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 1081 - 1100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1081 | 2025-10-06 |
Deriving equivalent symbol-based decision models from feedforward neural networks
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1618149
PMID:40777518
|
研究论文 | 提出从前馈神经网络中推导等效符号决策模型的方法 | 通过利用FNN中的分布式表示来识别符号组件，将神经网络激活映射到决策树结构 | 仅在前馈神经网络上进行验证，原型系统基于特定技术环境开发 | 探索连接主义与符号主义人工智能方法的交叉，提高AI系统透明度和可信度 | 前馈神经网络(FNNs)及其等效符号模型 | 机器学习 | NA | 神经网络解释性技术 | 前馈神经网络, 决策树 | NA | NA | Keras, TensorFlow, Java JDK/JavaFX | 前馈神经网络 | NA | Java开发环境 |
| 1082 | 2025-10-06 |
Automatic segmentation of chest X-ray images via deep-improved various U-Net techniques
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251366855
PMID:40777837
|
研究论文 | 本研究评估了多种U-Net变体在胸部X射线图像分割中的性能，并确定了在准确性和计算效率方面最优的模型 | 系统比较了8种不同深度和滤波器宽度的U-Net变体，发现中等复杂度的U-Net9在准确性和计算效率方面达到最佳平衡 | 仅使用单一公开数据集进行评估，未测试其他医学影像模态 | 评估各种基于U-Net的深度学习架构在胸部X射线分割中的性能，并确定最有效的模型 | 胸部X射线图像及其对应的分割掩码 | 计算机视觉 | COVID-19, 病毒性肺炎 | 深度学习图像分割 | CNN | 医学图像 | 公开的胸部X射线数据集，包含正常、COVID-19和病毒性肺炎三类 | NA | U-Net7, U-Net9, U-Net11, U-Net13, U-Net16, U-Net32, U-Net64, U-Net128 | IoU, Dice Coefficient | NA |
| 1083 | 2025-10-06 |
Automated detection of diabetic retinopathy lesions in ultra-widefield fundus images using an attention-augmented YOLOv8 framework
2025, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2025.1608580
PMID:40778265
|
研究论文 | 本研究提出两种注意力增强的YOLOv8模型，用于在超广角眼底图像中自动检测糖尿病视网膜病变病灶 | 在YOLOv8骨干网络中整合了卷积指数移动平均和卷积简单注意力模块两种注意力机制 | NA | 提高糖尿病视网膜病变病灶的自动检测精度 | 糖尿病视网膜病变患者的眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 超广角眼底成像 | YOLOv8 | 图像 | 3,388张超广角眼底图像（分辨率2,600×2048像素） | NA | YOLOv8, YOLOv8+convEMA, YOLOv8+convSimAM | 精确率, 平均精确率, 召回率 | NA |
| 1084 | 2025-10-06 |
A novel deep learning model based on multimodal contrast-enhanced ultrasound dynamic video for predicting occult lymph node metastasis in papillary thyroid carcinoma
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1634875
PMID:40778281
|
研究论文 | 基于多模态超声动态视频构建深度学习模型预测甲状腺乳头状癌隐匿性淋巴结转移 | 首次结合二维超声和超声造影动态视频构建多模态深度学习模型，用于术前预测甲状腺乳头状癌的隐匿性淋巴结转移 | 回顾性研究设计，样本量相对有限（396例），需要外部验证 | 术前预测甲状腺乳头状癌患者的隐匿性淋巴结转移 | 甲状腺乳头状癌患者 | 计算机视觉 | 甲状腺癌 | 超声成像，超声造影 | 深度学习模型 | 超声图像，超声造影动态视频 | 396例临床淋巴结阴性甲状腺乳头状癌病例 | NA | 五种代表性深度学习架构 | AUC, 敏感性, 特异性, 准确率 | NA |
| 1085 | 2025-10-06 |
Machine learning for diabetic foot care: accuracy trends and emerging directions in healthcare AI
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1613946
PMID:40756392
|
综述 | 系统分析机器学习在糖尿病足研究中的应用趋势、重点领域和方法学 | 首次系统综述2020-2024年间机器学习在糖尿病足研究中的应用现状和发展趋势 | 仅纳入SCI/SSCI索引的英文文献，样本量有限（25篇研究） | 分析机器学习在糖尿病足研究中的应用趋势和方法 | 糖尿病足相关研究文献 | 医疗健康AI | 糖尿病足 | 文献系统综述，引用分析 | 机器学习 | 图像数据，结构化临床数据，物联网传感器数据 | 25篇原创研究文章 | NA | NA | 引用率分析 | NA |
| 1086 | 2025-10-06 |
Mangrove species classification using a proposed ensemble U-Net model and Planet satellite imagery: A case study in Ngoc Hien district, Ca Mau province, Vietnam
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0327315
PMID:40768506
|
研究论文 | 本研究提出一种集成U-Net模型，利用Planet卫星影像对越南金瓯省玉显县的红树林物种进行分类 | 首次针对红树林物种分类提出集成U-Net模型，结合高分辨率Planet卫星影像（5米×5米） | 研究区域仅限于越南金瓯省玉显县个案研究 | 开发基于深度学习的红树林物种分类方法 | 红树林物种（白骨壤、红茄苳和混合红树林） | 计算机视觉 | NA | 卫星遥感 | U-Net, 集成学习 | 卫星影像 | NA | NA | U-Net, MobileNet, SEResNeXt-101, EfficientNet-B7 | 交并比, F1分数, 总体准确率 | NA |
| 1087 | 2025-10-06 |
MSMCE: A novel representation module for classification of raw mass spectrometry data
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321239
PMID:40768503
|
研究论文 | 提出一种用于原始质谱数据分类的多通道嵌入表示模块MSMCE | 通过建模通道间依赖关系生成多通道表示，并采用特征融合机制提升分类性能 | NA | 提升原始质谱数据的特征表示能力和分类性能 | 质谱数据 | 机器学习 | NA | 质谱分析 | 深度学习 | 质谱数据 | 四个公共数据集 | NA | MSMCE | 分类性能、计算效率、训练稳定性 | NA |
| 1088 | 2025-10-06 |
Artificial intelligence in personalized nutrition and food manufacturing: a comprehensive review of methods, applications, and future directions
2025, Frontiers in nutrition
IF:4.0Q2
DOI:10.3389/fnut.2025.1636980
PMID:40771216
|
综述 | 全面回顾人工智能在个性化营养和食品制造领域的方法、应用及未来发展方向 | 将静态人群饮食模型转变为基于数据的动态个性化框架，整合联邦学习等先进技术实现精准营养 | 存在算法透明度、数据隐私和公平获取等关键挑战 | 探讨人工智能在营养健康与食品系统交叉领域的创新应用 | 个性化营养推荐系统和智能食品制造流程 | 机器学习 | NA | 深度学习, 联邦学习, 计算机视觉 | NA | 生物标志物数据, 生产数据 | NA | NA | NA | NA | NA |
| 1089 | 2025-10-06 |
A hybrid approach for pattern recognition and interpretation in age-related false memory
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1579259
PMID:40771329
|
研究论文 | 本研究开发了一种结合优化机器学习与Transformer语言模型的混合方法，用于识别年轻和老年群体中真实记忆与错误记忆的行为模式差异 | 提出改进版LightGBM模型与语言模型结合的混合方法，通过特征置换重要性识别了九个关键特征，并分析特征与年龄的交互作用 | 未明确说明样本的具体人口学特征和数据集规模，方法对特定类型记忆错误的适用性需进一步验证 | 探索年龄相关错误记忆的形成机制，开发识别记忆行为模式的计算方法 | 年轻成年人和老年人群体 | 自然语言处理 | 老年性疾病 | 机器学习，语言模型 | LightGBM, Transformer | 行为数据，语言数据 | NA | LightGBM | 改进版LightGBM, Transformer | F1-score, recall | NA |
| 1090 | 2025-10-06 |
gamUnet: designing global attention-based CNN architectures for enhanced oral cancer detection and segmentation
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1582439
PMID:40771464
|
研究论文 | 提出一种融合全局注意力机制的CNN架构gamUnet，用于增强口腔癌检测和分割性能 | 首次将全局注意力机制(GAM)集成到CNN架构中，增强模型捕获全局跨模态信息的能力，并提出了扩展模型gamResNet | NA | 开发改进的口腔鳞状细胞癌(OSCC)自动检测和分割方法 | 口腔鳞状细胞癌(OSCC)组织病理学图像 | 数字病理学 | 口腔癌 | H&E染色组织病理学 | CNN | 图像 | NA | NA | gamUnet,gamResNet,U-Net | 准确率,鲁棒性,效率 | NA |
| 1091 | 2025-10-06 |
Advances in ocular aging: combining deep learning, imaging, and liquid biopsy biomarkers
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1591936
PMID:40771477
|
综述 | 本文综述了结合深度学习、眼部成像和液体活检生物标志物在眼衰老研究中的最新进展 | 首次系统整合深度学习技术与眼部成像、液体活检生物标志物，为眼衰老研究提供创新方法 | NA | 探索眼衰老作为全身年龄相关疾病和死亡率标志物的研究领域 | 眼衰老过程及相关生物标志物 | 医学人工智能 | 年龄相关眼病 | 眼部成像, 液体活检(房水或玻璃体) | 深度学习 | 医学图像, 生物标志物数据 | NA | NA | NA | NA | NA |
| 1092 | 2025-10-06 |
Applications and advances of multi-omics technologies in gastrointestinal tumors
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1630788
PMID:40771479
|
综述 | 系统回顾多组学技术在胃肠道肿瘤研究中的最新进展及其在早期筛查、生物标志物发现和治疗优化中的应用 | 通过构建多尺度框架整合表观基因组学、宏基因组学和脂质组学等新兴领域，为分子分型和靶向治疗开辟新路径 | 存在数据异质性、算法泛化能力不足和高成本等问题限制临床转化 | 探讨多组学技术在胃肠道肿瘤精准诊疗中的应用价值与发展前景 | 胃肠道肿瘤及其分子特征 | 生物信息学 | 胃肠道肿瘤 | 多组学技术（基因组学、转录组学、蛋白质组学、代谢组学、表观基因组学、宏基因组学、脂质组学） | NA | 多组学数据 | NA | NA | NA | NA | NA |
| 1093 | 2025-10-06 |
Stochastic-based learning for image classification in chest X-ray diagnosis
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251361745
PMID:40771770
|
研究论文 | 提出一种基于随机深度学习的胸部X光图像分类方法，用于提高肺炎等肺部疾病的检测精度 | 采用随机深度学习方法结合优化的卷积神经网络架构，通过dropout正则化和积极数据增强提升模型性能 | 需要在更多样化的大规模数据集上进行额外验证，并集成到临床决策支持系统中才能广泛应用 | 提高胸部X光图像中肺部疾病（特别是肺炎）的诊断精度 | 胸部X光图像 | 计算机视觉 | 肺部疾病 | 深度学习 | CNN | 图像 | NA | NA | 卷积神经网络 | 准确率,精确率,损失值 | NA |
| 1094 | 2025-10-06 |
CDFA: Calibrated deep feature aggregation for screening synergistic drug combinations
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1608832
PMID:40771923
|
研究论文 | 提出一种基于深度学习的校准深度特征聚合框架，用于筛选协同药物组合 | 提出基于蛋白质信息和基因表达的新型细胞系表征方法，使用Transformer架构的特征聚合网络建模药物对与细胞系的复杂相互作用，并引入不确定性校准方法增强预测可靠性 | NA | 开发计算方法来高效筛选协同药物组合，解决传统湿实验方法资源消耗大的问题 | 药物组合和细胞系 | 机器学习 | 复杂疾病 | 蛋白质信息分析，基因表达分析 | Transformer | 蛋白质信息，基因表达数据 | NA | NA | Transformer | NA | NA |
| 1095 | 2025-10-06 |
Emerging trends and knowledge networks in pan-cancer sorafenib resistance: a 20-year bibliometric investigation
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1581820
PMID:40771926
|
文献计量学研究 | 通过20年文献计量学分析揭示泛癌种索拉非尼耐药的研究趋势和知识网络 | 首次对索拉非尼耐药进行跨癌种的系统性文献计量学分析，识别关键耐药机制和研究空白 | 仅基于Web of Science数据库文献，可能遗漏部分相关研究 | 阐明索拉非尼耐药的潜在机制和研究趋势 | 肝细胞癌、转移性肾细胞癌、放射性碘难治性分化型甲状腺癌 | 文献计量学 | 多癌种（肝癌、肾癌、甲状腺癌） | 文献计量分析，网络可视化 | NA | 文献数据 | 1,484篇相关出版物 | VOSviewer, CiteSpace | NA | NA | NA |
| 1096 | 2025-10-06 |
Federated knee injury diagnosis using few shot learning
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1589358
PMID:40771942
|
研究论文 | 提出一种结合联邦学习和少样本学习的混合方法用于膝关节损伤MRI诊断 | 首次将联邦学习与少样本学习相结合，采用3DResNet50架构和原型网络，在保护数据隐私的同时解决标注数据稀缺问题 | 冠状面视图性能较低，复杂架构导致计算需求较高 | 开发能够在保护患者隐私的前提下使用有限标注数据进行膝关节损伤诊断的方法 | 膝关节损伤（前交叉韧带撕裂和半月板撕裂）的MRI扫描图像 | 计算机视觉 | 膝关节损伤 | MRI扫描 | CNN | 医学图像 | MRNet数据集 | NA | 3DResNet50, Prototypical Networks | 准确率 | NA |
| 1097 | 2025-10-06 |
A comparative study of bone density in elderly people measured with AI and QCT
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1582960
PMID:40771941
|
研究论文 | 本研究通过AI模型与QCT方法比较，验证基于常规CT扫描的骨密度AI预测在骨质疏松诊断中的临床价值 | 首创双验证框架验证基于深度学习的骨密度预测算法，并评估多厂商CT设备间测量一致性 | 回顾性研究设计，样本量相对有限（702例患者） | 验证AI骨密度预测与QCT的诊断等效性，评估跨设备测量一致性，确定AI衍生骨密度在骨质疏松分类中的临床效用 | 702名患者（2019-2022年）的配对CT/QCT数据集 | 医学影像分析 | 骨质疏松症 | 定量CT（QCT），常规胸腹部CT扫描 | 深度学习模型 | CT影像数据 | 702名患者的多中心回顾性数据 | NA | NA | AUC, 准确率, 灵敏度, 特异性, R²值 | NA |
| 1098 | 2025-10-06 |
Artificial intelligence in neurodegenerative diseases research: a bibliometric analysis since 2000
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1607924
PMID:40771972
|
文献计量分析 | 对2000-2025年神经退行性疾病人工智能研究领域的文献计量分析 | 首次系统分析神经退行性疾病AI研究领域的知识图谱和发展轨迹 | 仅基于Web of Science数据库的1402篇文献，可能存在收录偏差 | 探索人工智能在神经退行性疾病研究中的发展态势和研究热点 | 神经退行性疾病研究领域的科学文献 | 文献计量学 | 神经退行性疾病 | 文献计量分析 | NA | 文献元数据 | 1402篇出版物（1159篇文章，243篇综述） | VOSviewer, CiteSpace, Bibliometrix R | NA | 合作中心性（0.24），篇均引用次数（31.68） | NA |
| 1099 | 2025-10-06 |
Domain adaptive deep possibilistic clustering for EEG-based emotion recognition
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1592070
PMID:40772260
|
研究论文 | 提出一种结合深度领域不变特征学习与可能性聚类的领域自适应框架，用于解决基于EEG的情绪识别中的领域偏移问题 | 将最大均值差异重新表述为模糊熵正则化框架下的单中心聚类任务，并引入自适应加权损失和记忆库策略增强伪标签可靠性 | NA | 开发鲁棒的跨领域脑电信号情绪识别方法 | 脑电信号(EEG) | 机器学习 | NA | 脑电信号采集 | 深度聚类 | 脑电信号 | 三个基准数据集(SEED, SEED-IV, DEAP) | NA | 深度可能性聚类 | 识别准确率, 泛化能力 | NA |
| 1100 | 2025-10-06 |
EPI-DynFusion: enhancer-promoter interaction prediction model based on sequence features and dynamic fusion mechanisms
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1614222
PMID:40772277
|
研究论文 | 提出基于序列特征和动态融合机制的增强子-启动子相互作用预测模型EPI-DynFusion | 结合Transformer和BiGRU架构的动态特征融合机制，并引入卷积块注意力模块(CBAM)增强对关键区域的关注能力 | 仅基于DNA序列信息进行预测，未考虑其他表观遗传因素 | 开发高效的计算模型来预测增强子-启动子相互作用 | DNA序列中的增强子-启动子相互作用 | 生物信息学 | NA | DNA序列分析 | CNN, Transformer, BiGRU | DNA序列数据 | 六个基准细胞系数据 | NA | CNN, Transformer, BiGRU, CBAM | AUROC, AUPR | NA |