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 1521 - 1540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1521 | 2025-05-12 |
High-Density EMG Grip Force Estimation During Muscle Fatigue via Domain Adaptation
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3541227
PMID:40031585
|
研究论文 | 提出一种基于域适应的高密度EMG握力估计方法，以改善肌肉疲劳状态下的握力估计精度 | 结合对抗训练策略和端到端深度学习模型，对齐非疲劳和疲劳状态下的EMG特征分布 | 研究仅涉及8名受试者，样本量较小 | 提高肌电接口在肌肉疲劳状态下解码用户意图的准确性 | 肌电信号（EMG）和握力估计 | 机器学习 | NA | 高密度EMG | 深度学习模型 | EMG信号 | 8名受试者 | NA | NA | NA | NA |
| 1522 | 2025-05-12 |
The More, the Better? Evaluating the Role of EEG Preprocessing for Deep Learning Applications
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3547616
PMID:40031716
|
research paper | 该研究首次全面评估了EEG预处理对深度学习应用的影响，并提出了未来研究的指导原则 | 首次系统性地研究了不同EEG预处理水平对深度学习模型性能的影响，并提出了预处理指南 | 研究仅针对特定的六种分类任务和四种EEG架构，结果可能不具备普遍性 | 评估EEG预处理在深度学习应用中的作用，确定最优预处理策略 | EEG数据及其预处理方法 | machine learning | Parkinson's, Alzheimer's disease, 精神疾病 | EEG | 深度学习模型 | EEG信号数据 | 4800个训练模型 | NA | NA | NA | NA |
| 1523 | 2025-05-12 |
Emotion-RGC net: A novel approach for emotion recognition in social media using RoBERTa and Graph Neural Networks
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0318524
PMID:40029933
|
研究论文 | 提出了一种名为Emotion-RGC Net的新方法，用于社交媒体中的情感识别，结合了RoBERTa、图神经网络和条件随机场 | 整合RoBERTa、GNN和CRF，提高了情感分类的准确性和鲁棒性 | 模型依赖大量标记数据，计算效率有待提高，未考虑情感演化的时间动态 | 提高社交媒体中情感识别的准确性和鲁棒性 | 社交媒体用户生成的内容 | 自然语言处理 | NA | RoBERTa, GNN, CRF | Emotion-RGC Net | 文本 | Sentiment140和Emotion两个数据集 | NA | NA | NA | NA |
| 1524 | 2025-05-12 |
Deep learning based semantic segmentation of leukemia effected white blood cell
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320596
PMID:40338981
|
research paper | 该论文提出了一种基于深度学习的白血病影响的白细胞语义分割方法 | 结合UNet++、标记分水岭算法和神经常微分方程（ODE）进行白细胞分割，提高了分割的准确性和鲁棒性 | 计算复杂度和内存空间有待优化，以便在低资源设备上部署 | 提高白细胞分割的准确性，以支持自动化血细胞分析、诊断成像和疾病监测 | 白血病影响的白细胞 | digital pathology | leukemia | UNet++, 标记分水岭算法, 神经常微分方程（ODE） | UNet++, Neural ODE | image | ALL_IDB1和ALL_IDB2数据集中的血涂片图像 | NA | NA | NA | NA |
| 1525 | 2025-05-12 |
Deep learning in assisting dermatologists in classifying basal cell carcinoma from seborrheic keratosis
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1507322
PMID:40342818
|
research paper | 评估深度学习模型在辅助皮肤科医生分类基底细胞癌（BCC）和脂溢性角化病（SK）中的有效性 | 使用基于CLIP ViT-B/16架构的深度学习模型，结合注意力机制（如Grad-CAM）增强模型决策的可解释性 | 模型在验证队列中的AUC为0.71，表现略低于训练和测试队列 | 评估AI辅助诊断是否能提高分类准确性、减少误诊并改善临床结果 | 基底细胞癌（BCC）和脂溢性角化病（SK）患者 | digital pathology | skin cancer | deep learning, Grad-CAM | CLIP ViT-B/16 | image | 707名患者（内部数据集）和5572名患者（ISIC公共数据集） | NA | NA | NA | NA |
| 1526 | 2025-05-12 |
A review of lightweight convolutional neural networks for ultrasound signal classification
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1536542
PMID:40342856
|
综述 | 本文综述了轻量级卷积神经网络在超声信号分类中的应用 | 结合超声信号特点，从模型压缩和操作优化两个角度详细回顾了轻量级算法 | 未提及具体实验验证或实际应用效果 | 探索轻量级卷积神经网络在超声信号处理领域的应用 | 超声信号 | 医学图像分析 | NA | 深度学习 | 轻量级CNN | 超声信号 | 基于ImageNet数据集的经典模型实验结果 | NA | NA | NA | NA |
| 1527 | 2025-05-12 |
Automatic segmentation and quantitative analysis of brain CT volume in 2-year-olds using deep learning model
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1573060
PMID:40343184
|
研究论文 | 本研究开发了一种使用ResU-Net深度学习模型自动分割2岁儿童脑部CT图像的方法，并量化特定脑区体积，建立临床和研究应用的参考数据库 | 首次在2岁儿童脑CT图像中应用ResU-Net模型进行自动分割和体积量化，建立了该年龄段的标准参考数据库 | 研究仅纳入放射学表现正常的儿童样本，未涵盖异常或疾病状态 | 开发儿童脑CT图像的自动分割方法并建立标准体积参考值 | 2岁健康儿童的脑部CT图像 | 数字病理 | NA | CT成像 | ResU-Net, 3D U-Net | 医学影像 | 1,487例2岁儿童头部CT扫描（训练集1,041例，测试集446例） | NA | NA | NA | NA |
| 1528 | 2025-05-12 |
High-yield spidroin mimics for bioinspired fibers via computational design
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1587546
PMID:40343205
|
研究论文 | 通过计算设计高产的蜘蛛丝蛋白模拟物，用于仿生纤维的生产 | 结合深度学习和生物工程技术，设计出适合原核表达的水溶性、富含β-折叠的蜘蛛丝蛋白模拟物，克服了传统表达系统的瓶颈 | NA | 解决蜘蛛丝蛋白在大规模生产中的表达难题，推动高性能仿生纤维的应用 | 蜘蛛丝蛋白模拟物 | 生物工程 | NA | 深度学习、生物工程、静电纺丝、粗粒化分子动力学模拟 | NA | NA | 设计了五种功能性蜘蛛丝蛋白，并在原核系统中表达，产量高达0.99克/升 | NA | NA | NA | NA |
| 1529 | 2025-05-12 |
Brain tumor classification using MRI images and deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322624
PMID:40344143
|
research paper | 本研究开发了一种基于深度学习和MRI图像的自动化脑肿瘤分类系统 | 采用预训练的VGG16作为基础模型的CNN架构，结合数据增强技术和微调策略，实现了99.24%的高准确率 | 未提及模型在临床环境中的实际应用效果验证 | 开发一个能够准确检测和分类不同类型脑肿瘤的模型 | 脑MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和正常脑扫描 | digital pathology | brain tumor | MRI | CNN (VGG16) | image | 17,136张脑MRI图像 | NA | NA | NA | NA |
| 1530 | 2025-10-07 |
[Research Progress and Prospects of Minimally Invasive Surgical Instrument Segmentation Methods Based on Artificial Intelligence]
2025-Jan-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation
DOI:10.12455/j.issn.1671-7104.240436
PMID:39993977
|
综述 | 本文系统综述了基于人工智能的微创手术器械分割方法的研究进展与发展前景 | 深入分析了基于Segment Anything Model的方法，并对训练算法监督方法、网络结构改进和注意力机制进行了系统总结 | NA | 总结微创手术器械分割技术的研究现状并展望未来发展 | 微创手术器械分割方法 | 计算机视觉 | NA | 深度学习 | NA | 内窥镜图像，手术视频 | NA | NA | Segment Anything Model | NA | NA |
| 1531 | 2025-10-07 |
Impact of Deep Learning 3D CT Super-Resolution on AI-Based Pulmonary Nodule Characterization
2025-Jan-27, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11020013
PMID:39997996
|
研究论文 | 本研究提出基于深度学习的超分辨率技术，将厚层CT图像转换为薄层CT图像，以提高肺结节表征的准确性 | 首次将深度学习超分辨率技术应用于CT图像层厚优化，显著提升AI肺结节分类准确率 | 未说明研究样本的具体来源和多样性，缺乏多中心验证 | 提高肺结节体积测量和分类的准确性 | 肺结节 | 计算机视觉 | 肺癌 | CT成像 | 深度学习 | CT图像 | NA | NA | 超分辨率网络 | 分类准确率 | NA |
| 1532 | 2025-10-07 |
Improving spleen segmentation in ultrasound images using a hybrid deep learning framework
2025-01-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85632-9
PMID:39799236
|
研究论文 | 提出一种用于超声图像脾脏分割的混合深度学习框架 | 首次提出结合SegFormer和Pix2Pix的两阶段训练方法，并创建了该领域首个脾脏超声图像数据集Spleenex | NA | 改进超声图像中的脾脏分割精度 | 脾脏超声图像 | 计算机视觉 | NA | 超声成像 | CNN, GAN | 图像 | 450张脾脏超声图像 | NA | SegFormerB0, Pix2Pix | mIoU, mDice, MPLE | NA |
| 1533 | 2025-10-07 |
Advanced deep learning algorithms in oral cancer detection: Techniques and applications
2025, Journal of environmental science and health. Part C, Toxicology and carcinogenesis
DOI:10.1080/26896583.2024.2445957
PMID:39819195
|
综述 | 本文全面分析了基于人工智能的口腔癌检测方法，重点关注深度学习模型和图像处理技术 | 提供了对最新AI方法在口腔癌检测中的综合分析，包括卷积神经网络等深度学习模型 | NA | 推进口腔癌的早期诊断，改善患者预后并减轻医疗系统负担 | 口腔癌检测方法和技术 | 计算机视觉 | 口腔癌 | 图像预处理，图像分割，特征提取 | CNN | 医学图像 | NA | NA | 卷积神经网络 | 分类准确率 | NA |
| 1534 | 2025-10-07 |
Ventilator pressure prediction employing voting regressor with time series data of patient breaths
2025 Jan-Mar, Health informatics journal
IF:2.2Q3
DOI:10.1177/14604582241295912
PMID:39988551
|
研究论文 | 提出一种基于投票回归器的混合呼吸机压力预测方法，用于精确预测患者呼吸过程中的呼吸机压力 | 开发了新型混合呼吸机压力预测器（H-VPP），通过分析肺部属性R和C在初始时间步的高值对呼吸机压力的影响 | NA | 预测呼吸机呼吸回路中的气道压力 | COVID-19患者呼吸过程中的呼吸机压力数据 | 机器学习 | COVID-19 | 时间序列数据分析 | 投票回归器 | 时间序列数据 | NA | NA | 混合呼吸机压力预测器（H-VPP） | R平方, 平均绝对误差, 均方误差 | NA |
| 1535 | 2025-10-07 |
Evaluation of stroke sequelae and rehabilitation effect on brain tumor by neuroimaging technique: A comparative study
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317193
PMID:39992898
|
研究论文 | 本研究开发了一种基于深度学习的SWI-BITR-UNet模型，用于脑卒中后遗症评估和脑肿瘤康复效果的神经影像分析 | 结合SWIN Transformer的局部感受野和移位机制与U-Net架构的有效特征融合策略，专门针对3D医学影像数据设计 | 未提及具体样本量大小和外部验证结果 | 提高脑损伤区域在多模态MRI扫描中的分割精度，改善脑卒中后遗症评估和康复效果监测 | 脑卒中损伤区域和脑肿瘤区域 | 医学影像分析 | 脑卒中,脑肿瘤 | 多模态MRI扫描,神经影像技术 | CNN,Transformer,U-Net | 3D医学影像 | NA | NA | SWI-BITR-UNet,3D CNN编码器-解码器,SWIN Transformer,U-Net | 召回率,精确率,F1分数,Kappa系数,平均交并比,ROC-AUC,豪斯多夫距离,DICE系数 | NA |
| 1536 | 2025-10-07 |
Optimizing Bi-LSTM networks for improved lung cancer detection accuracy
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316136
PMID:39992919
|
研究论文 | 本研究比较了传统手工特征和深度学习Bi-LSTM网络在肺癌检测中的性能 | 结合手工特征提取与优化的双向长短期记忆网络(Bi-LSTM)进行肺癌检测，在准确率和AUC指标上均取得优异表现 | 未提及具体数据集规模和多样性限制 | 提高肺癌检测准确率，改进计算机辅助诊断系统 | 肺癌医学图像 | 计算机视觉 | 肺癌 | 医学图像分析 | Bi-LSTM, SVM | 医学图像 | NA | NA | Bidirectional Long Short-Term Memory | 准确率, AUC | NA |
| 1537 | 2025-10-07 |
Trustworthy diagnosis of Electrocardiography signals based on out-of-distribution detection
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317900
PMID:39999066
|
研究论文 | 提出一种基于分布外检测的心电图信号可信诊断方法 | 结合CNN和注意力机制增强特征提取，并采用Energy和ReAct技术识别分布外心脏病 | NA | 提高心电图诊断的可靠性，特别是对未知类型心脏病的识别能力 | 心电图信号 | 机器学习 | 心血管疾病 | 心电图信号分析 | CNN, Attention机制 | 心电图信号 | MIT-BIH心律失常数据库和INCART 12导联心律失常数据库 | NA | CNN结合注意力机制 | 灵敏度, 特异性 | NA |
| 1538 | 2025-10-07 |
Author name disambiguation based on heterogeneous graph neural network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0310992
PMID:40009590
|
研究论文 | 提出基于异构图注意力神经网络的作者姓名消歧方法，通过改进特征表示和聚类算法提升消歧性能 | 提出结合关系图异质注意力神经网络的作者消歧方法，引入多重注意力机制改进节点交互学习，并优化传统层次聚类算法 | 未明确说明方法在其他数据集上的泛化能力，实验仅基于Aminer数据集进行验证 | 解决学术论文作者姓名消歧问题，准确将新发表论文分配给对应作者 | 学术论文作者及其发表文献 | 自然语言处理 | NA | 图神经网络，注意力机制 | GNN, 注意力神经网络 | 文本数据，图结构数据 | Aminer数据集 | NA | 关系图异质注意力神经网络，图卷积嵌入模块 | F1-score | NA |
| 1539 | 2025-10-07 |
Untrained perceptual loss for image denoising of line-like structures in MR images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0318992
PMID:40009630
|
研究论文 | 本研究提出一种用于3D MR图像中线状结构去噪的未训练感知损失方法 | 将感知损失扩展到3D数据，使用未训练网络的特征图进行比较，特别适用于线状结构的图像去噪 | 主要针对线状结构图像，对其他类型图像效果未验证 | 开发适用于线状结构MR图像去噪的深度学习方法 | 脑部血管MR图像和植物根系MR图像 | 计算机视觉 | 脑血管疾病 | 磁共振成像 | CNN | 3D图像 | 536张植物根系MR图像和450张脑部血管MR图像 | NA | 自定义CNN, VGG19 | SSIM | NA |
| 1540 | 2025-05-11 |
Enhancing nnUNetv2 Training with Autoencoder Architecture for Improved Medical Image Segmentation
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_17
PMID:40337098
|
研究论文 | 本研究开发了一种基于nnUNetv2框架并结合自动编码器架构的新型深度学习模型，用于提高头颈癌MRI引导放疗图像中肿瘤体积的自动分割准确性 | 在nnUNetv2框架中引入自动编码器架构，将原始训练图像作为额外输入通道，并采用MSE损失函数以提高分割精度 | 研究仅针对头颈癌患者，样本量相对有限（150名训练患者和50名测试患者） | 提高MRI引导放疗图像中肿瘤体积的自动分割准确性，优化放射肿瘤学临床工作流程 | 头颈癌患者的MRI引导放疗图像 | 数字病理学 | 头颈癌 | MRI | nnUNetv2结合自动编码器 | 医学图像 | 150名训练患者和50名测试患者 | NA | NA | NA | NA |