰腺炎（AP）的严重程度分类 | 结合患者的临床数据和CT影像数据，构建多视角深度学习模型，相比传统单视角评分系统提高了预测准确性 | 模型对中度严重急性胰腺炎的预测准确率相对较低（64.90%） | 开发更准确的急性胰腺炎严重程度预测方法，以辅助临床干预决策 | 新入院的急性胰腺炎患者 | digital pathology | acute pancreatitis | deep learning | DNN, CNN | clinical data, CT images | NA | NA | NA | NA | NA |
| 1987 | 2025-05-04 |
Maize quality detection based on MConv-SwinT high-precision model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0312363
PMID:39854315
|
研究论文 | 本研究提出了一种基于MConv-SwinT高精度模型的玉米质量检测方法，结合机器视觉和深度学习技术，显著提高了检测准确率 | 采用Swin Transformer作为基础模型，结合专门设计的卷积块和注意力层，实现了浅层和深层特征的融合与加权，显著提升了分类性能 | 未提及模型在不同光照条件或不同品种玉米上的泛化能力 | 提高玉米质量检测的准确性和效率，推动智慧农业发展 | 高质量、发霉和破碎的玉米图像 | 计算机视觉 | NA | 机器视觉，深度学习 | MC-Swin Transformer（改进的Swin Transformer模型） | 图像 | 20,152张有效玉米图像 | NA | NA | NA | NA |
| 1988 | 2025-05-04 |
Correction: Pedestrian POSE estimation using multi-branched deep learning pose net
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321410
PMID:40168295
|
correction | 对先前发表的关于使用多分支深度学习姿势网络进行行人姿势估计的文章进行更正 | NA | NA | NA | NA | computer vision | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1989 | 2025-05-04 |
Unmanned aerial vehicle based multi-person detection via deep neural network models
2025, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2025.1582995
PMID:40313416
|
research paper | 该研究开发了一种基于深度学习的系统，用于从无人机拍摄的视频中识别多人行为 | 通过整合不同特征和神经网络模型，提高了识别准确率并保持了鲁棒性，同时具备动态环境适应能力 | 未提及具体局限性 | 提升无人机拍摄视频中多人行为识别的准确性和鲁棒性 | 无人机拍摄的多人行为视频 | computer vision | NA | deep learning, feature extraction | deep neural network | video | MOD20和Okutama-Action数据集 | NA | NA | NA | NA |
| 1990 | 2025-05-04 |
Advanced hybrid deep learning model for enhanced evaluation of osteosarcoma histopathology images
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1555907
PMID:40313555
|
研究论文 | 提出了一种结合CNN和ViT的混合深度学习模型，用于提高骨肉瘤组织病理学图像的诊断准确性 | 首次成功使用TCIA数据集进行四分类（非肿瘤、非存活肿瘤、存活肿瘤和非存活比率），并在骨肉瘤研究中设定了新的基准 | 未提及模型在其他数据集上的泛化能力或临床实际应用的验证 | 提高骨肉瘤的早期和准确检测，以改善患者预后并降低死亡率 | 骨肉瘤（OS）的组织病理学图像 | 数字病理学 | 骨肉瘤 | H&E染色组织病理学图像分析 | CNN和ViT混合模型 | 图像 | 使用Cancer Imaging Archive (TCIA)数据集，具体样本数量未提及 | NA | NA | NA | NA |
| 1991 | 2025-05-04 |
Research advancements in the Use of artificial intelligence for prenatal diagnosis of neural tube defects
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1514447
PMID:40313675
|
review | 本文综述了人工智能在产前神经管缺陷诊断中的应用及其进展 | 展示了AI技术在产前超声影像中早期检测、预测和评估神经管缺陷的高效性，包括CNN和SVM等技术的应用，以及AI与基因组分析的结合 | 未提及具体研究中可能存在的样本偏差或技术局限性 | 探讨AI在产前神经管缺陷诊断中的应用及其效果 | 产前超声影像、遗传数据和孕产妇健康记录 | digital pathology | neural tube defects | prenatal ultrasound imaging, genomic analysis | CNN, SVM, Oct-U-Net, PAICS, logistic regression | image, genetic data, health records | NA | NA | NA | NA | NA |
| 1992 | 2025-05-04 |
Decentralized EEG-based detection of major depressive disorder via transformer architectures and split learning
2025, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2025.1569828
PMID:40313734
|
研究论文 | 该研究通过结合机器学习、深度学习和分割学习的方法，利用EEG信号对重度抑郁症（MDD）患者和健康个体进行分类 | 采用分割学习框架解决数据隐私和计算资源问题，结合Transformer和随机森林模型实现高精度分类 | 研究仅在三台客户端上实施分割学习框架，可能限制了模型的泛化能力 | 开发一种可靠、自动化的重度抑郁症检测方法 | 重度抑郁症患者和健康个体的EEG信号 | 机器学习 | 重度抑郁症 | EEG信号分析 | Transformer, Random Forest, Support Vector Machine, Gradient Boosting, Autoencoders | EEG信号 | NA | NA | NA | NA | NA |
| 1993 | 2025-05-04 |
Primer on machine learning applications in brain immunology
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1554010
PMID:40313869
|
综述 | 本文回顾了单细胞和空间技术在脑免疫学中的应用，以及机器学习方法在数据分析中的进展 | 探讨了机器学习特别是深度学习方法如自编码器和图神经网络在单细胞组学数据分析中的新应用 | 主要面向湿实验室生物学家，可能缺乏对计算方法的深入技术细节 | 总结单细胞组学在脑免疫学研究中的最新进展及其与人工智能的结合 | 脑免疫学中的单细胞和空间组学数据 | 机器学习 | 脑恶性肿瘤和神经退行性疾病 | 单细胞组学和空间组学技术 | 自编码器、图神经网络 | 单细胞和空间组学数据 | NA | NA | NA | NA | NA |
| 1994 | 2025-05-04 |
Radiomics-driven neuro-fuzzy framework for rule generation to enhance explainability in MRI-based brain tumor segmentation
2025, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2025.1550432
PMID:40313917
|
研究论文 | 提出了一种结合3D U-Net和放射组学特征的混合AI框架，用于MRI脑肿瘤分割并生成可解释的决策规则 | 将深度学习模型与自适应神经模糊推理系统(ANFIS)相结合，提高了模型的可解释性 | 实验仅限于小规模的高影响力放射组学特征集 | 提高MRI脑肿瘤分割的可解释性以促进临床应用 | 脑肿瘤MRI图像 | 数字病理学 | 脑肿瘤 | MRI, 放射组学特征提取 | 3D U-Net, ANFIS | MRI图像 | BraTS2020数据集 | NA | NA | NA | NA |
| 1995 | 2025-05-03 |
Hybrid data augmentation strategies for robust deep learning classification of corneal topographic maptopographic map
2025-Jan-30, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/adabea
PMID:39832385
|
research paper | 本研究探讨了不同数据增强策略对定制卷积神经网络模型在角膜地形图分类中性能的影响，并提出了一种混合数据增强方法 | 提出了一种结合传统变换、生成对抗网络和特定生成模型的混合数据增强方法，显著提高了模型准确率并缓解了过拟合问题 | 未提及具体的数据集规模和多样性限制 | 提高角膜地形图分类的深度学习模型性能 | 角膜地形图 | digital pathology | NA | generative adversarial networks, specific generative models | CNN | image | NA | NA | NA | NA | NA |
| 1996 | 2025-05-03 |
GMmorph: dynamic spatial matching registration model for 3D medical image based on gated Mamba
2025-Jan-29, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adaacd
PMID:39813811
|
研究论文 | 提出了一种基于门控Mamba的动态空间匹配配准模型GMmorph，用于3D医学图像的非线性对齐 | 从空间匹配的角度提出了一种双分支交互配准模型架构，引入了动态匹配模块和门控mamba层，以平衡高精度和低折叠率 | 未提及模型在处理极端异常组织时的表现 | 克服深度学习配准方法在复杂位移和全局局部特征交互方面的不足，提高配准精度和鲁棒性 | 单模态和多模态医学图像（包括正常脑部、脑肿瘤和肺部图像） | 数字病理 | 脑肿瘤、肺部疾病 | 深度学习 | GMmorph（基于门控Mamba的双分支模型） | 3D医学图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 1997 | 2025-05-03 |
PPDock: Pocket Prediction-Based Protein-Ligand Blind Docking
2025-Jan-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01373
PMID:39814581
|
研究论文 | 提出了一种基于口袋预测的蛋白质-配体盲对接方法PPDock，通过两阶段对接范式显著提高了对接准确性和效率 | 采用两阶段对接范式（口袋预测后进行基于口袋的对接），克服了传统方法难以识别正确口袋的问题 | 未明确说明方法在超大规模蛋白质复合体上的适用性 | 提升蛋白质-配体盲对接的准确性和效率以促进药物发现 | 蛋白质结合位点（口袋）与配体的对接构象 | 计算生物学 | NA | 深度学习 | PPDock（新型盲对接架构） | 蛋白质结构数据 | 基准测试数据集（未明确数量） | NA | NA | NA | NA |
| 1998 | 2025-05-03 |
ds-FCRN: three-dimensional dual-stream fully convolutional residual networks and transformer-based global-local feature learning for brain age prediction
2025-Jan-18, Brain structure & function
IF:2.7Q3
DOI:10.1007/s00429-024-02889-y
PMID:39826018
|
研究论文 | 本研究开发了一种结合3D双流全卷积残差网络和Transformer的深度学习模型，用于基于灰质密度图的脑年龄预测 | 提出创新的3D双流全卷积残差网络(ds-FCRN)结合Transformer的全局-局部特征学习范式，并使用Shapley值解释不同脑区对预测精度的影响 | 研究仅基于健康参与者数据，未考虑疾病状态对脑年龄预测的影响 | 开发具有高预测准确性和可解释性的脑年龄预测深度学习模型 | 来自UKB数据库的16,377名45-82岁健康参与者的灰质密度图 | 数字病理学 | 老年疾病 | T1 MRI | 3D ds-FCRN + Transformer | 医学影像 | 16,377名健康参与者(训练集) + 3,276名健康参与者(测试集) | NA | NA | NA | NA |
| 1999 | 2025-05-03 |
Explainable Predictive Model for Suicidal Ideation During COVID-19: Social Media Discourse Study
2025-Jan-17, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/65434
PMID:39823631
|
研究论文 | 该研究利用自然语言处理技术分析社交媒体文本，开发可解释的自杀意念预测模型 | 提出混合深度学习网络架构(BERT+CNN+LSTM)并结合可解释AI技术分析COVID-19期间自杀意念特征变化 | 研究样本中自杀相关帖子比例较低(0.9%)，可能影响模型泛化能力 | 检测COVID-19疫情期间社交媒体中表现的自杀意念并分析其影响因素 | 社交媒体用户发布的文本内容 | 自然语言处理 | 心理健康疾病 | TF-IDF, Word2vec, BERT, LIME, SHAP | BERT+CNN+LSTM混合模型 | 文本 | 从348,110条记录中筛选3,154条(1,338条自杀相关，1,816条非自杀相关) | NA | NA | NA | NA |
| 2000 | 2025-05-03 |
Preparing physiotherapists for the future: the development and evaluation of an innovative curriculum
2025-Jan-17, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-024-06537-1
PMID:39825299
|
研究论文 | 本研究评估了荷兰HAN应用科学大学物理治疗系设计的创新课程PACE的实施情况 | PACE课程采用基于预设学习成果、个性化学习目标、灵活学习路径和程序化评估的综合学习方法，区别于传统教育 | 需要改进自主学习支持和促进深度学习的教学策略 | 评估创新课程PACE的实施效果，为未来课程开发提供信息 | 2021-2022年度的本科物理治疗学生和参与该课程的教师 | 教育创新 | NA | 混合方法设计，包括问卷、焦点小组、深度访谈和全国进度测试 | NA | 问卷数据、访谈数据和测试成绩 | 82名一年级学生和36名教师 | NA | NA | NA | NA |