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 1441 - 1460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1441 | 2025-10-06 |
A multi-data fusion deep learning model for prognostic prediction in upper tract urothelial carcinoma
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1644250
PMID:40842585
|
研究论文 | 开发了一种融合多期相CT影像和临床数据的深度学习模型MICC，用于上尿路尿路上皮癌的预后预测 | 首次提出多模态融合深度学习模型，结合影像和临床数据提升UTUC预后预测准确性 | 回顾性研究，样本量较小（133例患者），单中心数据 | 提高上尿路尿路上皮癌患者的预后预测准确性 | 133例接受根治性肾输尿管切除术的UTUC患者 | 数字病理 | 尿路上皮癌 | 多期相增强CT成像 | 深度学习 | 医学影像，临床数据 | 133例患者（训练集103例，测试集30例） | NA | MICC（多模态影像-临床组合分类器） | AUC，准确率，敏感性，特异性，阴性预测值，阳性预测值 | NA |
| 1442 | 2025-10-06 |
Enhancing detection of common bean diseases using Fast Gradient Sign Method-trained Vision Transformers
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1643582
PMID:40842854
|
研究论文 | 本研究提出一种基于Vision Transformer并结合对抗训练的深度学习模型，用于在真实农场条件下增强常见豆类疾病的检测鲁棒性 | 将对抗训练（特别是FGSM方法）与Vision Transformer结合，提升模型在资源受限环境下的疾病检测鲁棒性 | 研究主要针对坦桑尼亚的豆类疾病，可能对其他地区或作物的适用性有限 | 提高在真实农场条件下豆类疾病检测的准确性和鲁棒性 | 豆类作物（特别是豆锈病和豆炭疽病） | 计算机视觉 | 植物疾病 | 深度学习，对抗训练 | Vision Transformer (ViT) | 图像 | 100,000张标注图像 | NA | Vision Transformer | 准确率 | 低资源设置 |
| 1443 | 2025-10-06 |
BioCompNet: A Deep Learning Workflow Enabling Automated Body Composition Analysis toward Precision Management of Cardiometabolic Disorders
2025, Cyborg and bionic systems (Washington, D.C.)
DOI:10.34133/cbsystems.0381
PMID:40842914
|
研究论文 | 开发了一个名为BioCompNet的端到端深度学习工作流，用于自动化身体成分分析以支持心脏代谢疾病的精准管理 | 整合双参数MRI序列与分层U-Net架构，实现15个生物力学关键身体成分的全自动量化 | NA | 开发自动化身体成分分析工作流以支持心脏代谢疾病的风险评估和临床决策 | 腹部和股部的15个身体成分区域，包括骨骼、肌肉和脂肪组织 | 医学影像分析 | 心脏代谢疾病 | 双参数磁共振成像（水/脂肪序列） | 深度学习 | 医学影像（MRI） | 开发集：8,048个MRI切片来自503人的社区队列；验证集：240个MRI切片来自30人的三级医院 | NA | 分层U-Net | Dice相似系数, 组内相关系数 | NA |
| 1444 | 2025-10-06 |
Research progress in deep learning-based fundus image analysis for the diagnosis and prediction of hypertension-related diseases
2025, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2025.1608994
PMID:40843176
|
综述 | 系统总结基于深度学习的眼底图像分析在高血压相关疾病诊断与预测中的研究进展 | 聚焦深度学习在高血压相关疾病眼底图像分析中的最新应用，涵盖血管分割、动静脉分类、病变检测和系统性疾病预测等多个维度 | 当前模型在泛化能力、低质量图像鲁棒性和临床可解释性方面仍面临挑战 | 推动深度学习技术在高血压相关疾病管理中的实际应用 | 高血压相关疾病的眼底图像特征 | 计算机视觉 | 心血管疾病 | 彩色眼底摄影(CFP) | 深度学习(DL) | 图像 | NA | NA | NA | NA | NA |
| 1445 | 2025-10-06 |
Automated AI-based segmentation of canine hepatic focal lesions from CT studies
2025, Frontiers in veterinary science
IF:2.6Q1
DOI:10.3389/fvets.2025.1638142
PMID:40843252
|
研究论文 | 开发并评估基于深度学习的犬肝局灶性病变自动分割算法 | 首个基于深度学习的犬肝肿块CT影像自动分割算法研究 | 样本量有限（175例CT），仅来自两个诊所和单一数据库 | 开发自动分割犬肝肿块的深度学习算法以改善治疗规划 | 犬肝局灶性病变 | 数字病理 | 肝肿瘤 | CT成像 | 深度学习 | CT影像 | 175例犬CT病例（130例训练，45例测试） | nnUNet v2 | nnU-Net | Dice系数, ASSD | NA |
| 1446 | 2025-10-06 |
Artificial Intelligence in the Management of Asthma: A Review of a New Frontier in Patient Care
2025, Journal of asthma and allergy
IF:3.7Q1
DOI:10.2147/JAA.S535264
PMID:40851769
|
综述 | 探讨人工智能在哮喘管理中的变革潜力，包括预测分析、个性化治疗和持续患者参与 | 系统评估AI在哮喘护理中的最新应用，包括预测病情恶化、风险分层和个性化治疗建议 | 存在患者信任、数据安全和公平技术获取等伦理挑战 | 改善哮喘管理，提高患者预后并减轻医疗负担 | 哮喘患者群体（全球3.39亿人，美国2500万人） | 医疗人工智能 | 哮喘 | 机器学习、神经网络、深度学习 | ML | 可穿戴设备数据、患者记录 | NA | NA | NA | 预测准确性、治疗依从性 | NA |
| 1447 | 2025-10-06 |
Digital pathology-based artificial intelligence model to predict microsatellite instability in gastroesophageal junction adenocarcinomas
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1486140
PMID:40852482
|
研究论文 | 基于数字病理和人工智能模型预测胃食管结合部腺癌微卫星不稳定性的研究 | 首次开发基于H&E染色病理标本的深度学习模型来准确识别GEJ腺癌中的MSI-H状态 | 样本量相对有限（212例患者），需要更大规模的外部验证 | 开发基于数字病理的人工智能模型预测胃食管结合部腺癌的微卫星不稳定性 | 胃食管结合部腺癌患者 | 数字病理 | 胃食管结合部腺癌 | H&E染色、数字病理 | CNN, MLP | 病理图像 | 212例患者的416张H&E染色切片 | NA | Simple Vit, ResNet18 | AUC, 敏感度, 特异度 | NA |
| 1448 | 2025-10-06 |
Predicting mortality in critically ill patients with hypertension using machine learning and deep learning models
2025, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2025.1568907
PMID:40860363
|
研究论文 | 本研究评估机器学习和深度学习模型在预测ICU高血压危重患者死亡率方面的表现 | 首次系统比较传统机器学习与深度学习模型在高血压危重患者死亡率预测中的性能，并采用SHAP方法进行模型可解释性分析 | 回顾性研究设计，未来需要前瞻性验证；未详细讨论模型临床实施的伦理考量 | 评估不同ML和DL模型在预测高血压危重患者死亡率方面的性能比较 | ICU收治的危重高血压患者 | 机器学习 | 高血压 | 机器学习，深度学习 | 逻辑回归，决策树，支持向量机，CNN，LSTM | 临床数据 | 30,096名ICU危重高血压患者 | NA | 1D CNN，LSTM | AUC，其他性能指标 | NA |
| 1449 | 2025-10-06 |
LiSA-MobileNetV2: an extremely lightweight deep learning model with Swish activation and attention mechanism for accurate rice disease classification
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1619365
PMID:40860730
|
研究论文 | 提出一种极轻量级的深度学习模型LiSA-MobileNetV2，用于水稻病害的精确分类 | 结合结构简化、Swish激活函数和注意力机制，在保持计算效率的同时显著提升分类精度 | NA | 开发高精度、资源高效的实时水稻病害检测解决方案 | 水稻病害图像 | 计算机视觉 | 水稻病害 | 深度学习 | CNN | 图像 | NA | NA | MobileNetV2 | 准确率, 参数量, FLOPs | NA |
| 1450 | 2025-10-06 |
Deep learning and pathomics analyses predict prognosis of high-grade gliomas
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1614678
PMID:40860971
|
研究论文 | 本研究利用深度学习和病理组学分析高级别胶质瘤的预后预测 | 开发了结合病理组学特征和临床特征的联合预测模型，在高级别胶质瘤预后预测中表现出色 | NA | 预测高级别胶质瘤患者的预后 | 高级别胶质瘤患者 | 数字病理 | 脑癌 | 全切片图像分析 | 深度学习模型 | 病理图像 | NA | NA | NA | C-index, 中位无进展生存期 | NA |
| 1451 | 2025-10-06 |
A pathology-attention multi-instance learning framework for multimodal classification of colorectal lesions
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1592950
PMID:40548052
|
研究论文 | 提出一种病理注意力多示例学习框架PAT-MIL，用于结直肠病变的多模态分类 | 集成动态注意力机制与专家定义文本原型，通过病理知识驱动的语义引导和自适应原型分布优化，实现视觉与文本模态的协同建模 | 未提及模型在更广泛数据集上的泛化能力验证，以及计算效率的具体分析 | 开发无需像素级标注的结直肠病变分类方法，提升数字病理图像分析的准确性和泛化能力 | 结直肠病变的全切片图像(WSI) | 数字病理 | 结直肠癌 | 数字病理图像分析 | 多示例学习(MIL), 注意力机制 | 全切片图像(WSI), 文本原型 | 内部五分类数据集，外部数据集CRS-2024和UniToPatho | NA | PAT-MIL, ABMIL, DSMIL | 准确率, AUC | NA |
| 1452 | 2025-10-06 |
Optimization design of interior space based on the two-stage deep learning network and Single sample-driven method
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0329487
PMID:40929124
|
研究论文 | 提出融合两阶段深度学习网络和单样本驱动机制的室内空间优化设计框架 | 结合Transformer网络的多维特征提取和扩散模型的迭代优化，实现单样本驱动的个性化设计 | NA | 优化室内空间设计流程，提升设计效率和个性化程度 | 室内空间设计 | 计算机视觉 | NA | 深度学习 | Transformer, 扩散模型 | 图像 | 多个公开数据集（InteriorNet、SUN RGB-D、NYU Depth V2、ScanNet） | NA | Transformer, 扩散模型 | 设计周期减少率、空间利用率提升率、比例协调改善率、配色分数提升率 | NA |
| 1453 | 2025-10-06 |
Multi-scale diffusion model for underwater image restoration and enhancement
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0331465
PMID:40929172
|
研究论文 | 提出一种结合物理模型与深度学习的多尺度扩散模型，用于水下图像恢复与增强 | 首次将扩散模型的物理洞察与深度学习相结合，采用编码器-解码器流水线进行图像分解，并通过逆向去噪扩散模型实现像素级优化 | NA | 开发创新的水下图像增强算法，提升视觉质量并在性能指标上超越现有方法 | 水下退化图像 | 计算机视觉 | NA | 深度学习 | 扩散模型 | 图像 | NA | NA | 编码器-解码器 | PSNR, SSIM, UIQM | NA |
| 1454 | 2025-10-06 |
Localization and detection of deepfake videos based on self-blending method
2025-01-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88523-1
PMID:39890891
|
研究论文 | 提出一种基于自融合方法的深度伪造视频定位与检测技术 | 提出无需伪造样本的空间训练方法，通过多部位局部位移变形融合生成多样化特征数据，并采用混合区域标签指导操作区域定位 | 未明确说明模型在跨数据集上的泛化能力具体表现 | 提升深度伪造视频的检测精度和操作区域定位能力 | 深度伪造视频 | 计算机视觉 | NA | 深度学习 | Swin-Unet | 视频数据 | FF++、Celeb-DF、DFDC数据集 | NA | Swin-Unet | 检测准确率、定位精度 | NA |
| 1455 | 2025-10-06 |
TrimNN: Characterizing cellular community motifs for studying multicellular topological organization in complex tissues
2025-Jan-17, Research square
DOI:10.21203/rs.3.rs-5584635/v1
PMID:39877090
|
研究论文 | 提出一种基于图神经网络的方法TrimNN，用于识别空间转录组和蛋白质组数据中的细胞群落基序 | 采用自下而上的方法识别保守的细胞组织模式，将细胞生态位定义为可计数的拓扑块，具有可解释性和通用性 | NA | 研究复杂组织中多细胞拓扑组织的协调规则 | 空间转录组和蛋白质组数据中的细胞空间排列 | 计算生物学 | NA | 空间转录组学、空间蛋白质组学 | 图神经网络 | 空间组学数据 | NA | NA | TrimNN | NA | NA |
| 1456 | 2025-10-06 |
Improvement of mask R-CNN and deep learning for defect detection and segmentation in electronic products
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0329945
PMID:40920847
|
研究论文 | 提出基于YOLOv5和Mask R-CNN的多任务联合学习框架Y-MaskNet，用于电子产品的缺陷检测与分割 | 结合YOLOv5的高效目标检测能力和Mask R-CNN的精细分割能力，通过多任务学习框架优化模型整体性能 | NA | 提高电子产品缺陷检测与分割的准确率和效率 | 电子产品缺陷 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | PCB缺陷数据集 | PyTorch | YOLOv5, Mask R-CNN | mAP@[0.5:0.95], IoU | NA |
| 1457 | 2025-10-06 |
Bibliometric Analysis of Research Articles on Embedded Internet of Health Things (IoHT) Fall Detection in the Elderly Published from 2006 to 2025
2025, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S537047
PMID:40927577
|
文献计量分析 | 对2006年至2025年嵌入式健康物联网老年人跌倒检测研究文章进行文献计量分析 | 首次对嵌入式健康物联网老年人跌倒检测领域进行系统的文献计量分析，涵盖近20年的研究发展轨迹 | 仅基于Scopus数据库，可能存在文献收录不全；缺乏标准数据集和公平的人口统计代表性 | 分析嵌入式健康物联网老年人跌倒检测领域的研究现状、发展趋势和研究空白 | 2006-2025年期间发表的嵌入式健康物联网老年人跌倒检测相关研究文章 | 健康物联网 | 老年疾病 | 文献计量分析，科学图谱可视化 | 机器学习，深度学习 | 文献元数据，引文数据 | 79篇出版物 | VOSviewer | NA | 引文分析，科学图谱 | NA |
| 1458 | 2025-10-06 |
Efficient spatio-temporal modeling for sign language recognition using CNN and RNN architectures
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1630743
PMID:40927705
|
研究论文 | 本研究使用CNN和RNN架构进行坦桑尼亚手语识别，提出带ELU激活函数的CNN-GRU模型以提升性能 | 提出使用ELU激活函数的CNN-GRU架构来增强学习效率和性能，在手语识别中实现94%的准确率 | 在独立手语者设置中性能差异显著，最高准确率仅66%，手部优势特征优化仍面临挑战 | 开发能够捕捉视频帧时空关系特征的高效深度学习算法用于手语识别 | 坦桑尼亚手语数据集 | 计算机视觉 | NA | 深度学习 | CNN, LSTM, GRU | 视频 | 使用手机自拍摄像头收集的坦桑尼亚手语数据集 | NA | CNN-LSTM, CNN-GRU | 准确率 | NA |
| 1459 | 2024-12-12 |
Integrating Deep Learning with Biology: A New Frontier in Triple-Negative Breast Cancer Treatment Prediction?
2025-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240740
PMID:39660996
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1460 | 2025-09-12 |
Characterization of CNS Network Changes in Two Rodent Models of Chronic Pain
2025, Biological & pharmaceutical bulletin
IF:1.7Q3
DOI:10.1248/bpb.b25-00045
PMID:40930793
|
研究论文 | 本研究使用静息态功能磁共振成像技术，在两种慢性疼痛啮齿动物模型中表征中枢神经系统功能网络的变化 | 结合深度学习的监督机器学习方法预测慢性疼痛，并发现传统网络分析未捕捉到的连接模式信息 | 研究仅基于两种特定啮齿动物模型，结果外推至人类或其他疼痛模型需谨慎 | 探究慢性疼痛相关的中枢神经系统功能变化 | Lewis大鼠和Sprague-Dawley大鼠 | 神经影像学 | 慢性疼痛 | 静息态功能磁共振成像（fMRI），独立成分分析（ICA），图论测量，基于种子的功能连接分析 | 监督机器学习结合深度学习 | 神经影像数据 | 实验1：CFA模型组16只，对照组14只；实验2：PSNL模型组25只，假手术组19只 | NA | NA | NA | NA |