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 2761 - 2780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2761 | 2025-10-07 |
A method for blood pressure hydrostatic pressure correction using wearable inertial sensors and deep learning
2025, Npj biosensing
DOI:10.1038/s44328-024-00021-y
PMID:39897702
|
研究论文 | 提出一种使用可穿戴惯性传感器和深度学习进行血压静水压力校正的方法 | 首次结合可穿戴惯性传感器与深度学习模型，无需传统笨重导管即可实现静水压力校正 | 研究样本量较小（20名参与者），需要在更广泛人群中验证 | 开发无袖带血压测量的静水压力校正技术 | 人体血压测量 | 机器学习 | 心血管疾病 | 光电体积描记法, 心电图 | 深度学习 | 运动传感器数据, 生理信号 | 20名参与者 | NA | NA | 平均绝对误差 | 商用智能手机（推理时间约134毫秒） |
| 2762 | 2025-10-07 |
Deep Learning-Based Body Shape Clustering Analysis Using 3D Body Scanner: Application of Transformer Algorithm
2025-Jan, Iranian journal of public health
IF:1.3Q4
DOI:10.18502/ijph.v54i1.17583
PMID:39902372
|
研究论文 | 使用3D人体扫描仪和Transformer算法进行基于深度学习的体型聚类分析 | 首次将Transformer算法应用于3D人体扫描数据的体型分类，将传统体型分类细化为六个更精细的聚类 | 样本仅来自单一大学（韩国国立体育大学）的366名成人，可能缺乏代表性 | 开发基于深度学习的体型分类方法，为健康和疾病预测提供基础信息 | 366名成年男性和女性的3D人体扫描数据 | 计算机视觉 | NA | 3D人体扫描技术 | Transformer | 3D扫描数据 | 366名成年男性和女性 | NA | Transformer | 聚类性能比较 | NA |
| 2763 | 2025-10-07 |
The Impact of Artificial Intelligence on Healthcare: A Comprehensive Review of Advancements in Diagnostics, Treatment, and Operational Efficiency
2025-Jan, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.70312
PMID:39763580
|
综述 | 本文全面回顾了人工智能在医疗保健领域的影响，涵盖诊断、治疗和运营效率等方面的进展 | 系统整合了2014-2024年间AI在医疗领域的最新发展，分析了包括Google Health和IBM Watson Health在内的实际案例 | 存在数据安全和资源限制等实施难题，预算约束可能影响AI的主流应用 | 分析AI对医疗保健的影响，为利益相关者提供在这一变化环境中的路线图 | 医疗保健领域的AI技术应用，包括机器人技术、机器学习、深度学习和自然语言处理 | 自然语言处理 | NA | 机器学习，深度学习，自然语言处理 | NA | 文献数据，案例研究 | Web of Science数据库2014-2024年间的相关文献（从158篇增长到731篇） | NA | NA | NA | NA |
| 2764 | 2025-10-07 |
A tactile perception method with flexible grating structural color
2025-Jan, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwae413
PMID:39764508
|
研究论文 | 提出一种结合柔性光栅结构色与深度学习的新型触觉感知方法及传感器 | 首次将光学干涉图案作为触觉信息的视觉表征，结合柔性闪耀光栅的结构色与深度学习技术 | NA | 开发高性能的触觉感知方法 | 柔性触觉传感器 | 计算机视觉 | NA | 光学干涉图案，柔性闪耀光栅 | 深度学习 | 图像 | NA | NA | NA | 法向力精度6 mN，平面分辨率79 μm，接触深度分辨率25 μm | NA |
| 2765 | 2025-02-05 |
Enhancing cybersecurity via attribute reduction with deep learning model for false data injection attack recognition
2025-Jan-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82566-6
PMID:39890851
|
研究论文 | 本文提出了一种基于深度学习的属性减少技术，用于识别虚假数据注入攻击，以提高电网系统的安全性 | 引入了改进的深度信念网络（IDBN）模型和基于鲸鱼优化算法（COA）的超参数调优过程，以提高虚假数据注入攻击的检测性能 | 未提及具体的数据集大小或实验环境的具体细节 | 提高电网系统对虚假数据注入攻击的检测能力，增强电网的安全性和韧性 | 电网系统中的虚假数据注入攻击 | 机器学习 | NA | Z-score归一化，改进的Lemrus优化算法（MLOA），改进的深度信念网络（IDBN），鲸鱼优化算法（COA） | 改进的深度信念网络（IDBN） | 电网测量数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 2766 | 2025-02-03 |
Correction: Application of deep learning and feature selection technique on external root resorption identification on CBCT images
2025-Jan-31, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-024-05030-x
PMID:39891069
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2767 | 2025-02-05 |
A deep learning model for assistive decision-making during robot-aided rehabilitation therapies based on therapists' demonstrations
2025-Jan-31, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-024-01517-4
PMID:39891159
|
研究论文 | 本文提出了一种基于深度学习的模型，用于在机器人辅助康复治疗中根据治疗师的示范进行辅助决策 | 该模型能够从治疗师的标准中学习，判断患者在机器人辅助康复治疗中何时需要帮助，并通过微调个性化辅助，提高决策准确性 | 模型在测试数据集上的准确率为76.09%，仍有提升空间 | 提高机器人辅助康复治疗中的辅助决策能力 | 患有神经系统疾病的患者 | 机器学习 | 神经系统疾病 | 深度学习 | 一维卷积神经网络（CNN） | 时间序列数据 | 多样化的神经系统疾病患者 | NA | NA | NA | NA |
| 2768 | 2025-02-05 |
Towards unbiased skin cancer classification using deep feature fusion
2025-Jan-31, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-02889-w
PMID:39891245
|
研究论文 | 本文介绍了SkinWiseNet (SWNet)，一种用于检测和自动分类潜在恶性皮肤癌状况的深度卷积神经网络 | SWNet通过多路径优化特征提取，强调网络宽度增强以提高效率，并通过特征融合减少与肤色和毛发相关的偏见 | NA | 提高皮肤癌检测和分类的准确性，减少与肤色和毛发相关的偏见 | 皮肤癌图像 | 计算机视觉 | 皮肤癌 | 深度学习 | CNN | 图像 | 四个公开数据集（Mnist-HAM10000, ISIC2019, ISIC2020, Melanoma Skin Cancer） | NA | NA | NA | NA |
| 2769 | 2025-02-05 |
Predicting survival in malignant glioma using artificial intelligence
2025-Jan-31, European journal of medical research
IF:2.8Q2
DOI:10.1186/s40001-025-02339-3
PMID:39891313
|
研究论文 | 本文探讨了使用人工智能技术预测恶性胶质瘤患者生存期的有效性 | 利用机器学习和深度学习技术整合多模态数据，显著提高了胶质瘤患者生存预测的准确性 | 数据异质性、可解释性挑战和计算需求，特别是在资源有限的环境中 | 评估不同AI模型在预测恶性胶质瘤患者生存期方面的比较效果 | 恶性胶质瘤患者 | 机器学习 | 脑癌 | 机器学习（ML）、深度学习（DL） | NA | 影像、临床参数、分子生物标志物 | NA | NA | NA | NA | NA |
| 2770 | 2025-10-07 |
A robust auto-contouring and data augmentation pipeline for adaptive MRI-guided radiotherapy of pancreatic cancer with a limited dataset
2025-Jan-30, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adabac
PMID:39823751
|
研究论文 | 开发并评估用于胰腺癌MRI引导放疗中危及器官的快速鲁棒深度学习自动分割方法 | 提出两种新颖的数据增强方法：结构引导的形变增强和基于循环GAN的增强，用于解决小数据集问题 | 研究样本量有限（仅10名患者的43张图像） | 克服在线自适应放疗流程中手动轮廓勾画耗时的问题 | 胰腺癌患者的危及器官 | 医学影像分析 | 胰腺癌 | MRI成像 | 深度学习分割模型 | 3D MRI图像 | 10名患者的43张3DVane图像 | nnU-Net | ResU-Net, SegResNet, nnU-Net | Dice分数, 平均表面距离, D2%, D50% | NA |
| 2771 | 2025-10-07 |
A review of state-of-the-art resolution improvement techniques in SPECT imaging
2025-Jan-30, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-025-00724-9
PMID:39883257
|
综述 | 本文系统综述了SPECT成像中提升空间分辨率的最新技术进展 | 全面总结了硬件和软件两方面的最新分辨率提升技术，特别关注了深度学习的新兴应用 | 作为综述文章，不包含原始实验数据或方法验证 | 识别SPECT分辨率增强技术的最新发展趋势 | 临床和临床前SPECT系统 | 医学影像 | 肿瘤 | SPECT成像 | NA | 医学影像数据 | NA | NA | NA | NA | NA |
| 2772 | 2025-10-07 |
MMFW-UAV dataset: multi-sensor and multi-view fixed-wing UAV dataset for air-to-air vision tasks
2025-Jan-30, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04482-2
PMID:39885165
|
研究论文 | 本文提出了首个针对固定翼无人机的多传感器多视角航空对空视觉数据集MMFW-UAV | 首个一对多模态固定翼无人机图像数据集，包含全视角覆盖的多传感器图像和高品质标注 | NA | 为固定翼无人机的识别、检测与监控任务提供数据支持 | 固定翼无人机 | 计算机视觉 | NA | 多传感器成像（变焦、广角、热成像） | 基于深度学习的物体检测架构 | 多模态图像 | 147,417张固定翼无人机图像 | NA | 主流物体检测架构 | NA | NA |
| 2773 | 2025-10-07 |
An optimized lightweight real-time detection network model for IoT embedded devices
2025-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88439-w
PMID:39885208
|
研究论文 | 提出并部署了一种适用于物联网嵌入式设备的优化轻量级实时检测网络模型FRYOLO | 针对物联网设备计算资源有限的问题优化了YOLOv8模型，实现了低训练成本和高检测性能的平衡 | 仅针对水果检测场景进行了验证，在其他物联网应用场景的泛化能力需要进一步测试 | 开发适用于物联网嵌入式设备的轻量级实时目标检测模型 | 生产线上的新鲜和缺陷水果 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | YOLOv8, FRYOLO | 召回率, mAP, 精确率, FPS | 物联网嵌入式设备 |
| 2774 | 2025-10-07 |
Optimized deep learning model with integrated spectrum focus transformer for pavement distress recognition and classification
2025-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88251-6
PMID:39885250
|
研究论文 | 提出一种集成频谱聚焦Transformer的优化深度学习模型，用于路面病害识别与分类 | 提出频谱聚焦Transformer层，通过分析图像频域特性对频率分量进行精细化处理，增强对路面病害区域的捕捉能力 | NA | 解决复杂路面环境下病害特征提取困难的问题，提升路面病害识别与分类性能 | 路面病害图像 | 计算机视觉 | NA | 频域分析 | Transformer, 深度学习 | 图像 | NA | NA | 频谱聚焦Transformer | 准确率 | NA |
| 2775 | 2025-10-07 |
Biomedical named entity recognition using improved green anaconda-assisted Bi-GRU-based hierarchical ResNet model
2025-Jan-30, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-024-06008-w
PMID:39885428
|
研究论文 | 提出一种改进的绿蟒蛇优化算法辅助双向GRU层次ResNet模型用于生物医学命名实体识别 | 结合改进绿蟒蛇优化算法与双向GRU层次ResNet架构，优化模型参数选择 | 需要大量标注数据集，可能难以识别文本中的长距离关系 | 解决生物医学文本挖掘中的命名实体识别挑战 | 生物医学科学文献中的命名实体 | 自然语言处理 | NA | 文本挖掘 | Bi-GRU, ResNet | 文本 | MACCROBAT数据集（来自Kaggle） | NA | Hierarchical ResNet, Bi-GRU, BERT-Whole Word Masking | 准确率 | NA |
| 2776 | 2025-10-07 |
A deep learning approach for classifying and predicting children's nutritional status in Ethiopia using LSTM-FC neural networks
2025-Jan-30, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-025-00425-0
PMID:39885567
|
研究论文 | 本研究使用LSTM-FC神经网络对埃塞俄比亚儿童营养状况进行分类和预测 | 首次将LSTM-FC神经网络应用于儿童营养状况的纵向预测，并采用SHAP进行特征选择 | 仅基于埃塞俄比亚单一国家的数据，可能缺乏跨区域泛化能力 | 解决儿童营养不良这一关键公共卫生问题，预测营养状况随时间的变化 | 埃塞俄比亚儿童营养状况 | 机器学习 | 营养不良 | 纵向队列研究 | LSTM, 全连接神经网络 | 纵向调查数据 | 1997名埃塞俄比亚儿童，2002-2016年五轮调查数据 | TensorFlow, Keras | LSTM-FC | 准确率, 召回率, F1分数 | GPU加速系统 |
| 2777 | 2025-02-05 |
Automating airborne pollen classification: Identifying and interpreting hard samples for classifiers
2025-Jan-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e41656
PMID:39897809
|
研究论文 | 本文探讨了基于深度学习的空气花粉分类中的挑战，特别是识别和解释对分类器构成困难的样本 | 通过样本级难度分析，揭示了深度学习算法在花粉分类中面临的主要挑战，包括图像中多个花粉颗粒的共现、2D显微镜图像中特定标记的遮挡以及某些花粉类群缺乏显著独特特征 | 研究仅基于自动生成的花粉颗粒显微镜图像数据集，可能未涵盖所有实际应用场景 | 研究目的是识别和解释对深度学习分类器构成困难的空气花粉样本 | 空气花粉样本 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 最大的自动生成的花粉颗粒显微镜图像数据集之一 | NA | NA | NA | NA |
| 2778 | 2025-02-05 |
Deep learning-based prediction of mortality using brain midline shift and clinical information
2025-Jan-30, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e41271
PMID:39897887
|
研究论文 | 本研究提出了一种基于深度学习的计算机辅助方法，用于检测脑中线移位（MLS），并结合临床信息预测患者的死亡率 | 提出了一种关键点检测方法，用于在每张CT切片上检测脑中线，获取每张切片的MLS距离和面积，并结合临床信息使用多层感知器（MLP）模型预测患者死亡率 | CT切片是二维的，限制了脑中线移位的检测 | 预测患者的死亡率 | 脑中线移位（MLS）和临床信息 | 计算机视觉 | 脑损伤、中风、脑肿瘤或血肿 | 深度学习 | 多层感知器（MLP） | CT图像 | NA | NA | NA | NA | NA |
| 2779 | 2025-10-07 |
Mining versatile feruloyl esterases: phylogenetic classification, structural features, and deep learning model
2025-Jan-29, Bioresources and bioprocessing
IF:4.3Q1
DOI:10.1186/s40643-024-00835-8
PMID:39878830
|
研究论文 | 本研究通过系统发育分类、结构特征分析和深度学习模型挖掘多功能阿魏酸酯酶 | 首次整合酶相似性网络分析、分子动力学模拟和深度学习模型来预测多功能阿魏酸酯酶 | 仅从BRENDA数据库获取2085条序列，可能未覆盖所有已知阿魏酸酯酶 | 挖掘具有广泛底物催化能力的多功能阿魏酸酯酶 | 阿魏酸酯酶（FEs）氨基酸序列 | 生物信息学 | NA | 酶相似性网络分析，系统发育分析，分子动力学模拟，深度学习 | 深度学习模型 | 蛋白质序列数据 | 2085条阿魏酸酯酶序列 | NA | NA | 概率评分（90%阈值） | NA |
| 2780 | 2025-10-07 |
Fluo-Cast-Bright: a deep learning pipeline for the non-invasive prediction of chromatin structure and developmental potential in live oocytes
2025-Jan-29, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-025-07568-0
PMID:39880880
|
研究论文 | 开发了一种基于深度学习的非侵入性方法，用于预测活体小鼠卵母细胞的染色质结构和发育潜力 | 首次实现通过明场图像非侵入性预测活体卵母细胞染色质状态和发育潜能，避免了传统荧光标记的损伤性 | 研究仅在小鼠卵母细胞中进行验证，尚未扩展到其他物种 | 建立非侵入性卵母细胞质量评估方法 | 小鼠卵母细胞 | 数字病理 | 生殖医学 | 深度学习，转录组分析 | 深度学习管道 | 明场图像，荧光图像 | 未明确说明具体样本数量 | NA | NA | 准确率 | NA |