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 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 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 |
| 542 | 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 |
| 543 | 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 |
| 544 | 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 |
| 545 | 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 |
| 546 | 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 |
| 547 | 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 |
| 548 | 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 |
| 549 | 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 |
| 550 | 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 |
| 551 | 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 |
| 552 | 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 |
| 553 | 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 |
| 554 | 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 |
| 555 | 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 |
| 556 | 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 |
| 557 | 2026-01-24 |
Anatomical study and early diagnosis of dome galls in Cordia Dichotoma using DeepSVM model
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1558358
PMID:41561188
|
研究论文 | 本研究提出了一种基于DeepSVM混合架构的深度学习方法，用于早期检测Cordia dichotoma植物的圆顶瘿病害 | 通过将ResNet-50的最终sigmoid激活层替换为支持向量机（SVM）并应用L2正则化，提出了一种新型的DeepSVM混合架构，有效解决了传统CNN在真实环境数据上的过拟合和训练不稳定问题 | 研究仅针对Cordia dichotoma植物的圆顶瘿病害进行二元分类，模型在其他植物病害或更复杂分类任务上的泛化能力尚未验证 | 开发一种稳定且泛化能力强的深度学习模型，用于植物病害的早期自动检测，以支持精准农业 | Cordia dichotoma植物的叶片（健康叶片与患病叶片） | 计算机视觉 | 植物病害 | 图像采集与预处理 | CNN, SVM | 图像 | 总共4,300张叶片图像（3,900张用于训练，400张用于测试） | NA | ResNet-50, VGG-16, InceptionResNetv2, MobileNet-V2 | 准确率, F1分数 | NA |
| 558 | 2026-01-24 |
A Transformers-based framework for refinement of genetic variants
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1694924
PMID:41561439
|
研究论文 | 本文提出了一种基于Transformer的框架，用于高通量测序数据中遗传变异的精准精炼与过滤 | 首次将Transformer的自注意力机制应用于遗传变异精炼任务，可直接处理VCF文件并与标准流程（如BCFTools、GATK4）无缝集成 | 模型仅在GIAB的HG003样本上进行训练，泛化能力有待在不同种群和测序平台数据上进一步验证 | 开发自动化遗传变异精炼框架以区分真实变异与技术假象 | 高通量测序数据中的遗传变异 | 机器学习 | NA | 高通量测序 | Transformer | VCF文件（变异调用格式） | 200万变异（来自GIAB v4.2.1样本HG003） | NA | Transformer | 准确率, ROC AUC | NA |
| 559 | 2026-01-24 |
Neonatal supraventricular tachycardia: current diagnostic approaches and emerging technologies
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1694215
PMID:41561499
|
综述 | 本文综述了新生儿室上性心动过速（SVT）的当前诊断方法，并探讨了新兴技术（如深度学习算法、生物相容性可穿戴传感器和非接触式传感）在提升诊断能力方面的潜力 | 探讨了将深度学习算法、生物相容性可穿戴传感器和非接触式传感等新兴技术整合到新生儿SVT诊断中的潜力，以克服传统方法在信号质量和间歇性捕捉方面的限制 | 尽管AI模型在更广泛的儿科队列中报告了超过90%的诊断准确率，但针对新生儿群体的特异性验证仍是一个关键需求，且存在技术、监管和伦理方面的持续障碍 | 综述新生儿室上性心动过速（SVT）的诊断方法，并评估新兴技术如何改进诊断流程 | 新生儿室上性心动过速（SVT） | NA | 心血管疾病 | 12导联心电图（ECG）、动态监测、深度学习算法、生物相容性可穿戴传感器、非接触式传感 | 深度学习算法 | 心电图信号、传感器数据 | NA | NA | NA | 诊断准确率 | NA |
| 560 | 2026-01-24 |
Enhancing learning outcomes through post-discussion homework: the role of collaboration and task type
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1666213
PMID:41561610
|
研究论文 | 本研究探讨了如何设计课后讨论作业以维持研讨会教学的包容性、协作性动态 | 通过2×2准实验设计，结合社会架构（协作vs个人作业）和任务类型（概念导向vs案例导向），系统分析了协作作业对学习成果的影响，并提出了基于证据的课后作业设计框架 | 样本量较小（36名研究生），且为特定教育环境下的研究，可能限制结果的普适性 | 研究课后讨论作业的设计如何促进持续、协作的学习循环 | 36名研究生 | 教育技术 | NA | 准实验设计 | NA | 作业表现评分、感知学习评分、开放式访谈文本 | 36名研究生 | NA | NA | 基于量表的作业表现评分、学生感知学习评分 | NA |