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 2581 - 2600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2581 | 2025-10-07 |
Improving fishing ground estimation with weak supervision and meta-learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321116
PMID:40215460
|
研究论文 | 本研究提出结合弱监督和元学习的训练策略，通过海面温度模式估计渔场位置 | 首次将弱监督与元学习相结合用于渔场估计，利用轨迹数据预训练并通过元学习器缓解标签噪声 | 依赖有限的渔获数据作为标注，渔场覆盖范围不完整 | 改进渔场估计的准确性和数据利用效率 | 渔场位置和海面温度模式 | 计算机视觉 | NA | 深度学习关键点检测 | 关键点检测器 | 海面温度模式图像，渔获数据，渔船轨迹数据 | 有限量的渔获数据和更大量的轨迹数据 | NA | NA | F1-score | NA |
| 2582 | 2025-10-07 |
A deep learning-based approach for the detection of cucumber diseases
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320764
PMID:40215456
|
研究论文 | 提出基于VGG19架构和迁移学习的深度学习方法，用于黄瓜疾病的检测与分类 | 采用创新的迁移学习方法，在黄瓜疾病检测任务中实现了97.66%的平衡准确率，优于传统微调方法的93.87% | NA | 开发准确的黄瓜疾病检测方法以保障作物质量和食品安全 | 黄瓜植株及其疾病（炭疽病、细菌性萎蔫病、肚腐病、霜霉病、健康黄瓜、健康叶片、腐霉果腐病、胶质茎枯病） | 计算机视觉 | 植物疾病 | 深度学习 | CNN | 图像 | NA | NA | VGG19 | 平衡准确率 | NA |
| 2583 | 2025-04-14 |
Deep Learning-Based Image Restoration and Super-Resolution for Fluorescence Microscopy: Overview and Resources
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4414-0_3
PMID:40220224
|
review | 本文综述了深度学习方法在荧光显微镜图像恢复和超分辨率中的应用，并提供了相关资源和工具 | 提供了深度学习方法在荧光显微镜图像处理中的最新进展和资源，包括开源数据库和代码库 | 未提及具体方法的性能比较或实际应用中的具体限制 | 综述深度学习方法在荧光显微镜图像处理中的应用，促进该领域的研究参与 | 荧光显微镜图像 | computer vision | NA | deep learning | NA | image | NA | NA | NA | NA | NA |
| 2584 | 2025-10-07 |
Advancing personalized diagnosis and treatment using deep learning architecture
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1545528
PMID:40212269
|
研究论文 | 提出基于深度学习的ImmunoNet框架，整合遗传、分子和临床数据以提升自身免疫疾病的诊断准确性和治疗个性化 | 结合CNN和MLP分析多模态数据，采用可解释AI技术和联邦学习提升模型可解释性与隐私保护 | NA | 提高自身免疫疾病的诊断精度和个性化治疗策略 | 自身免疫疾病患者数据 | 机器学习 | 自身免疫疾病 | 深度学习 | CNN, MLP | 遗传数据, 分子数据, 临床数据 | NA | NA | CNN, MLP | 准确率 | NA |
| 2585 | 2025-10-07 |
Preliminary exploratory study on differential diagnosis between benign and malignant peripheral lung tumors: based on deep learning networks
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1567545
PMID:40212272
|
研究论文 | 基于深度学习网络开发超声影像模型用于良恶性周围型肺肿瘤的鉴别诊断 | 首次基于超声影像开发深度学习模型用于周围型肺肿瘤的良恶性鉴别诊断，填补了该领域的研究空白 | 回顾性研究设计，样本量相对有限（371例患者），仅在两中心进行验证 | 开发基于超声影像的深度学习模型用于良恶性周围型肺肿瘤的鉴别诊断 | 接受超声引导下经皮肺肿瘤操作的患者 | 计算机视觉 | 肺癌 | 超声成像 | CNN | 超声图像 | 371例患者（训练集296例，测试集75例） | NA | ResNet18, ResNet34, ResNet50, ResNet101, ResNet152 | AUC, NRI | NA |
| 2586 | 2025-10-07 |
Heterogeneous transfer learning model for improving the classification performance of fNIRS signals in motor imagery among cross-subject stroke patients
2025, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2025.1555690
PMID:40212471
|
研究论文 | 提出一种跨被试异质迁移学习模型，用于提升脑卒中患者运动想象fNIRS信号的跨被试分类性能 | 利用健康个体的EEG数据作为源域，通过自适应特征匹配网络对齐异质模态间的特征表示，解决fNIRS数据稀缺和个体差异问题 | 仅使用8名脑卒中患者的数据进行验证，样本规模有限 | 提升脑卒中患者运动想象fNIRS信号的跨被试分类准确率 | 脑卒中患者的运动想象fNIRS信号 | 脑机接口 | 脑卒中 | fNIRS, EEG | 迁移学习, 深度学习 | 脑信号 | 8名脑卒中患者（康复前后数据） | NA | 自适应特征匹配网络, 稀疏贝叶斯极限学习机 | 准确率, AUC | NA |
| 2587 | 2025-10-07 |
Image-based food monitoring and dietary management for patients living with diabetes: a scoping review of calorie counting applications
2025, Frontiers in nutrition
IF:4.0Q2
DOI:10.3389/fnut.2025.1501946
PMID:40212724
|
综述 | 本文综述了基于图像的糖尿病饮食监测与热量计算应用的研究现状、方法和挑战 | 系统梳理了计算机视觉技术在糖尿病饮食管理中的应用，重点关注食物分割、分类和体积估计等关键技术 | 缺乏标准化验证方法，数据隐私问题尚未完全解决，在不同人群中的普适性有待验证 | 探讨计算机科学在饮食摄入估计中的作用，特别关注糖尿病患者的个性化饮食管理 | 糖尿病患者和基于图像的饮食监测应用 | 计算机视觉 | 糖尿病 | 深度学习 | NA | 食物图像 | NA | NA | NA | NA | 智能手机, 可穿戴设备 |
| 2588 | 2025-04-13 |
Plant stem and leaf segmentation and phenotypic parameter extraction using neural radiance fields and lightweight point cloud segmentation networks
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1491170
PMID:40212877
|
研究论文 | 本研究提出了一种结合神经辐射场模型和轻量级点云分割网络的方法，用于植物茎叶分割和表型参数提取 | 提出了一个轻量级点云分割网络PointSegNet，包含GLSA模块和EAFP模块，用于整合局部和全局特征并增强边缘感知能力 | NA | 开发一种自动提取植物表型参数的方法 | 玉米、番茄和大豆植物的茎叶 | 计算机视觉 | NA | 神经辐射场模型(Nerfacto)、点云分割 | PointSegNet | 3D点云数据 | 玉米、番茄和大豆植物样本 | NA | NA | NA | NA |
| 2589 | 2025-04-13 |
Deep learning-based target spraying control of weeds in wheat fields at tillering stage
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1540722
PMID:40212873
|
研究论文 | 本研究结合深度学习设计了目标喷洒决策与滞后算法，并在测试平台上验证其有效性 | 对YOLOv5s进行轻量化改进并设计目标喷洒决策与滞后算法，解决了硬件操作滞后问题 | 实验仅使用模拟杂草和模拟分蘖小麦进行台架实验，未在真实田间环境中验证 | 开发基于深度学习的小麦田杂草目标喷洒控制系统 | 小麦田分蘖期的杂草 | 计算机视觉 | NA | 深度学习 | YOLOv5s | 图像 | 模拟杂草和模拟分蘖小麦的台架实验数据集 | NA | NA | NA | NA |
| 2590 | 2025-04-13 |
Machine learning and artificial intelligence in type 2 diabetes prediction: a comprehensive 33-year bibliometric and literature analysis
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1557467
PMID:40212895
|
综述 | 本文对33年（1991-2024年）间机器学习（ML）和人工智能（AI）在2型糖尿病（T2DM）预测中的应用研究进行了全面的文献计量和系统综述 | 采用文献计量和系统综述方法，结合TF-IDF和专家输入筛选文献，并应用双标准方法评估文献的相关性和影响力 | 未来研究需要解决泛化性、跨学科T2DM预测研究和社会心理整合方面的不足 | 综述机器学习与人工智能在2型糖尿病预测中的应用，识别关键趋势、方法和研究空白 | 2型糖尿病（T2DM）预测研究 | 机器学习 | 糖尿病 | TF-IDF, PRISMA指南, VOSviewer, Bibliometrix | Random Forest, Gradient Boosting, CNN | 文献数据 | 2,351篇文章 | NA | NA | NA | NA |
| 2591 | 2025-04-13 |
Head and Neck Tumor Segmentation for MRI-Guided Radiation Therapy Using Pre-trained STU-Net Models
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_4
PMID:40213034
|
研究论文 | 本研究比较了nnU-Net v2和STU-Net两种深度学习模型在头颈癌MRI图像中自动分割肿瘤的性能 | STU-Net在可扩展性和可迁移性方面进行了关键改进，参数规模从1400万到14亿不等，并利用TotalSegmentator等大规模数据集进行预训练，更有效地捕捉复杂多变的肿瘤结构 | NA | 提高MRI引导放射治疗中头颈癌肿瘤分割的准确性 | 头颈癌患者的MRI图像 | 数字病理 | 头颈癌 | 深度学习 | STU-Net, nnU-Net v2 | MRI图像 | NA | NA | NA | NA | NA |
| 2592 | 2025-04-13 |
Transformers in RNA structure prediction: A review
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.03.021
PMID:40213272
|
综述 | 本文全面回顾了基于Transformer的RNA结构预测模型 | 深入分析了Transformer架构的创新如何提升RNA结构预测性能及其现有不足 | 未具体说明Transformer模型在RNA结构预测中的具体局限性 | 探讨Transformer在RNA结构预测领域的应用与发展 | RNA的二级和三级结构 | 自然语言处理 | NA | Transformer模型 | Transformer | 序列数据 | NA | NA | NA | NA | NA |
| 2593 | 2025-04-12 |
Ensemble Deep Learning Models for Automated Segmentation of Tumor and Lymph Node Volumes in Head and Neck Cancer Using Pre- and Mid-Treatment MRI: Application of Auto3DSeg and SegResNet
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_21
PMID:40201772
|
research paper | 该研究开发了一种基于SegResNet架构的深度学习管道，用于头颈癌MRI中肿瘤和淋巴结体积的自动分割 | 集成了Auto3DSeg框架，采用加权多数投票融合多个SegResNet模型的预测结果，实现了治疗前和治疗中MRI的自动分割 | 治疗中MRI的分割性能有待提高，特别是GTVp的分割效果较差（DSCagg为0.49） | 改进放射肿瘤学工作流程，特别是自适应放射治疗中的自动分割技术 | 头颈癌患者的MRI扫描图像（治疗前和治疗中） | digital pathology | head and neck cancer | MRI | SegResNet | image | NA | NA | NA | NA | NA |
| 2594 | 2025-04-12 |
Benchmark of Deep Encoder-Decoder Architectures for Head and Neck Tumor Segmentation in Magnetic Resonance Images: Contribution to the HNTSMRG Challenge
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_15
PMID:40201773
|
research paper | 本文对几种先进的深度学习编码器-解码器架构在头颈部肿瘤磁共振图像分割任务中的表现进行了基准测试 | 比较了多种最新的分割架构在低数据量和低对比度任务（如头颈部肿瘤MRI分割）中的表现，发现传统残差UNet方法优于其他最新方法 | 研究仅针对头颈部肿瘤MRI分割任务，结果可能不适用于其他医学图像分割场景 | 评估不同深度学习架构在头颈部肿瘤MRI分割中的性能 | 头颈部肿瘤的磁共振图像 | digital pathology | head and neck cancer | MRI | UNet, UNETR, SwinUNETR, SegMamba | image | HNTSMRG挑战赛数据集 | NA | NA | NA | NA |
| 2595 | 2025-04-11 |
Retraction: The use of deep learning algorithm and digital media art in all-media intelligent electronic music system
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321391
PMID:40202926
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2596 | 2025-04-11 |
Retraction: Performance for rotor system of hybrid electromagnetic bearing and elastic foil gas bearing with dynamic characteristics analysis under deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321328
PMID:40202933
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2597 | 2025-04-11 |
Retraction: Applying Internet information technology combined with deep learning to tourism collaborative recommendation system
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321330
PMID:40202931
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2598 | 2025-04-11 |
Retraction: Risk factor analysis combined with deep learning in the risk assessment of overseas investment of enterprises
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321411
PMID:40202928
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2599 | 2025-04-11 |
Retraction: Single image super-resolution via image quality assessment-guided deep learning network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321386
PMID:40202936
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2600 | 2025-04-11 |
Retraction: Deep learning in public health: Comparative predictive models for COVID-19 case forecasting
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321232
PMID:40203008
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |