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 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2026-01-29 |
Developing a Deep Learning Approach for Automated Body Composition Prediction in Newborns Using Ultrasound Images
2025, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/access.2025.3639889
PMID:41585011
|
研究论文 | 本研究开发了一种基于深度学习的方法，利用新生儿超声图像自动预测身体成分（脂肪质量和去脂质量） | 首次将深度学习应用于超声图像以实现人体成分的自动预测，并探索了新的超声扫描协议和图像处理流程 | 样本量较小（仅65名早产儿），且仅针对特定解剖位置（肱二头肌、腹部和股四头肌）的超声图像 | 开发一种自动化的身体成分预测方法，以评估营养不良并指导营养干预 | 早产新生儿的超声图像及其对应的身体成分测量数据 | 计算机视觉 | 营养不良 | 超声成像 | CNN | 图像 | 65名早产婴儿 | NA | EfficientNet-B1 | 平均绝对百分比误差（MAPE） | NA |
| 262 | 2026-01-29 |
Applications, image analysis, and interpretation of computer vision in medical imaging
2025, Frontiers in radiology
DOI:10.3389/fradi.2025.1733003
PMID:41585084
|
综述 | 本文综述了计算机视觉在医学影像中的当前进展、应用及研究前景 | 总结了计算机视觉在提升医学影像诊断准确性、改善患者护理和操作效率方面的革命性作用，并强调了深度学习算法特别是卷积神经网络在医学图像分割中的关键应用 | NA | 探讨计算机视觉在医学影像中的应用、图像分析及解释，以推动医疗实践的发展 | 医学影像数据，包括胸部CT扫描、脑部扫描等 | 计算机视觉 | 肺癌, 阿尔茨海默病 | 深度学习, 卷积神经网络 | CNN | 图像 | NA | NA | NA | 灵敏度 | NA |
| 263 | 2026-01-29 |
Early prediction of diabetic retinopathy using a multimodal deep learning framework integrating fundus and OCT imaging
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1741146
PMID:41585223
|
研究论文 | 本研究提出了一种融合眼底和OCT成像的多模态深度学习框架，用于早期预测糖尿病视网膜病变 | 通过基于注意力的加权机制融合眼底和OCT图像的结构与空间特征，实现多模态诊断 | 数据集规模有限，结果仅为初步，需在更大更多样化数据集上验证 | 开发一种用于早期糖尿病视网膜病变评估的多模态诊断框架 | 糖尿病视网膜病变患者 | 计算机视觉 | 糖尿病视网膜病变 | 眼底摄影，光学相干断层扫描（OCT） | 深度学习 | 图像 | 222张高质量配对图像（111张眼底 + 111张OCT） | NA | NA | 准确率，AUC-ROC | NA |
| 264 | 2026-01-29 |
From radiomics to transformers in pancreatic cancer detection and prognosis
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1731922
PMID:41585265
|
系统综述 | 本文系统回顾了从放射组学到Transformer模型在胰腺癌检测和预后中的应用进展 | 提出AI方法的代际分类法，整合多模态数据，并评估数据可用性、使用和样本规模的趋势 | 泛化性、外部验证、模型校准和转化准备方面存在局限性 | 改善胰腺导管腺癌的早期检测和个性化预后 | 胰腺导管腺癌（PDAC） | 医学影像 | 胰腺癌 | NA | 机器学习, 深度学习, Transformer | 影像, 病理, 分子数据 | NA | NA | NA | NA | NA |
| 265 | 2026-01-29 |
Artificial intelligence-assisted quantification of fundus tessellation in early-onset high myopia
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1663903
PMID:41585272
|
研究论文 | 本研究利用人工智能辅助的图像分析技术，定量评估了早发性高度近视儿童的眼底镶嵌密度，并探讨了其与眼轴长度的关联 | 首次在早发性高度近视儿童中，采用深度学习算法对眼底镶嵌密度进行定量分析，并揭示了其与眼轴长度的区域特异性关联 | 样本量较小（47只眼），且为横断面研究，无法确定因果关系 | 定量评估早发性高度近视儿童的眼底镶嵌密度，并探索其与眼轴长度的关系 | 年龄≤6岁的早发性高度近视儿童 | 计算机视觉 | 高度近视 | 超广角眼底摄影 | 深度学习 | 图像 | 31名儿童的47只眼 | NA | NA | NA | NA |
| 266 | 2026-01-28 |
Bridging neuromorphic computing and deep learning for next-generation neural data interpretation
2025, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2025.1737839
PMID:41585347
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 267 | 2026-01-26 |
SEAFEC: a spatial-edge adaptive convolution for multi-scale and boundary-aware plant disease and weed imagery
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1695076
PMID:41573215
|
研究论文 | 本文提出了一种名为SEAFEC的新型卷积模块，用于增强农业图像分析中的尺度适应性和边界精度 | SEAFEC模块采用双分支设计，动态调整感受野并显式增强边缘特征，以应对多尺度变化和模糊边界的挑战 | NA | 解决植物病害和杂草图像分析中的多尺度变化和边界模糊问题，以支持可靠的病害诊断和精准杂草管理 | 植物病害分类、玉米叶病害检测和甘蔗-杂草分割任务 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | NA | NA | SEAFEC | 准确率, mAP, mIoU | NA |
| 268 | 2026-01-26 |
Multi-modal AI in precision medicine: integrating genomics, imaging, and EHR data for clinical insights
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1743921
PMID:41573270
|
综述 | 本文探讨了多模态人工智能在精准医疗中的应用，重点介绍了其如何整合基因组学、影像学和电子健康记录数据以提供临床洞见 | 提出了一个整合多模态数据（包括基因组、转录组、蛋白质组、影像、环境和电子健康记录）的统一分析框架，并强调了AI在早期疾病检测、生物标志物发现和药物开发中的创新应用 | 面临数据互操作性、算法偏见以及患者隐私相关的伦理挑战 | 研究多模态人工智能在精准医疗中的变革潜力，特别是在多组学数据整合、预测建模和临床决策支持方面的作用 | 精准医疗中的多模态数据整合，包括基因组、影像和电子健康记录数据 | 机器学习 | 肿瘤学、神经学、心血管疾病 | NA | 机器学习、深度学习 | 基因组数据、影像数据、电子健康记录数据 | NA | NA | NA | NA | NA |
| 269 | 2026-01-26 |
Advances in protein-protein interaction prediction: a deep learning perspective
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1710937
PMID:41574108
|
综述 | 本文从深度学习视角全面分析了蛋白质-蛋白质相互作用预测的进展，包括各种模型、特征表示、学习策略和评估基准 | 系统性地比较了多种深度学习模型在PPI预测中的应用，并强调了它们在捕捉复杂依赖和结构关系方面的优势与局限 | NA | 综述深度学习在蛋白质-蛋白质相互作用预测领域的最新进展，并指出未来的研究方向 | 蛋白质-蛋白质相互作用 | 机器学习 | NA | NA | CNN, RNN, DNN, GCN, 集成架构 | 蛋白质序列和结构数据 | NA | NA | 卷积神经网络, 循环神经网络, 深度神经网络, 图卷积网络 | NA | NA |
| 270 | 2026-01-25 |
Advanced EEG signal classification for neural prosthetic devices using metaheuristic and deep learning techniques
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1706660
PMID:41567346
|
研究论文 | 本文提出了一种结合改进的浣熊优化算法特征选择与多种机器学习/深度学习分类器的统一优化驱动框架，用于提高基于EEG的运动想象信号解码精度 | 提出了一种动态且无参数的浣熊优化算法，结合对立学习机制，在高维特征空间中实现更好的探索与利用平衡，用于特征选择 | NA | 提高神经假体设备中高维脑电图信号的分类准确性，以增强分类器泛化能力和计算效率 | 脑电图信号，特别是运动想象任务相关的信号 | 机器学习 | NA | 脑电图信号处理 | SVM, RF, CNN, RNN | 脑电图信号 | 使用了PhysioNet运动运动/想象数据集等常用基准EEG数据集 | NA | 卷积神经网络，循环神经网络 | 准确率，精确率，召回率，F1分数 | NA |
| 271 | 2026-01-25 |
Early detection of soybean mosaic virus using portable Raman spectroscopy coupled with machine learning
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1750535
PMID:41567393
|
研究论文 | 本研究提出了一种结合便携式拉曼光谱与机器学习算法，用于大豆花叶病毒早期非侵入性检测的方法 | 首次将便携式拉曼光谱与深度学习模型（1D-CNN）结合，实现了大豆花叶病毒的早期（接种后4天）检测，相比传统方法（7-10天）显著提前 | 研究仅针对特定大豆品种和病毒株（SC3），模型在其他品种或病毒株上的泛化能力未验证，且样本量相对有限 | 开发一种非侵入性、早期检测大豆花叶病毒的方法，以支持疾病预警和精准管理 | 抗性和易感大豆栽培品种的叶片，在不同感染阶段（接种后0、2、4、6天）采集 | 机器学习 | 植物病毒病 | 便携式拉曼光谱 | 1D-CNN, SVM, KNN, BP-ANN | 光谱数据 | 未明确具体样本数量，但涉及抗性和易感品种在不同感染阶段的叶片光谱 | 未明确指定，但可能涉及TensorFlow或PyTorch（基于CNN使用） | 1D-CNN | 准确率 | NA |
| 272 | 2026-01-25 |
Deep learning models for predicting heart disease risk using the UCI database: methods, performance, and clinical context
2025, American journal of cardiovascular disease
DOI:10.62347/CEBK2916
PMID:41567845
|
研究论文 | 本研究利用UCI心脏病数据集开发和评估深度学习模型，用于预测心脏病风险，并与传统机器学习方法进行性能对比 | 首次在UCI心脏病数据集上应用深度学习模型进行风险预测，并系统性地与经典机器学习方法（如随机森林）进行性能比较，揭示了特定临床特征（如运动诱发心绞痛）的高预测价值 | 研究基于1988年收集的回顾性数据，样本量相对较小（1025例），且未在外部独立数据集上进行验证，可能限制模型的泛化能力 | 开发和评估深度学习模型以预测心脏病风险，并提升临床诊断和治疗策略 | UCI心脏病数据集中的1025名患者，涵盖克利夫兰、匈牙利、瑞士和长滩V四个来源的数据 | 机器学习 | 心血管疾病 | NA | 深度学习模型, Random Forest | 结构化临床数据 | 1025名患者 | NA | NA | 准确率 | NA |
| 273 | 2026-01-25 |
Hybrid deep learning models for fake news detection: case study on Arabic and English languages
2025, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2025.1683786
PMID:41568095
|
研究论文 | 本文提出了一种结合多通道CNN和双向BiLSTM的混合深度学习模型，用于检测阿拉伯语和英语的假新闻 | 首次针对阿拉伯语和英语语言，集成多通道CNN和双向BiLSTM并行捕获语义和局部文本特征，并利用预训练FastText模型进行嵌入，提升了假新闻检测的准确率 | 研究主要基于三个基准数据集，可能未覆盖所有语言变体或新兴假新闻类型，且阿拉伯语资源限制和语言复杂性仍带来挑战 | 开发有效的深度学习技术以检测阿拉伯语和英语的假新闻，提升社交媒体信息的可靠性 | 阿拉伯语和英语的新闻文本数据 | 自然语言处理 | NA | 深度学习 | CNN, BiLSTM | 文本 | 三个基准数据集：AFND和ANS（阿拉伯语数据集）、WELFake（英语数据集） | NA | 多通道CNN, 双向BiLSTM | 准确率 | NA |
| 274 | 2026-01-24 |
Corrigendum: Addressing grading bias in rock climbing: machine and deep learning approaches
2025, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2025.1570591
PMID:40051920
|
correction | 本文是对先前发表文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 275 | 2026-01-24 |
A lightweight co-optimization model for field sunflower disease identification
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1728123
PMID:41560911
|
研究论文 | 本文提出了一种轻量化的YOLO-CGA模型，用于田间向日葵病害识别，并在Raspberry Pi上部署以实现现场应用 | 基于YOLOv8n-cls，设计了CBAM_ADown模块以增强特征提取和噪声抑制，采用C3Ghost模块减少参数量，并构建AFC_SPPF模块进行多尺度病害特征融合，从而在保持高精度的同时实现模型轻量化 | 模型在复杂田间环境中的泛化能力可能仍需进一步验证，且仅针对向日葵等特定作物病害进行测试 | 开发一种轻量化且鲁棒的作物病害识别模型，以解决现有深度学习模型在复杂田间环境中缺乏鲁棒性、参数量大、难以在资源受限设备上部署的问题 | 向日葵病害图像 | 计算机视觉 | 向日葵病害 | 深度学习 | YOLO | 图像 | 三个主要数据集：BARI-Sunflower数据集、Cotton Disease数据集、FGVC8数据集 | PyTorch | YOLOv8n-cls, CBAM_ADown, C3Ghost, AFC_SPPF | 准确率 | Raspberry Pi |
| 276 | 2026-01-24 |
MTMEGPS: An R package for multi-trait and multi-environment genomic and phenomic selection using deep learning
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1674985
PMID:41560909
|
研究论文 | 本文介绍了一个名为MTMEGPS的R包，用于通过深度学习进行多性状和多环境的基因组与表型组选择 | 开发了一个集成的R包，简化了深度学习在育种中的应用流程，支持多性状和多环境预测，并提供了端到端的工作流 | 深度学习计算需求高，且预测误差在某些场景下仍处于中等水平 | 提升基因组和表型组选择的预测能力，通过深度学习捕获非线性模式 | 玉米基因组数据、桉树近红外光谱数据以及公开的多环境验证数据集 | 机器学习 | NA | 深度学习，近红外光谱 | 深度学习模型 | 基因组数据，光谱数据 | NA | R | NA | 均方误差 | NA |
| 277 | 2026-01-24 |
Artificial intelligence prediction of nonenhancing brain tumor malignancy based on in vivo confocal laser endomicroscopic imaging
2025, Frontiers in surgery
IF:1.6Q2
DOI:10.3389/fsurg.2025.1655374
PMID:41560935
|
研究论文 | 本文开发了一种基于序列的深度学习模型，利用共聚焦激光内镜成像序列对非增强脑肿瘤进行分级预测 | 提出了一种新颖的序列深度学习模型，结合视觉和时间信息，模拟神经病理学家的视觉推理过程，优于传统的基于单帧的分类方法 | 样本量较小（仅16名患者），模型在更大数据集上的泛化能力有待验证 | 开发人工智能模型以准确预测非增强脑肿瘤的恶性程度，辅助术中决策 | 非增强脑肿瘤患者的共聚焦激光内镜成像序列 | 数字病理学 | 脑肿瘤 | 共聚焦激光内镜成像 | 深度学习 | 图像序列 | 16名患者，105个序列，3,173张图像，40个感兴趣区域 | NA | Vision Transformer, VGG16, ResNet50, Inception-ResNet-V2, Transformer编码器, 时间卷积 | top-1分类准确率 | NA |
| 278 | 2026-01-24 |
Evaluation of deep learning tools in medical diagnosis and treatment of cancer: research analysis of clinical and randomized clinical trials
2025, Frontiers in network physiology
DOI:10.3389/fnetp.2025.1578562
PMID:41561148
|
综述 | 本文系统评估了深度学习算法在癌症诊断与治疗临床试验中的应用，并分析了其性能与未来前景 | 首次按癌症类型分层系统评估深度学习算法在临床试验中的表现，并提出大规模实施的建议 | 研究仅基于PubMed数据库的文献，可能未涵盖所有相关研究 | 评估深度学习在癌症诊疗中的应用效果并展望未来发展方向 | PubMed数据库中关于深度学习在癌症诊断的临床与随机对照试验文献 | 机器学习 | 癌症 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 279 | 2026-01-24 |
Optimized multi agent reinforcement learning algorithms with hybrid BiLSTM for cost efficient EV charging scheduling
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1700664
PMID:41561184
|
研究论文 | 本文提出了一种结合Pelican优化算法调优的双向长短期记忆网络和多智能体强化学习的新框架，用于电动汽车充电站的成本高效调度 | 将预测、优化和调度步骤无缝统一在一个马尔可夫决策过程框架中，而非传统上作为独立实体处理 | NA | 最小化运营成本、确保电网稳定性并提升用户满意度 | 电动汽车充电站 | 机器学习 | NA | NA | BiLSTM, MARL | 时间序列数据 | NA | NA | BiLSTM | 充电成本降低百分比, 荷电状态满意度提升百分比, 预测准确率提升百分比, 仿真时间减少 | NA |
| 280 | 2026-01-24 |
Artificial intelligence in outpatient management: a simulation-based study in a Chinese tertiary hospital
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1696586
PMID:41561186
|
研究论文 | 本研究通过模拟数据和医生调查，探索了人工智能在中国门诊管理中的应用、潜在价值及挑战 | 使用LSTM深度学习模型预测门诊流量，相比传统ARIMA模型提升了约15%的预测准确率，并模拟了AI实施对减少患者等待时间约30%及提高医生工作效率和满意度的效果 | 研究主要基于模拟数据，实际应用性可能受限，且存在数据隐私、法规合规性和医生接受度等关键问题 | 探索人工智能在中国门诊管理中的应用、潜在价值及挑战，以优化资源配置和患者体验 | 中国三级医院的门诊管理流程，包括门诊流量预测、患者等待时间及医生工作效率 | 机器学习 | NA | 模拟数据、医生调查 | LSTM, ARIMA | 模拟数据 | NA | NA | LSTM | 预测准确率 | NA |