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 3708 篇文献，本页显示第 2121 - 2140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2121 | 2025-10-07 |
Multi-classification Deep Learning Approach for Diagnosing Stroke Type and Severity Using Multimodal Magnetic Resonance Images
2025, Journal of medical signals and sensors
DOI:10.4103/jmss.jmss_37_24
PMID:40351777
|
研究论文 | 本研究开发了一种基于多模态磁共振图像和卷积神经网络的深度学习方法来诊断卒中类型和严重程度 | 提出了两种改进模型ACL-ResNet-50和ACL-MobileNetV1，通过增强层结构提升性能，并同时处理卒中类型分类和严重程度预测 | 样本量相对较小（143例患者），仅使用NIHSS评分评估严重程度 | 开发辅助卒中治疗决策的自动诊断工具 | 卒中患者（85例缺血性卒中，58例出血性卒中） | 计算机视觉 | 卒中 | 磁共振成像（扩散加权成像，表观扩散系数） | CNN | 医学图像 | 143例患者 | TensorFlow, PyTorch, Keras | ResNet-50, MobileNetV1, ACL-ResNet-50, ACL-MobileNetV1 | 准确率, 敏感度, 特异度, AUC | NA |
| 2122 | 2025-10-07 |
Telemedicine in China: Effective indicators of telemedicine platforms for promoting health and well-being among healthcare consumers
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251341163
PMID:40351848
|
研究论文 | 本研究通过结合Servqual质量评估模型与CNN-BiLSTM深度学习模型，识别影响中国远程医疗平台服务质量的关键因素 | 提出结合Servqual质量评估模型与注意力机制增强的CNN-BiLSTM深度学习模型的新方法 | NA | 识别影响中国远程医疗平台服务质量的关键因素，促进患者福祉并为行业利益相关者提供循证服务创新依据 | 远程医疗平台用户 | 自然语言处理 | NA | 情感分析 | CNN, BiLSTM | 文本 | 25,499条有效在线评论 | NA | CNN-BiLSTM with attention mechanism | 情感分类准确率 | NA |
| 2123 | 2025-10-07 |
TongueNet: a multi-modal fusion and multi-label classification model for traditional Chinese Medicine tongue diagnosis
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1527751
PMID:40352152
|
研究论文 | 提出一种融合舌象图像与文本特征的多模态深度学习模型TongueNet，用于中医舌诊的多标签分类 | 采用分层聚合网络和特征空间投影模块进行多模态特征融合，引入EMA多尺度注意力机制和KAN网络替代传统MLP优化特征表示 | 数据稀缺问题仍然存在，模型在更广泛临床场景中的泛化能力有待验证 | 解决中医舌诊中数据稀缺和多模态诊断模型缺乏的问题，提升疾病性质和部位分类的准确性 | 舌象图像及其对应的疾病性质和部位多标签信息 | 计算机视觉 | 中医诊断相关疾病 | 多模态深度学习 | 深度学习 | 图像, 文本 | 整合Roboflow平台的三个公开舌象数据集，由多位专家进行多模态标注 | NA | 分层聚合网络(HAN), 特征空间投影模块, 多尺度注意力机制(EMA), Kolmogorov-Arnold网络(KAN) | 准确率, AUC | 模型参数量32.1M，显著降低计算资源需求 |
| 2124 | 2025-10-07 |
A deep learning pipeline for morphological and viability assessment of 3D cancer cell spheroids
2025, Biology methods & protocols
IF:2.5Q3
DOI:10.1093/biomethods/bpaf030
PMID:40352793
|
研究论文 | 提出一种用于3D癌细胞球体形态学和活力评估的深度学习流程 | 开发可扩展的两阶段深度学习流程，整合分割与分析任务，解决现有方法缺乏集成工作流程的问题 | 未明确说明样本规模和数据来源的具体限制 | 实现3D癌细胞球体的高通量形态特征分析和细胞活力评估 | 3D癌细胞球体模型 | 计算机视觉 | 癌症 | 显微镜成像 | CNN, U-Net | 显微镜图像 | NA | NA | U-Net, CNN Regression Hybrid | 准确率, R²值 | NA |
| 2125 | 2025-10-07 |
A super resolution generative adversarial networks and partition-based adaptive filtering technique for detect and remove flickers in digital color images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317758
PMID:40354494
|
研究论文 | 提出一种结合超分辨率生成对抗网络和分区自适应滤波技术的无监督框架，用于检测和消除数字彩色图像中的闪烁伪影 | 首次将SRGAN与分区自适应滤波技术结合，构建端到端的无监督单图像去闪烁框架，无需相机参数或匹配图像等先验知识 | 仅针对单图像去闪烁问题，未验证在视频序列上的性能；需要进一步测试在不同类型相机和光照条件下的泛化能力 | 消除数字图像中的闪烁伪影，提升图像视觉质量和真实性 | 使用卷帘快门CMOS传感器相机拍摄的数字彩色图像 | 计算机视觉 | NA | 超分辨率生成对抗网络，分区自适应滤波技术 | GAN | 图像 | 未配对的图像数据 | NA | SRGAN | 视觉质量，闪烁像差减少 | NA |
| 2126 | 2025-10-07 |
Integrating temporal convolutional networks with metaheuristic optimization for accurate software defect prediction
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319562
PMID:40354496
|
研究论文 | 提出一种结合时序卷积网络和蚁狮优化的智能方法用于软件缺陷预测 | 首次将时序卷积网络与蚁狮优化算法相结合用于软件缺陷预测，通过元启发式算法优化网络权重 | NA | 确定最有效的软件缺陷检测模型 | 软件项目中的缺陷 | 机器学习 | NA | NA | TCN, CNN, GRU, BiLSTM | 软件项目数据 | NA | NA | 时序卷积网络, 卷积神经网络, 门控循环单元, 双向长短期记忆网络 | AUC, 灵敏度, 特异性, 准确率, 错误率 | NA |
| 2127 | 2025-10-07 |
Deep learning and genome-wide association meta-analyses of bone marrow adiposity in the UK Biobank
2025-01-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-55422-4
PMID:39747859
|
研究论文 | 使用深度学习测量英国生物银行约47,000名参与者骨髓脂肪含量，并通过基因组关联分析确定其遗传决定因素 | 首次将深度学习与全基因组关联荟萃分析相结合系统研究骨髓脂肪的遗传基础 | 主要基于英国生物银行数据，样本种族多样性有限 | 探究骨髓脂肪组织的遗传决定因素及其与人类健康和疾病的关系 | 英国生物银行约47,000名参与者（包括41,000名白人和6,300名非白人） | 医学影像分析 | 骨骼代谢疾病 | MRI扫描，全基因组关联分析(GWAS)，转录组关联研究(TWAS) | 深度学习 | 医学影像(MRI) | 约47,000名英国生物银行参与者 | NA | NA | NA | NA |
| 2128 | 2025-05-13 |
Advances in analytical approaches for background parenchymal enhancement in predicting breast tumor response to neoadjuvant chemotherapy: A systematic review
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317240
PMID:40053513
|
系统综述 | 本文系统综述了背景实质增强（BPE）分析在预测乳腺癌新辅助化疗（NAC）反应中的最新进展 | 从单时间点BPE分析转向纵向BPE分析，并探讨了人工智能（AI）在改进BPE分析中的潜在应用 | 现有纵向BPE分析方法存在数据缺失、手动分割乳房区域以及过度依赖传统统计方法等问题 | 评估BPE分析方法的可靠性及有效性，以预测乳腺癌对NAC的反应 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 动态对比增强磁共振成像（DCE-MRI） | 逻辑回归，深度学习 | 医学影像 | 13项研究（来自78篇符合条件的文献） | NA | NA | NA | NA |
| 2129 | 2025-05-13 |
A novel deep learning technique for multi classify Alzheimer disease: hyperparameter optimization technique
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1558725
PMID:40342359
|
research paper | 提出一种基于深度学习和超参数优化的新方法，用于更准确地分类阿尔茨海默病的不同阶段 | 使用新提出的超参数优化方法来识别ResNet152V2模型的超参数，以解决有限数据和计算资源的问题 | 未提及具体的数据集大小和计算资源限制的详细情况 | 早期诊断和检测阿尔茨海默病，以实施可能减缓疾病进展的治疗方法 | 阿尔茨海默病的不同阶段 | machine learning | geriatric disease | deep learning, hyperparameter optimization | ResNet152V2 | NA | NA | NA | NA | NA | NA |
| 2130 | 2025-05-13 |
Using artificial intelligence to develop a measure of orthopaedic treatment success from clinical notes
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1523953
PMID:40343216
|
research paper | 该研究利用人工智能技术从临床记录中开发了一种衡量骨科治疗成功的方法 | 首次使用AI方法从临床记录中提取治疗成功或失败的短语，并开发了一种骨科治疗成功的指标 | 研究仅针对急性肩部损伤患者，样本量有限（868份临床记录），且仅在一个地区医疗系统内进行 | 开发一种反映骨科治疗成功的可用结果测量方法 | 急性肩部损伤患者的临床记录 | 自然语言处理 | 骨科疾病 | 机器学习和深度学习算法 | Bio-ClinicalBERT | 文本 | 868份临床记录，来自123名医生和35个科室 | NA | NA | NA | NA |
| 2131 | 2025-05-12 |
Injecting structure-aware insights for the learning of RNA sequence representations to identify m6A modification sites
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18878
PMID:40017651
|
研究论文 | 提出了一种名为M6A-SAI的新型预测器，用于识别RNA中的m6A修饰位点，通过整合结构感知的见解来增强序列表示学习 | M6A-SAI通过Transformer编码器学习RNA序列表示，构建相似性图捕捉序列相关性，并通过结构感知优化块和图卷积框架整合结构信息，显著提高了m6A修饰位点的识别精度 | 未提及具体的数据集规模或实验中的潜在偏差 | 准确识别RNA序列中的m6A修饰位点 | RNA序列中的m6A修饰位点 | 自然语言处理 | NA | Transformer, 图卷积, SVM | Transformer, 图卷积网络, SVM | RNA序列数据 | NA | NA | NA | NA | NA |
| 2132 | 2025-05-12 |
Deep-learning tool for early identification of non-traumatic intracranial hemorrhage etiology and application in clinical diagnostics based on computed tomography (CT) scans
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18850
PMID:40028214
|
研究论文 | 开发了一种基于深度学习的人工智能系统，用于早期识别非创伤性颅内出血的病因，并在临床诊断中应用 | 该系统能够基于非对比计算机断层扫描（NCCT）准确识别多种颅内出血病因，并在临床诊断中显著提升医生的诊断性能 | 模型在Moyamoya病（MMD）和其他病因上的AUC值相对较低，可能影响其在这些病因上的诊断准确性 | 开发一种能够准确识别非创伤性颅内出血病因的人工智能系统，并评估其在临床诊断中的应用价值 | 非创伤性颅内出血患者 | 数字病理学 | 颅内出血 | 深度学习 | 深度学习模型 | CT扫描图像 | 1,868例NCCT扫描（训练集），TT200和SD98两个独立测试集 | NA | NA | NA | NA |
| 2133 | 2025-05-12 |
Optimizing Stroke Detection Using Evidential Networks and Uncertainty-Based Refinement
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3531768
PMID:40031143
|
研究论文 | 本研究利用证据网络和基于不确定性的优化方法，提高中风后神经损伤的检测灵敏度 | 采用证据网络和不确定性估计方法，显著提高了对轻微中风损伤和短暂性脑缺血发作（TIA）的检测准确性 | 研究样本量有限，且仅针对Kinarm系统采集的运动学数据进行分析 | 优化中风后神经损伤的检测方法，提高临床评估的准确性和灵敏度 | 337名中风患者和368名健康对照者 | 机器学习 | 心血管疾病 | 深度学习 | 证据网络 | 运动学数据 | 705人（337名中风患者和368名健康对照者） | NA | NA | NA | NA |
| 2134 | 2025-05-12 |
High-Density EMG Grip Force Estimation During Muscle Fatigue via Domain Adaptation
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3541227
PMID:40031585
|
研究论文 | 提出一种基于域适应的高密度EMG握力估计方法，以改善肌肉疲劳状态下的握力估计精度 | 结合对抗训练策略和端到端深度学习模型，对齐非疲劳和疲劳状态下的EMG特征分布 | 研究仅涉及8名受试者，样本量较小 | 提高肌电接口在肌肉疲劳状态下解码用户意图的准确性 | 肌电信号（EMG）和握力估计 | 机器学习 | NA | 高密度EMG | 深度学习模型 | EMG信号 | 8名受试者 | NA | NA | NA | NA |
| 2135 | 2025-05-12 |
The More, the Better? Evaluating the Role of EEG Preprocessing for Deep Learning Applications
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3547616
PMID:40031716
|
research paper | 该研究首次全面评估了EEG预处理对深度学习应用的影响，并提出了未来研究的指导原则 | 首次系统性地研究了不同EEG预处理水平对深度学习模型性能的影响，并提出了预处理指南 | 研究仅针对特定的六种分类任务和四种EEG架构，结果可能不具备普遍性 | 评估EEG预处理在深度学习应用中的作用，确定最优预处理策略 | EEG数据及其预处理方法 | machine learning | Parkinson's, Alzheimer's disease, 精神疾病 | EEG | 深度学习模型 | EEG信号数据 | 4800个训练模型 | NA | NA | NA | NA |
| 2136 | 2025-05-12 |
Emotion-RGC net: A novel approach for emotion recognition in social media using RoBERTa and Graph Neural Networks
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0318524
PMID:40029933
|
研究论文 | 提出了一种名为Emotion-RGC Net的新方法，用于社交媒体中的情感识别，结合了RoBERTa、图神经网络和条件随机场 | 整合RoBERTa、GNN和CRF，提高了情感分类的准确性和鲁棒性 | 模型依赖大量标记数据，计算效率有待提高，未考虑情感演化的时间动态 | 提高社交媒体中情感识别的准确性和鲁棒性 | 社交媒体用户生成的内容 | 自然语言处理 | NA | RoBERTa, GNN, CRF | Emotion-RGC Net | 文本 | Sentiment140和Emotion两个数据集 | NA | NA | NA | NA |
| 2137 | 2025-05-12 |
Deep learning based semantic segmentation of leukemia effected white blood cell
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320596
PMID:40338981
|
research paper | 该论文提出了一种基于深度学习的白血病影响的白细胞语义分割方法 | 结合UNet++、标记分水岭算法和神经常微分方程（ODE）进行白细胞分割，提高了分割的准确性和鲁棒性 | 计算复杂度和内存空间有待优化，以便在低资源设备上部署 | 提高白细胞分割的准确性，以支持自动化血细胞分析、诊断成像和疾病监测 | 白血病影响的白细胞 | digital pathology | leukemia | UNet++, 标记分水岭算法, 神经常微分方程（ODE） | UNet++, Neural ODE | image | ALL_IDB1和ALL_IDB2数据集中的血涂片图像 | NA | NA | NA | NA |
| 2138 | 2025-05-12 |
Deep learning in assisting dermatologists in classifying basal cell carcinoma from seborrheic keratosis
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1507322
PMID:40342818
|
research paper | 评估深度学习模型在辅助皮肤科医生分类基底细胞癌（BCC）和脂溢性角化病（SK）中的有效性 | 使用基于CLIP ViT-B/16架构的深度学习模型，结合注意力机制（如Grad-CAM）增强模型决策的可解释性 | 模型在验证队列中的AUC为0.71，表现略低于训练和测试队列 | 评估AI辅助诊断是否能提高分类准确性、减少误诊并改善临床结果 | 基底细胞癌（BCC）和脂溢性角化病（SK）患者 | digital pathology | skin cancer | deep learning, Grad-CAM | CLIP ViT-B/16 | image | 707名患者（内部数据集）和5572名患者（ISIC公共数据集） | NA | NA | NA | NA |
| 2139 | 2025-05-12 |
A review of lightweight convolutional neural networks for ultrasound signal classification
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1536542
PMID:40342856
|
综述 | 本文综述了轻量级卷积神经网络在超声信号分类中的应用 | 结合超声信号特点，从模型压缩和操作优化两个角度详细回顾了轻量级算法 | 未提及具体实验验证或实际应用效果 | 探索轻量级卷积神经网络在超声信号处理领域的应用 | 超声信号 | 医学图像分析 | NA | 深度学习 | 轻量级CNN | 超声信号 | 基于ImageNet数据集的经典模型实验结果 | NA | NA | NA | NA |
| 2140 | 2025-05-12 |
Automatic segmentation and quantitative analysis of brain CT volume in 2-year-olds using deep learning model
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1573060
PMID:40343184
|
研究论文 | 本研究开发了一种使用ResU-Net深度学习模型自动分割2岁儿童脑部CT图像的方法，并量化特定脑区体积，建立临床和研究应用的参考数据库 | 首次在2岁儿童脑CT图像中应用ResU-Net模型进行自动分割和体积量化，建立了该年龄段的标准参考数据库 | 研究仅纳入放射学表现正常的儿童样本，未涵盖异常或疾病状态 | 开发儿童脑CT图像的自动分割方法并建立标准体积参考值 | 2岁健康儿童的脑部CT图像 | 数字病理 | NA | CT成像 | ResU-Net, 3D U-Net | 医学影像 | 1,487例2岁儿童头部CT扫描（训练集1,041例，测试集446例） | NA | NA | NA | NA |