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 3218 篇文献，本页显示第 1461 - 1480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1461 | 2025-05-16 |
Beyond the Greater Angkor Region: Automatic large-scale mapping of Angkorian-period reservoirs in satellite imagery using deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320452
PMID:40138322
|
研究论文 | 利用深度学习技术自动大规模识别卫星图像中的吴哥时期水库 | 首次使用Deeplab V3+深度学习模型进行语义分割，自动识别吴哥时期水库，显著提高了考古学家的工作效率 | 模型仅针对吴哥时期水库进行训练，可能无法直接应用于其他类型的考古特征 | 通过自动识别卫星图像中的考古特征，加速对吴哥文化圈以外区域的全面测绘 | 吴哥时期水库 | 计算机视觉 | NA | 卫星遥感、深度学习 | Deeplab V3+ | 卫星图像 | NA | NA | NA | NA | NA |
| 1462 | 2025-05-16 |
Deep Learning-Based Auto-Segmentation for Liver Yttrium-90 Selective Internal Radiation Therapy
2025 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338251327081
PMID:40152005
|
研究论文 | 评估一种基于深度学习的自动分割方法用于Y-90选择性内放射治疗中的肝脏轮廓描绘 | 使用U-Net3D架构构建的深度学习模型在肝脏分割中优于传统的基于Atlas的方法 | NA | 评估深度学习自动分割方法在Y-90选择性内放射治疗中的肝脏轮廓描绘效果 | 接受Y-90选择性内放射治疗的患者的CT图像 | 数字病理 | 肝癌 | CT成像 | U-Net3D | 图像 | NA | NA | NA | NA | NA |
| 1463 | 2025-05-16 |
Artificial intelligence meets genomic selection: comparing deep learning and GBLUP across diverse plant datasets
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1568705
PMID:40364946
|
研究论文 | 本文通过比较深度学习模型和GBLUP方法在14个植物育种数据集上的表现，探讨了基因组选择在植物育种中的应用 | 深度学习模型能够捕捉复杂的非线性遗传模式，尤其在小型数据集中表现优于GBLUP方法 | 两种方法在不同性状和情景下表现不一，没有一种方法在所有情况下都优于另一种 | 提高基因组选择在植物育种中的实施效果 | 14个来自不同植物育种项目的真实数据集 | 机器学习 | NA | 基因组选择(GS) | 深度学习(DL), GBLUP | 基因组数据 | 14个数据集 | NA | NA | NA | NA |
| 1464 | 2025-05-16 |
sEMG-based gesture recognition using multi-stream adaptive CNNs with integrated residual modules
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1487020
PMID:40365011
|
research paper | 该研究提出了一种基于多流自适应卷积神经网络与残差模块（MSACNN-RM）的表面肌电信号手势识别方法，以提高特征提取和学习能力 | 结合多流卷积神经网络、自适应卷积神经网络和残差模块，增强了模型对复杂数据模式的提取和理解能力 | 未考虑个体间肌电信号差异，未来需开发通用多手势识别算法并优化网络以减少计算负担 | 提高表面肌电信号手势识别的准确性和多手势识别性能 | 表面肌电信号（sEMG）手势识别 | machine learning | NA | surface electromyography (sEMG) | multi-stream adaptive convolutional neural networks with residual modules (MSACNN-RM) | sEMG信号数据 | Ninapro DB1、Ninapro DB2和Ninapro DB4数据集 | NA | NA | NA | NA |
| 1465 | 2025-05-16 |
A predictive nomogram of thyroid nodules based on deep learning ultrasound image analysis
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1504412
PMID:40365227
|
research paper | 本研究通过深度学习超声图像分析，建立了一个预测甲状腺结节良恶性的列线图模型 | 结合深度学习和患者临床超声特征，构建的列线图模型比单独使用C-TIRADS或深度学习模型具有更高的准确性 | 研究为回顾性研究，可能存在选择偏倚 | 提高甲状腺结节良恶性的预测性能 | 甲状腺结节 | digital pathology | thyroid disease | deep learning ultrasound image analysis | deep learning model, nomogram model | ultrasound image | 2247个甲状腺结节（1573个用于训练和测试，674个用于验证） | NA | NA | NA | NA |
| 1466 | 2025-05-16 |
Deep learning and radiomics-driven algorithm for automated identification of May-Thurner syndrome in Iliac CTV imaging
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1526144
PMID:40365495
|
research paper | 本研究旨在通过深度学习和放射组学技术，开发一种自动化识别髂静脉CTV成像中May-Thurner综合征（MTS）的算法 | 结合深度学习和放射组学技术，首次开发了针对MTS的自动化分割模型和诊断放射组学特征 | 研究样本量相对有限（490例），且未提及外部验证数据集的独立验证结果 | 开发自动化MTS检测系统，提高诊断效率和准确性 | 髂静脉CTV扫描图像 | digital pathology | cardiovascular disease | CTV成像 | UPerNet | image | 490例（201例MTS阳性，289例阴性） | NA | NA | NA | NA |
| 1467 | 2025-05-16 |
Cryptographic key generation using deep learning with biometric face and finger vein data
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1545946
PMID:40365578
|
研究论文 | 提出了一种利用深度学习和多模态生物特征（人脸和手指静脉）生成加密密钥的新方法 | 结合FaceNet和VGG19预训练模型进行特征提取，使用Siamese Neural Network (SNN) 和模糊提取器，实现了安全且可复现的加密密钥生成 | NA | 提高生物特征加密的准确性和鲁棒性，探索抗量子攻击的可扩展系统 | 人脸和手指静脉的生物特征数据 | 机器学习 | NA | 深度学习 | FaceNet, VGG19, Siamese Neural Network (SNN) | 图像 | NA | NA | NA | NA | NA |
| 1468 | 2025-05-15 |
Machine Learning-Based Resource Management in Fog Computing: A Systematic Literature Review
2025-Jan-23, Sensors (Basel, Switzerland)
DOI:10.3390/s25030687
PMID:39943326
|
系统文献综述 | 本文通过系统文献综述分析了雾计算中基于机器学习的资源管理技术 | 采用PRISMA协议，全面分析了雾计算中机器学习和深度学习在资源管理中的应用，并识别了关键因素和约束 | 研究仅基于68篇研究论文，可能未涵盖所有相关文献 | 分析雾计算中基于机器学习的资源管理技术及其关键因素 | 雾计算中的资源管理技术 | 机器学习 | NA | 机器学习和深度学习 | NA | 文献数据 | 68篇研究论文 | NA | NA | NA | NA |
| 1469 | 2025-05-15 |
Enhanced Detection of Colon Diseases via a Fused Deep Learning Model with an Auxiliary Fusion Layer and Residual Blocks on Endoscopic Images
2025, Current medical imaging
IF:1.1Q3
|
research paper | 本文提出了一种融合深度学习模型，用于通过内窥镜图像增强结肠疾病的检测 | 结合了EfficientNetB0、MobileNetV2和ResNet50V2架构，引入了辅助融合层和融合残差块，以提高分类准确性和鲁棒性 | NA | 提高结肠疾病的自动诊断准确性和鲁棒性 | 内窥镜图像中的胃肠道异常或疾病 | digital pathology | colon diseases | deep learning | CNN, EfficientNetB0, MobileNetV2, ResNet50V2 | image | NA | NA | NA | NA | NA |
| 1470 | 2025-05-15 |
Enhanced Pneumonia Detection in Chest X-Rays Using Hybrid Convolutional and Vision Transformer Networks
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究通过结合CNN和改良的Swin Transformer模块，提出了一种新型混合深度学习模型，用于增强胸部X光中的肺炎检测 | 提出了一种结合CNN和改良Swin Transformer模块的混合模型，有效捕捉图像的局部和全局特征，显著提高了肺炎检测的准确性 | 未来研究需要进一步优化模型架构，探索更先进的图像处理技术，并引入可解释AI方法 | 提高胸部X光中肺炎检测的准确性，减少误诊，为资源有限地区提供可部署的解决方案 | 胸部X光图像 | 计算机视觉 | 肺炎 | CLAHE图像增强，数据增强（水平翻转、旋转、缩放） | CNN与Swin Transformer混合模型 | 图像 | 广州妇女儿童医疗中心提供的数据集 | NA | NA | NA | NA |
| 1471 | 2025-05-15 |
CERVIXNET: An Efficient Approach for the Detection and Classifications of the Cervigram Images Using Modified Deep Learning Architecture
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出了一种名为CERVIXNET的改进深度学习架构，用于检测和分类宫颈图像，以早期发现宫颈癌 | 提出了一种改进的深度学习架构CervixNet，提高了宫颈癌的检测率，并在异常宫颈图像中分割出癌症区域 | NA | 早期检测宫颈癌以提高患者生存率 | 宫颈图像 | 数字病理学 | 宫颈癌 | 深度学习 | 改进的CNN架构（CervixNet） | 图像 | IMODT和Guanacaste数据库中的宫颈图像 | NA | NA | NA | NA |
| 1472 | 2025-05-15 |
Automatic Detection of Cognitive Impairment in Patients With White Matter Hyperintensity Using Deep Learning and Radiomics
2025 Jan-Dec, American journal of Alzheimer's disease and other dementias
DOI:10.1177/15333175251325091
PMID:40087144
|
研究论文 | 本研究利用深度学习和放射组学技术自动检测白质高信号患者的认知障碍 | 结合VB-Nets深度学习卷积神经网络和放射组学特征，开发了一种新的随机森林模型，用于早期诊断白质高信号患者的认知障碍 | 样本量较小（总共108名患者），且外部验证集仅来自一家医院 | 开发一种可靠的早期诊断工具，用于检测白质高信号患者的认知障碍 | 白质高信号患者 | 数字病理学 | 老年疾病 | 放射组学特征提取 | VB-Nets CNN和随机森林 | 医学影像 | 79名患者（医院1）和29名患者（医院2） | NA | NA | NA | NA |
| 1473 | 2025-05-15 |
OnmiMHC: a machine learning solution for UCEC tumor vaccine development through enhanced peptide-MHC binding prediction
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1550252
PMID:40092998
|
研究论文 | 本研究开发了一种名为OnmiMHC的机器学习框架，用于预测MHC I类和II类分子对抗原肽的呈递，以促进UCEC肿瘤疫苗的开发 | 通过整合大规模质谱数据和其他相关数据类型，提出了基于深度学习的预测模型OnmiMHC，其在MHC-I和MHC-II任务中的表现优于现有方法 | NA | 开发一种新型机器学习框架，用于预测抗原肽与MHC分子的结合，以促进肿瘤疫苗的开发 | MHC I类和II类分子对抗原肽的呈递 | 机器学习 | 子宫体子宫内膜癌(UCEC) | 质谱数据 | 深度学习 | 质谱数据和其他相关数据 | NA | NA | NA | NA | NA |
| 1474 | 2025-05-15 |
AI-powered topic modeling: comparing LDA and BERTopic in analyzing opioid-related cardiovascular risks in women
2025, Experimental biology and medicine (Maywood, N.J.)
DOI:10.3389/ebm.2025.10389
PMID:40093658
|
research paper | 比较LDA和BERTopic在分析女性阿片类药物相关心血管风险中的表现 | 整合AI模块到LDA和BERTopic中，并首次在女性阿片类药物相关心血管风险分析中进行全面比较 | 研究仅基于PubMed摘要，未涉及全文分析，且样本量有限 | 比较传统和现代主题建模技术在文本分析中的效果 | 女性阿片类药物使用与心血管风险的文本数据 | natural language processing | cardiovascular disease | topic modeling, deep learning | LDA, BERTopic | text | 1,837 abstracts from PubMed | NA | NA | NA | NA |
| 1475 | 2025-05-15 |
Artificial intelligence-enhanced retinal imaging as a biomarker for systemic diseases
2025, Theranostics
IF:12.4Q1
DOI:10.7150/thno.100786
PMID:40093903
|
review | 本文综述了人工智能增强的视网膜成像作为系统性疾病的生物标志物的研究进展 | 利用AI技术（特别是深度学习）分析视网膜图像，预测多种系统性疾病，展示了在医疗健康领域的潜在影响 | 面临数据和技术上的挑战与限制，包括生成AI技术的应用带来的机遇与担忧 | 探索视网膜成像在系统性疾病的筛查、早期检测、预测、风险分层和个性化预后中的价值 | 视网膜图像及其与系统性疾病的关联 | digital pathology | 心血管疾病, 中枢神经系统疾病, 慢性肾病, 代谢疾病, 内分泌疾病, 肝胆疾病 | 深度学习, 自然语言处理框架, 大型语言模型, 生成AI技术 | NA | 图像（数字彩色眼底照片, 光学相干断层扫描OCT, OCT血管造影, 超广角成像） | NA | NA | NA | NA | NA |
| 1476 | 2025-05-15 |
A malware classification method based on directed API call relationships
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0299706
PMID:40096061
|
research paper | 提出了一种基于有向API调用关系的恶意软件分类方法，通过建模API序列为有向图并结合FSGCN和CNN进行分类 | 利用有向API调用关系建模恶意软件分类，提出FSGCN近似DGCN操作，并结合SMOTE处理数据不平衡问题 | 未提及方法在实时检测或大规模数据集上的性能表现 | 开发一种更有效的恶意软件分类方法以应对日益复杂的网络威胁 | 恶意软件样本及其API调用序列 | machine learning | NA | SMOTE | FSGCN, CNN | API序列数据 | 两个真实世界的恶意软件数据集 | NA | NA | NA | NA |
| 1477 | 2025-05-15 |
Data-driven cultural background fusion for environmental art image classification: Technical support of the dual Kernel squeeze and excitation network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313946
PMID:40111961
|
研究论文 | 本研究探索了一种数据驱动的文化背景融合方法，以提高环境艺术图像分类的准确性 | 提出了一种新颖的双核挤压与激励网络（DKSE-Net）模型，结合了选择性核网络（SKNet）和挤压与激励网络（SENet）的优点，全面提取图像的全局和局部特征 | 未明确提及研究的局限性 | 提高环境艺术图像分类的准确性 | 环境艺术图像 | 计算机视觉 | NA | 扩张卷积、L2正则化、Dropout、修正线性单元激活函数、深度卷积 | DKSE-Net、CNN | 图像 | NA | NA | NA | NA | NA |
| 1478 | 2025-05-15 |
Extreme heat prediction through deep learning and explainable AI
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316367
PMID:40111979
|
研究论文 | 本研究通过深度学习和可解释AI技术，利用五年的气象数据，开发了一个预测极端高温的综合框架 | 首次将深度学习和可解释AI技术结合用于极端高温预测，并揭示了湿度和最高温度在预测中的重要性 | 研究仅基于巴基斯坦气象局五年的数据，可能在其他地区的适用性有限 | 提高极端高温事件的预测准确性，以支持主动规划和安全保障 | 极端高温事件 | 机器学习 | NA | 深度学习，可解释AI（XAI） | ANN, CNN, LSTM | 气象数据 | 五年的气象数据 | NA | NA | NA | NA |
| 1479 | 2025-05-15 |
Uncovering water conservation patterns in semi-arid regions through hydrological simulation and deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319540
PMID:40112018
|
研究论文 | 本研究结合InVEST模型、水资源保护区时空转移和深度学习，揭示半干旱地区水资源保护模式及其驱动机制 | 首次将InVEST模型、时空转移分析和深度学习相结合，量化水资源保护的复杂数据并识别关键影响因素 | 研究仅针对雄安新区2000-2020年的数据，可能无法完全代表其他半干旱地区的情况 | 揭示半干旱地区水资源保护的空间分布模式及其驱动机制 | 雄安新区的水资源保护特征 | 深度学习 | NA | InVEST模型、深度学习 | 深度学习模型（未指定具体类型） | 时空数据、土地利用数据、降水数据等 | 雄安新区2000-2020年的水资源保护数据 | NA | NA | NA | NA |
| 1480 | 2025-05-15 |
Optimizing deep learning models for glaucoma screening with vision transformers for resource efficiency and the pie augmentation method
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314111
PMID:40117284
|
research paper | 该研究通过优化深度学习模型，使用视觉变换器（ViT）和创新的'pie方法'增强技术，提高了青光眼筛查的效率和准确性 | 采用Data-efficient image Transformers (DeiT)降低计算需求，预处理时间减少10倍，并引入'pie方法'增强技术以提升性能 | DeiT的初始性能低于CNN，且数据集的某些区域（如上部和鼻区）需要排除 | 优化青光眼筛查的深度学习模型，提高资源效率和检测准确性 | 青光眼患者、疑似青光眼患者及非青光眼患者的眼底图像 | digital pathology | glaucoma | fundus imaging | DeiT (vision transformer) | image | GlauCUTU-DATA数据集，包含一致同意（3/3）和多数同意（2/3）的数据 | NA | NA | NA | NA |