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 2701 - 2720 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2701 | 2025-03-29 |
Non-invasive blood glucose monitoring using PPG signals with various deep learning models and implementation using TinyML
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84265-8
PMID:39753714
|
研究论文 | 本研究提出了一种创新的1秒信号分割方法，并评估了三种先进深度学习模型在利用PPG信号估计血糖水平方面的性能 | 创新的1秒信号分割技术显著提高了准确性和计算效率，并在嵌入式设备上实现了即时血糖估计 | 训练数据在手术和麻醉期间收集，可能影响模型在正常状态下的泛化能力 | 开发一种非侵入性、准确且方便的血糖监测方法 | PPG信号 | 机器学习 | 糖尿病 | PPG | 深度学习模型 | 信号数据 | 手术和麻醉期间收集的训练数据及单独测试数据集 | NA | NA | NA | NA |
| 2702 | 2025-03-29 |
Automated assessment of task-based performance of digital mammography and tomosynthesis systems using an anthropomorphic breast phantom and deep learning-based scoring
2025-Jan, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.S1.S13005
PMID:39416764
|
研究论文 | 本文提出了一种基于深度学习的自动化评分方法，用于评估数字乳腺X线摄影（DM）和数字乳腺断层合成（DBT）系统的任务性能 | 使用具有随机羟基磷灰石微钙化的逼真乳腺体模和基于Resnet-18架构的半自动化深度学习图像评分方法，解决了现有体模方法背景不真实、评分主观和信号模式不具代表性的问题 | 研究仅基于体模实验，未涉及真实临床数据 | 开发一种客观的任务型图像质量评估方法，用于乳腺X线摄影和断层合成系统 | 数字乳腺X线摄影（DM）和数字乳腺断层合成（DBT）系统 | 数字病理学 | 乳腺癌 | 深度学习和ROC分析 | Resnet-18 | 图像 | 实验使用临床乳腺X线摄影系统收集的2D和伪3D乳腺X线照片 | NA | NA | NA | NA |
| 2703 | 2025-03-29 |
SUMO-LMNet: Lossless mapping network for predicting SUMOylation sites in SUMO1 and SUMO2 using high-dimensional features
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.03.005
PMID:40143924
|
研究论文 | 介绍了一种名为SUMO-LMNet的深度学习框架，用于精确预测SUMO1和SUMO2的SUMOylation位点 | SUMO-LMNet整合了无损映射策略和深度学习架构，提高了预测准确性和可解释性，并引入了Combined Heatmap Feature Analysis (CHFA)进行数据集范围的评估 | Grad-CAM在单个预测中突出关键特征，但在样本间缺乏一致性，且未提供数据集范围的特征重要性评估 | 提高SUMO1和SUMO2修饰位点的预测准确性，以助于基因调控和疾病机制的研究 | SUMO1和SUMO2的SUMOylation位点 | 机器学习 | NA | 深度学习 | CNN | 序列数据 | NA | NA | NA | NA | NA |
| 2704 | 2025-03-29 |
SympCoughNet: symptom assisted audio-based COVID-19 detection
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1551298
PMID:40144457
|
research paper | 提出了一种名为SympCoughNet的深度学习网络，通过结合咳嗽声音和临床症状数据来检测COVID-19 | 首次将临床症状数据与咳嗽声音结合用于COVID-19检测，并采用症状编码通道加权增强特征处理 | 错误的症状输入可能影响预测结果 | 提高COVID-19检测的准确性和便捷性 | COVID-19患者 | machine learning | COVID-19 | 深度学习 | CNN | 音频和临床数据 | UK COVID-19 Vocal Audio Dataset | NA | NA | NA | NA |
| 2705 | 2025-03-29 |
A multi-modal deep learning solution for precise pneumonia diagnosis: the PneumoFusion-Net model
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1512835
PMID:40144549
|
research paper | 提出了一种名为PneumoFusion-Net的多模态深度学习模型，用于精确诊断肺炎 | 整合了CT图像、临床文本、实验室数值结果和放射学报告，首次在肺炎诊断中实现了多模态数据的深度融合 | 模型仅在单一数据集上进行验证，需要更多外部数据验证其泛化能力 | 开发一个高精度的肺炎分类系统，区分细菌性和病毒性肺炎 | 肺炎患者的CT图像及相关临床数据 | digital pathology | pneumonia | deep learning | PneumoFusion-Net | CT images, clinical text, numerical lab test results, radiology reports | 10,095份肺炎CT图像及相关临床数据 | NA | NA | NA | NA |
| 2706 | 2025-03-29 |
Multimodal diagnosis of Alzheimer's disease based on resting-state electroencephalography and structural magnetic resonance imaging
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1515881
PMID:40144547
|
研究论文 | 提出了一种基于静息态脑电图和结构磁共振成像的多模态阿尔茨海默病诊断模型 | 首次探索深度学习与脑电图多模态结合用于阿尔茨海默病诊断，设计了多模态联合注意力机制以增强模态间协作 | 未提及模型在其他神经退行性疾病上的泛化能力 | 提升多模态阿尔茨海默病诊断的准确性和脑电图在多模态研究中的应用 | 阿尔茨海默病患者 | 数字病理学 | 阿尔茨海默病 | 静息态脑电图（EEG），结构磁共振成像（sMRI） | CNN，随机森林 | EEG信号，MRI图像 | 未明确提及样本数量 | NA | NA | NA | NA |
| 2707 | 2025-03-29 |
Review of applications of deep learning in veterinary diagnostics and animal health
2025, Frontiers in veterinary science
IF:2.6Q1
DOI:10.3389/fvets.2025.1511522
PMID:40144529
|
review | 本文综述了深度学习在兽医诊断和动物健康领域的应用 | 系统性地回顾了深度学习在兽医医学中的多种诊断应用，并分析了其发展趋势和潜在影响 | 需要更大更多样的数据集，存在可解释性问题，需专家参与模型开发以确保有效性 | 探讨深度学习在兽医诊断领域的应用及其未来发展方向 | 兽医诊断和动物健康 | machine learning | NA | deep learning | NA | radiography, cytology, health record, MRI, environmental data, photo/video imaging, ultrasound | 39篇主要研究文章 | NA | NA | NA | NA |
| 2708 | 2025-03-29 |
YO-AFD: an improved YOLOv8-based deep learning approach for rapid and accurate apple flower detection
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1541266
PMID:40144752
|
研究论文 | 提出了一种基于YOLOv8改进的YO-AFD深度学习方法，用于快速准确地检测苹果花 | 设计了新的注意力模块ISAT，结合了IRMB和SCSA模块，并引入了基于FIoU的回归损失函数，以提高模型对不同尺度特征的关注和关键特征的提取能力 | 未提及具体的数据集规模或多样性限制，可能影响模型的泛化能力 | 提高苹果花的检测准确性和速度，以评估果树生长状态、预测花期和早期产量估计 | 苹果花 | 计算机视觉 | NA | 深度学习 | YOLOv8, ISAT, C2f-IS | 图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 2709 | 2025-03-29 |
Feasibility study of single-image super-resolution scanning system based on deep learning for pathological diagnosis of oral epithelial dysplasia
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1550512
PMID:40144879
|
研究论文 | 本研究评估了基于深度学习的超分辨率扫描系统在口腔上皮异常增生（OED）数字扫描和诊断中的可行性 | 结合深度学习和超分辨率扫描技术，提高了口腔上皮组织病理切片的成像清晰度，解决了现有数字扫描仪成像速度慢、数据量大等问题 | 研究样本量较小，仅使用了40张病理切片进行模型训练 | 评估基于深度学习的超分辨率数字切片扫描系统在OED病理诊断中的可行性 | 口腔上皮异常增生（OED）的病理切片 | 数字病理 | 口腔潜在恶性疾病 | 深度学习 | NA | 图像 | 40张口腔上皮组织病理切片和200张确诊OED的切片 | NA | NA | NA | NA |
| 2710 | 2025-03-28 |
Predicting noncoding RNA and disease associations using multigraph contrastive learning
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-81862-5
PMID:39747154
|
研究论文 | 提出一种名为K-MGCMLD的多图对比学习方法，用于预测miRNA、lncRNA与疾病之间的关联 | 结合K-means聚类和多图对比学习（包括局部和全局图对比学习），提高了预测准确性并能同时预测多种非编码RNA与疾病的关联 | 未明确提及具体局限性 | 提高非编码RNA与疾病关联预测的准确性，并实现多种类型关联的同时预测 | miRNA、lncRNA与疾病之间的关联 | 机器学习 | 肺癌、阿尔茨海默病 | 多图对比学习 | GCN、XGBoost | 图数据 | 未明确提及具体样本量 | NA | NA | NA | NA |
| 2711 | 2025-03-28 |
Validation of musculoskeletal segmentation model with uncertainty estimation for bone and muscle assessment in hip-to-knee clinical CT images
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83793-7
PMID:39747203
|
研究论文 | 本研究验证了一种改进的深度学习模型，用于从临床CT图像中进行髋部和股骨的肌肉骨骼体积分割及不确定性估计 | 改进了深度学习模型，增加了不确定性估计功能，并在多厂商/扫描仪、不同疾病状态和患者体位的大规模CT数据库上进行了验证 | 基线模型的训练数据库较小（N=20） | 验证改进的深度学习模型在肌肉骨骼分割中的准确性和可靠性 | 髋部至膝部的临床CT图像 | 数字病理 | 肌肉骨骼疾病 | 临床CT成像 | 深度学习模型 | 3D医学图像 | 大规模CT数据库（具体数量未明确说明），基线模型训练样本N=20 | NA | NA | NA | NA |
| 2712 | 2025-03-28 |
Varying pixel resolution significantly improves deep learning-based carotid plaque histology segmentation
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83948-6
PMID:39747244
|
研究论文 | 本研究探讨了通过改变像素分辨率显著提升基于深度学习的颈动脉斑块组织学分割效果 | 通过大幅变化像素分辨率（从[公式：见文本]到[公式：见文本]）来提供神经网络更多上下文信息，模拟病理学家的观察方式 | 出血类别被排除，因为34个颈动脉内膜切除标本中仅1个有足够出血用于标注 | 优化基于斑块成分的医疗治疗方案或干预措施 | 颈动脉斑块（胆固醇、钙化、细胞碎片和纤维组织的堆积） | 数字病理学 | 心血管疾病 | 深度学习 | Mask R-CNN | 图像 | 从323张全切片图像中采样的1944个感兴趣区域 | NA | NA | NA | NA |
| 2713 | 2025-03-28 |
Drug discovery and mechanism prediction with explainable graph neural networks
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83090-3
PMID:39747341
|
研究论文 | 本文提出了一种可解释的基于图的药物反应预测方法XGDP，旨在精确预测药物反应并揭示药物与靶点之间的作用机制 | XGDP方法不仅提高了药物反应预测的准确性，还能捕捉药物的关键功能基团与癌细胞重要基因的相互作用 | 未提及具体的数据集规模或实验验证的广泛性 | 药物发现和机制预测 | 药物分子与基因之间的相互作用 | 机器学习 | 癌症 | 图神经网络和卷积神经网络 | GNN和CNN | 分子图和基因表达数据 | NA | NA | NA | NA | NA |
| 2714 | 2025-03-28 |
DNA promoter task-oriented dictionary mining and prediction model based on natural language technology
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84105-9
PMID:39747934
|
研究论文 | 本文提出了一种基于自然语言处理技术的DNA启动子任务导向词典挖掘和预测模型，旨在提高启动子预测的准确性 | 引入了一种新的DNA序列分割方法，开发了更精细的DNA序列词典，并采用BERT-Inception架构以捕获多粒度信息 | 未提及具体的样本量或实验数据规模，可能影响模型泛化能力的评估 | 提高DNA启动子预测的准确性，并增强对DNA序列信息的解释和理解 | DNA启动子序列 | 自然语言处理 | NA | 自然语言处理技术，BERT预训练 | CNN, LSTM, BERT, Inception神经网络 | DNA序列数据 | NA | NA | NA | NA | NA |
| 2715 | 2025-03-28 |
Weakly supervised deep learning-based classification for histopathology of gliomas: a single center experience
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84238-x
PMID:39748069
|
研究论文 | 本研究探讨了弱监督深度学习在胶质瘤组织病理学诊断中的应用 | 结合ResNet-50和注意力机制开发了一种弱监督深度学习模型，用于胶质瘤的分类诊断 | 研究仅基于单中心数据，外部验证的样本量相对较小 | 评估弱监督深度学习在胶质瘤组织病理学诊断中的辅助作用 | 胶质瘤患者的全切片图像(WSIs) | 数字病理学 | 胶质瘤 | 弱监督深度学习 | ResNet-50结合注意力机制 | 图像 | 226名患者的472张WSIs(华西医院数据集)和880名患者的1604张WSIs(TCGA数据集) | NA | NA | NA | NA |
| 2716 | 2025-03-28 |
Enhancing the performance of SSVEP-based BCIs by combining task-related component analysis and deep neural network
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84534-6
PMID:39748063
|
research paper | 提出了一种结合任务相关成分分析和深度神经网络的分类框架eTRCA+sbCNN，用于增强基于SSVEP的脑机接口性能 | 结合了eTRCA算法和sbCNN模型，通过整合两种方法的优势显著提高了SSVEP信号的分类性能 | 未提及具体的局限性 | 提升基于SSVEP的脑机接口系统的性能 | SSVEP信号 | 脑机接口 | NA | 任务相关成分分析(eTRCA)和子带卷积神经网络(sbCNN) | eTRCA + sbCNN | SSVEP信号 | 在两个SSVEP BCI数据集上验证 | NA | NA | NA | NA |
| 2717 | 2025-03-28 |
Exploring Deep Learning Approaches for Walnut Phenotype Variety Classification
2025, International journal of food science
IF:2.7Q3
DOI:10.1155/ijfo/9677985
PMID:40134410
|
研究论文 | 本文探讨了深度学习在核桃表型品种分类中的应用 | 结合深度学习与机器学习方法（如SVM、LR、k-NN）进行特征提取和分类，提高了分类准确率 | 仅针对四种核桃品种进行了分类，可能无法推广到其他品种 | 评估深度学习在农产品分类中的有效性 | 核桃（Chandler、Fernor、Howard、Oguzlar品种） | 计算机视觉 | NA | 深度学习 | InceptionV3、VGG-19、VGG-16、SVM、LR、k-NN | 图像 | 四种核桃品种的图像数据集 | NA | NA | NA | NA |
| 2718 | 2025-03-28 |
Cyclic peptide membrane permeability prediction using deep learning model based on molecular attention transformer
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1566174
PMID:40134508
|
research paper | 开发了一种基于分子注意力变换器（MAT）的循环肽膜渗透性预测模型CPMP | 首次将分子注意力变换器（MAT）框架应用于循环肽膜渗透性预测，性能优于传统机器学习方法和基于图的神经网络模型 | 实验膜渗透性测试成本高且精确预测工具稀缺 | 提高循环肽药物开发中膜渗透性的预测准确性 | 循环肽的膜渗透性 | machine learning | NA | deep learning | Molecular Attention Transformer (MAT) | molecular data | NA | NA | NA | NA | NA |
| 2719 | 2025-03-28 |
Optimized deep learning model for diagnosing tonsil and adenoid hypertrophy through X-rays
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1508525
PMID:40134602
|
研究论文 | 探讨基于深度学习模型在诊断儿童扁桃体和腺样体肥大中的应用 | 结合YOLOv8n和ResNet18模型，显著提高了诊断准确性和一致性 | 研究仅基于单中心的回顾性数据，可能影响模型的泛化能力 | 探索深度学习在诊断扁桃体和腺样体肥大中的应用 | 2-12岁儿童患者的侧位鼻咽X光片 | 计算机视觉 | 扁桃体和腺样体肥大 | X光成像 | YOLOv8n, ResNet18 | 图像 | 819张训练和验证图像，484张独立测试图像 | NA | NA | NA | NA |
| 2720 | 2025-03-28 |
AI-driven balance evaluation: a comparative study between blind and non-blind individuals using the mini-BESTest
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2695
PMID:40134862
|
研究论文 | 本研究首次使用mini-BESTest和惯性测量单元分析盲人平衡能力，并通过机器学习模型预测评分 | 首次使用mini-BESTest和惯性测量单元分析盲人平衡能力，并开发机器学习模型预测评分 | 惯性数据无法区分三个评估水平，且样本量较小（29名参与者） | 分析盲人和非盲人的平衡能力差异，并开发客观评估方法 | 盲人和非盲人的平衡能力 | 数字病理学 | NA | 惯性测量单元，机器学习，深度学习 | 机器学习模型，深度学习模型 | 惯性测量数据 | 29名盲人和非盲人参与者 | NA | NA | NA | NA |