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 3742 篇文献，本页显示第 2401 - 2420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2401 | 2025-05-03 |
Deep learning methods for improving the accuracy and efficiency of pathological image analysis
2025 Jan-Mar, Science progress
IF:2.6Q2
DOI:10.1177/00368504241306830
PMID:39814425
|
研究论文 | 本研究提出了一种结合U-Net和EfficientNetV2的深度学习模型，用于提高病理图像分析的准确性和效率 | 开发了一种新的热图生成算法，结合了精细的图像预处理、数据增强策略、集成学习、注意力机制和深度特征融合技术 | NA | 提高病理图像分析的准确性和效率 | 病理图像 | 数字病理 | NA | 深度学习 | U-Net, EfficientNetV2 | 图像 | NA | NA | NA | NA | NA |
| 2402 | 2025-05-03 |
Machine Learning Approaches for Neuroblastoma Risk Prediction and Stratification
2025, Critical reviews in oncogenesis
DOI:10.1615/CritRevOncog.2024056447
PMID:39819432
|
研究论文 | 本文探讨了机器学习在神经母细胞瘤风险预测和分层中的应用及其潜力 | 利用大规模生物和临床数据，机器学习模型能够检测传统方法常忽视的复杂模式，从而实现更个性化的治疗和更好的患者预后 | 数据规模有限、模型可解释性、数据变异性以及临床整合困难等问题阻碍了更广泛的应用 | 通过机器学习改进神经母细胞瘤的早期诊断、风险评估和治疗决策 | 神经母细胞瘤患者 | 机器学习 | 神经母细胞瘤 | 支持向量机、随机森林、深度学习 | SVM、随机森林、深度学习模型 | 生物和临床数据 | NA | NA | NA | NA | NA |
| 2403 | 2025-05-03 |
Multispectral imaging-based detection of apple bruises using segmentation network and classification model
2025-Jan, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70003
PMID:39832229
|
研究论文 | 提出了一种结合多光谱成像系统和深度学习的方法，用于准确检测苹果的损伤程度和损伤时间 | 改进了DeepLabV3+网络，采用深度可分离卷积和高效通道注意力机制，并替换损失函数为焦点损失，提高了损伤区域分割的准确性；改进DenseNet121，使用余弦退火算法调整学习率，引入压缩-激励注意力机制和高斯误差线性单元激活函数，提高了损伤程度和时间的识别准确率 | NA | 准确检测苹果的损伤程度和损伤时间 | 苹果 | 计算机视觉 | NA | 多光谱成像 | DeepLabV3+, EfficientNetV2, DenseNet121, ShuffleNetV2 | 图像 | 测试集中两种类型的苹果 | NA | NA | NA | NA |
| 2404 | 2025-05-03 |
Deep learning in neurosurgery: a systematic literature review with a structured analysis of applications across subspecialties
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1532398
PMID:40308224
|
系统文献综述 | 本研究系统综述了深度学习在神经外科实践中的应用，全面了解深度学习在神经外科中的角色 | 提供了深度学习技术在神经外科各亚专科中的具体应用、局限性和未来方向的系统综述 | 深度学习模型在神经外科实践中的整合面临挑战和限制 | 系统评估深度学习在神经外科实践中的应用及其潜力 | 神经外科各亚专科的深度学习应用研究 | 数字病理 | 神经外科相关疾病 | 深度学习 | DL算法 | 视频、图像、CT、MRI和超声数据 | 181篇符合条件的研究文章 | NA | NA | NA | NA |
| 2405 | 2025-05-03 |
An android-smartphone application for rice panicle detection and rice growth stage recognition using a lightweight YOLO network
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1561632
PMID:40308302
|
研究论文 | 本研究开发了一个基于改进YOLOv8模型的安卓智能手机应用，用于水稻穗检测和生长阶段识别 | 提出了YOLO_ECO模型，通过C2f-Faster-EMA模块、Slim Neck结构和LSCD头部等改进，显著提升了检测效率和精度 | NA | 提高精准田间管理水平以最大化粮食产量 | 水稻穗及其生长阶段（孕穗期、抽穗期和灌浆期） | 计算机视觉 | NA | 深度学习 | YOLO_ECO（改进的YOLOv8） | 图像 | NA | NA | NA | NA | NA |
| 2406 | 2025-05-03 |
Approach for enhancing the accuracy of semantic segmentation of chest X-ray images by edge detection and deep learning integration
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1522730
PMID:40309721
|
研究论文 | 提出了一种结合边缘检测和深度学习的方法来提高胸部X光图像语义分割的准确性 | 整合了Sobel和Scharr边缘检测滤波器与U-net深度学习架构，显著提升了分割精度 | 未提及对不同设备或不同质量X光图像的泛化能力 | 提高胸部X光图像中解剖结构的分割准确性，以改善心胸疾病的诊断 | 胸部X光图像中的肺、心脏和锁骨 | 计算机视觉 | 心胸疾病 | 边缘检测（Sobel和Scharr滤波器） | U-net | 图像 | NA | NA | NA | NA | NA |
| 2407 | 2025-05-03 |
EfficientNetB0-Based End-to-End Diagnostic System for Diabetic Retinopathy Grading and Macular Edema Detection
2025, Diabetes, metabolic syndrome and obesity : targets and therapy
DOI:10.2147/DMSO.S506494
PMID:40309724
|
研究论文 | 开发并验证了一种基于深度学习的自动化诊断系统，用于快速准确诊断糖尿病视网膜病变（DR）及其并发症 | 采用EfficientNetB0模型构建端到端诊断系统，实现DR分级和糖尿病黄斑水肿（DME）检测，并通过Grad-CAM增强模型可解释性 | 未提及模型在不同人群或设备采集图像上的泛化能力 | 提高糖尿病视网膜病变诊断的效率和准确性 | 2753名患者的19,031张荧光素血管造影（FFA）图像 | 数字病理学 | 糖尿病视网膜病变 | 荧光素血管造影（FFA） | EfficientNetB0 | 图像 | 19,031张FFA图像（来自2,753名患者） | NA | NA | NA | NA |
| 2408 | 2025-05-03 |
Corrigendum: Bioinformatic analysis reveals the association between bacterial morphology and antibiotic resistance using light microscopy with deep learning
2025, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2025.1607769
PMID:40313407
|
correction | 本文是对先前发表的文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2409 | 2025-05-02 |
CPconf_score: A Deep Learning Free Energy Function Trained Using Molecular Dynamics Data for Cyclic Peptides
2025-Jan-28, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.4c01386
PMID:39801200
|
研究论文 | 开发了一种名为CPconf_score的深度学习自由能函数，用于预测环肽的构象自由能 | 使用高温分子动力学模拟数据和SchNet深度学习模型，首次实现了对环肽构象自由能的准确预测 | 仅在50个环肽上进行了测试，样本量相对较小 | 开发一种能够准确预测环肽构象自由能的方法 | 环肽（特别是少于10个残基和β-肽键的环肽） | 计算生物学 | NA | 高温分子动力学模拟（high-T MD）、点自适应k近邻（PAk）方法 | SchNet深度学习模型 | 分子动力学模拟数据 | 250个随机序列环肽（训练集）和50个来自剑桥结构数据库的环肽（测试集） | NA | NA | NA | NA |
| 2410 | 2025-05-02 |
Multistage deep learning methods for automating radiographic sharp score prediction in rheumatoid arthritis
2025-01-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86073-0
PMID:39870749
|
研究论文 | 本研究提出了一种多阶段深度学习模型，用于从手部X光图像预测类风湿关节炎的总体Sharp评分 | 首次将Vision Transformer (ViT)应用于类风湿关节炎的总体Sharp评分预测 | 模型在Sharp评分<50的患者中表现最佳，对于更高评分的预测效果未明确说明 | 开发自动化工具以评估类风湿关节炎的关节损伤程度 | 类风湿关节炎患者的X光图像 | 数字病理学 | 类风湿关节炎 | 深度学习 | UNet, YOLOv7, Vision Transformer (ViT) | X光图像 | 训练集679名患者，外部测试集291名受试者 | NA | NA | NA | NA |
| 2411 | 2025-05-02 |
Twenty Years of Neuroinformatics: A Bibliometric Analysis
2025-Jan-15, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-024-09712-3
PMID:39812741
|
研究论文 | 本文对过去20年的神经信息学进行了全面的文献计量分析，揭示了该领域在神经科学与计算科学交叉点上的演变 | 使用VOS viewer等先进工具及共引分析、文献耦合和关键词共现等方法，深入分析了出版趋势、引用模式及期刊影响力 | 分析主要基于文献计量数据，可能未涵盖所有实际研究进展或具体技术细节 | 评估神经信息学领域的发展趋势、研究主题及期刊影响力 | 神经信息学领域的出版物、引用数据及研究主题 | 神经信息学 | NA | 共引分析、文献耦合、关键词共现 | NA | 文献数据 | 过去20年的神经信息学出版物 | NA | NA | NA | NA |
| 2412 | 2025-05-02 |
Patch-Wise Deep Learning Method for Intracranial Stenosis and Aneurysm Detection-the Tromsø Study
2025-Jan-15, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-024-09697-z
PMID:39812766
|
研究论文 | 提出了一种结合经典计算机视觉技术和深度学习的patch-wise方法，用于检测颅内动脉狭窄和动脉瘤 | 结合了经典计算机视觉技术和深度学习，采用patch-wise残差神经网络和投票机制进行检测 | 对于涉及MRI中长距离依赖的闭塞检测效果不佳，这是由于patch-wise深度学习方法的架构设计所致 | 早期检测颅内动脉狭窄和动脉瘤，以进行有效干预 | 颅内动脉粥样硬化性狭窄（ICAS）和颅内动脉瘤 | 数字病理学 | 脑血管疾病 | 时间飞跃磁共振血管成像（TOF-MRA） | 残差神经网络（ResNet） | 图像 | NA | NA | NA | NA | NA |
| 2413 | 2025-05-02 |
Intelligent in-cell electrophysiology: Reconstructing intracellular action potentials using a physics-informed deep learning model trained on nanoelectrode array recordings
2025-Jan-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-55571-6
PMID:39809732
|
研究论文 | 本研究提出了一种基于物理信息深度学习的模型，用于从纳米电极阵列记录中重建细胞内动作电位 | 利用AI技术从同步记录的细胞外和细胞内动作电位对中重建细胞内电位，为非侵入性、高通量药物心脏毒性评估提供了新方法 | 目前仅在干细胞衍生的心肌细胞上进行了验证，尚未扩展到其他细胞类型 | 开发一种非侵入性、高通量的细胞内电生理记录方法 | 干细胞衍生的心肌细胞 | 机器学习 | 心血管疾病 | 纳米电极阵列(NEAs)和微电极阵列(MEAs)记录 | 物理信息深度学习模型 | 电生理信号 | 数千对同步记录的细胞外和细胞内动作电位 | NA | NA | NA | NA |
| 2414 | 2025-05-02 |
Establishing a GRU-GCN coordination-based prediction model for miRNA-disease associations
2025-Jan-14, BMC genomic data
IF:1.9Q3
DOI:10.1186/s12863-024-01293-z
PMID:39810100
|
研究论文 | 本研究开发了一种基于GRU-GCN协调的深度学习模型，用于预测miRNA与疾病之间的关联 | 引入了两种标记策略（基于权重和基于多数的定义）来分类miRNA-疾病关联，并开发了一种结合GRU和GCN的新型模型 | 模型性能依赖于标记策略的准确性，且数据集仅来自HMDD，可能限制了模型的泛化能力 | 提高miRNA与疾病关联预测的准确性和效率 | miRNA与疾病的关联 | 生物信息学 | NA | 深度学习 | GRU-GCN | 生物实验数据 | 来自HMDD的miRNA-疾病关联数据集 | NA | NA | NA | NA |
| 2415 | 2025-05-02 |
Diagnosis and prognosis of melanoma from dermoscopy images using machine learning and deep learning: a systematic literature review
2025-Jan-13, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-024-13423-y
PMID:39806282
|
系统文献综述 | 本文综述了机器学习和深度学习在皮肤镜图像中用于黑色素瘤诊断和预后的最新进展 | 总结了多种深度学习架构（如DenseNet和ResNet）在黑色素瘤检测中的优异表现，并讨论了数据多样性、模型可解释性等挑战 | 存在数据多样性不足、模型可解释性有限以及计算资源需求高的挑战 | 探讨机器学习和深度学习在黑色素瘤诊断和预后中的应用潜力 | 皮肤镜图像 | 数字病理学 | 黑色素瘤 | 机器学习和深度学习 | DenseNet, ResNet, DCNN | 图像 | 34项研究（2016-2024年发表），涉及HAM10000、ISIC等数据集 | NA | NA | NA | NA |
| 2416 | 2025-05-02 |
MDFGNN-SMMA: prediction of potential small molecule-miRNA associations based on multi-source data fusion and graph neural networks
2025-Jan-13, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06040-4
PMID:39806287
|
研究论文 | 提出了一种基于多源数据融合和图神经网络的深度学习方法MDFGNN-SMMA，用于预测小分子与miRNA的潜在关联 | 结合多源数据融合和图神经网络技术，提出了一种新的预测小分子-miRNA关联的计算方法 | 方法依赖于现有数据库的准确性，且未在更广泛的独立数据集上进行验证 | 开发高效的计算方法来预测小分子与miRNA的关联，以替代传统实验方法 | 小分子(SMs)和miRNA | 生物信息学 | NA | Atom Pairs指纹、Molecular ACCess System指纹、K-mer特征 | GAT和GraphSAGE | 分子指纹特征、序列特征 | NA | NA | NA | NA | NA |
| 2417 | 2025-05-02 |
Annotation-free deep learning algorithm trained on hematoxylin & eosin images predicts epithelial-to-mesenchymal transition phenotype and endocrine response in estrogen receptor-positive breast cancer
2025-Jan-12, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-025-01959-1
PMID:39800743
|
研究论文 | 本研究开发了一种基于H&E图像的深度学习算法，用于预测ER+乳腺癌的上皮-间质转化表型和内分泌治疗反应 | 无需标注的深度学习算法能够直接从H&E图像中预测EMT表型和内分泌治疗反应 | 研究依赖于公开数据库的数据，可能受到数据质量和样本量的限制 | 预测ER+乳腺癌的EMT表型和内分泌治疗反应 | ER+乳腺癌患者的H&E染色切片 | 数字病理学 | 乳腺癌 | 深度学习 | EfficientNetV2 | 图像 | 来自TCGA数据库的H&E染色切片和一个独立的ER+乳腺癌患者队列 | NA | NA | NA | NA |
| 2418 | 2025-05-02 |
Bird Species Detection Net: Bird Species Detection Based on the Extraction of Local Details and Global Information Using a Dual-Feature Mixer
2025-Jan-06, Sensors (Basel, Switzerland)
DOI:10.3390/s25010291
PMID:39797082
|
research paper | 提出了一种基于局部细节和全局信息双特征混合器的鸟类物种检测网络BSD-Net | 设计了双分支特征混合器和预测平衡模块，有效结合局部和全局信息，解决类别不平衡问题 | 未明确说明模型在复杂背景或极端光照条件下的性能 | 提高鸟类物种检测的准确性 | 鸟类图像数据 | computer vision | NA | deep learning | BSD-Net (包含DBFM和PBM模块) | image | 三个数据集：CUB-200-2011、Poyang Lake Bird dataset和FBD-SV-2024 | NA | NA | NA | NA |
| 2419 | 2025-05-02 |
A Deep Learning-Based Framework Oriented to Pathological Gait Recognition with Inertial Sensors
2025-Jan-05, Sensors (Basel, Switzerland)
DOI:10.3390/s25010260
PMID:39797052
|
research paper | 提出一个基于深度学习的框架，用于通过惯性传感器识别病理步态 | 利用健康受试者模拟步态障碍进行病理步态识别，减少了实验时间和样本量的需求 | 这是一个初步的可行性研究，需要在真实的病理数据上进行更现实的验证 | 开发一个能够识别正常和病理步态行为的系统，以支持临床医生早期检测步态障碍和实时跟踪康复进展 | 19名健康受试者的惯性数据 | machine learning | geriatric disease | 惯性传感器 | CNN | sensor data | 19名健康受试者 | NA | NA | NA | NA |
| 2420 | 2025-05-02 |
DHCT-GAN: Improving EEG Signal Quality with a Dual-Branch Hybrid CNN-Transformer Network
2025-Jan-03, Sensors (Basel, Switzerland)
DOI:10.3390/s25010231
PMID:39797022
|
研究论文 | 提出了一种名为DHCT-GAN的双分支混合CNN-Transformer网络，用于提高EEG信号质量 | 采用双分支混合网络架构，独立学习干净EEG信号和伪迹信号的特征，并通过自适应门控网络融合信息，以生成去噪后的EEG信号 | 未提及具体局限性 | 改进EEG信号质量，有效去除生理伪迹 | EEG信号 | 机器学习 | 神经系统疾病 | EEG信号处理 | GAN, CNN, Transformer | EEG信号数据 | NA | NA | NA | NA | NA |