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 3695 篇文献，本页显示第 1581 - 1600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1581 | 2025-10-06 |
Sentiment analysis in public health: a systematic review of the current state, challenges, and future directions
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1609749
PMID:40620557
|
系统综述 | 本文对公共卫生领域情感分析的当前状态、挑战和未来方向进行了系统性回顾 | 首次系统性地总结了公共卫生领域情感分析的方法论、应用场景和伦理考量，特别关注了深度学习和大语言模型的最新应用趋势 | 研究主要基于83篇文献，可能无法完全覆盖该领域的所有研究；社交媒体数据存在质量、偏见和语言复杂性等问题 | 系统评估公共卫生领域情感分析的方法、应用、数据源、挑战、评估实践和伦理问题 | 公共卫生领域的情感分析研究文献 | 自然语言处理 | NA | 情感分析，自然语言处理 | 深度学习，大语言模型(LLMs) | 文本数据 | 83篇相关研究论文 | NA | NA | NA | NA |
| 1582 | 2025-10-06 |
Utilising artificial intelligence in prehospital emergency care systems in low- and middle-income countries: a scoping review
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1604231
PMID:40620558
|
综述 | 本范围综述探讨了人工智能在中低收入国家院前急救系统中的应用现状与发展前景 | 首次系统梳理人工智能在中低收入国家院前急救领域的具体应用模式与实施效果 | 仅纳入英文文献，可能遗漏未明确标注人工智能工具或中低收入国家背景的研究 | 探索人工智能在中低收入国家院前急救服务中的应用方式并评估未来发展潜力 | 中低收入国家的院前急救系统 | 医疗人工智能 | 急救医学 | 深度学习, 机器学习 | 深度学习模型 | 医疗调度数据, 疾病预测数据 | 16篇纳入研究，样本量存在显著差异 | NA | NA | NA | NA |
| 1583 | 2025-10-06 |
Artificial Intelligence and Postpartum Hemorrhage
2025-Jan, Maternal-fetal medicine (Wolters Kluwer Health, Inc.)
DOI:10.1097/FM9.0000000000000257
PMID:40620613
|
综述 | 探讨人工智能在产后出血预测和管理中的应用现状与挑战 | 整合子宫收缩性指标和影像组学特征提升预测准确性，探索可穿戴设备等新型监测手段 | 缺乏外部验证模型，研究多集中于医疗资源充足环境，在资源有限地区的适用性不足 | 评估人工智能技术在产后出血防治中的应用潜力 | 产后出血患者及风险人群 | 数字病理 | 产后出血 | 机器学习, 深度学习 | NA | 临床数据, 生理指标, 医学影像 | NA | NA | NA | NA | NA |
| 1584 | 2025-10-06 |
MDDeep-Ace: species-specific acetylation site prediction based on multi-domain adaptation
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.19649
PMID:40620770
|
研究论文 | 提出基于多域自适应深度学习方法的物种特异性乙酰化位点预测工具MDDeep-Ace | 首次将多域自适应方法应用于物种特异性乙酰化位点预测，通过整合多物种数据提升模型泛化能力 | NA | 开发能够准确预测物种特异性赖氨酸乙酰化位点的计算方法 | 赖氨酸翻译后修饰位点 | 机器学习 | NA | 深度学习 | 深度学习 | 蛋白质序列数据 | NA | NA | 多域自适应网络 | 预测准确率 | NA |
| 1585 | 2025-10-06 |
Quantifying social distance using deep learning-based video analysis: results from the BTBR mouse model of autism
2025, Frontiers in behavioral neuroscience
IF:2.6Q3
DOI:10.3389/fnbeh.2025.1602205
PMID:40620906
|
研究论文 | 本研究使用基于深度学习的视频分析技术量化BTBR自闭症模型小鼠的社交距离 | 首次将DeepLabCut深度学习工具应用于BTBR小鼠社交距离的自动量化分析 | 研究样本仅限于BTBR和CBA小鼠，未涉及其他自闭症模型 | 开发自动化方法精确量化自闭症模型小鼠的社交行为 | BTBR T Itpr3/J自闭症模型小鼠和CBA对照小鼠 | 计算机视觉 | 自闭症谱系障碍 | 视频分析, 深度学习追踪 | CNN | 视频 | BTBR和CBA小鼠配对组合 | DeepLabCut | NA | 欧几里得距离 | NA |
| 1586 | 2025-10-06 |
Multi-task deep learning framework for enhancing Mayo endoscopic score classification in ulcerative colitis
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251356396
PMID:40621175
|
研究论文 | 提出一种多任务深度学习框架，用于增强溃疡性结肠炎梅奥内镜评分的分类性能 | 受人类大脑从粗到细处理机制启发，提出多任务学习框架解决医学图像数据不平衡问题 | 未整合多种卷积神经网络模型以进一步提升分类准确率 | 开发计算机辅助诊断系统，准确识别溃疡性结肠炎严重阶段 | 溃疡性结肠炎内镜图像 | 计算机视觉 | 溃疡性结肠炎 | 内镜成像 | CNN | 图像 | NA | NA | DenseNet121, MobileNet-v3-large | 分类性能 | NA |
| 1587 | 2025-10-06 |
Deep learning-based electroencephalic decoding of the phase-lagged transcranial alternating current stimulation
2025, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2025.1545726
PMID:40621214
|
研究论文 | 本研究使用深度学习从任务相关脑电信号中解码跨频率耦合交流电刺激的相位滞后类型 | 首次使用修改版EEGNet模型从任务相关EEG信号中解码CFC-tACS的相位滞后类型，揭示了脑电信号对在线刺激类型的解码能力 | 样本量较小（仅21名健康受试者），仅测试了两种相位滞后条件（45°和180°） | 研究是否能够通过任务相关脑电信号解码跨频率耦合交流电刺激的相位滞后类型 | 21名健康个体的任务相关脑电信号 | 脑机接口 | NA | 脑电图记录，跨频率耦合交流电刺激 | CNN | 脑电信号 | 21名健康个体 | NA | 修改版EEGNet | 解码准确率 | NA |
| 1588 | 2025-10-06 |
BoKDiff: best-of-K diffusion alignment for target-specific 3D molecule generation
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf137
PMID:40621602
|
研究论文 | 提出BoKDiff框架，通过Best-of-K对齐和BoN采样策略改进基于结构的药物设计中3D分子生成 | 首次将Best-of-K对齐和Best-of-N采样策略整合到基于结构的药物设计中，解决了蛋白质-配体数据有限和对齐不良的问题 | 未明确说明模型的计算复杂度和在更大数据集上的泛化能力 | 开发用于靶点特异性3D分子生成的高质量配体设计方法 | 蛋白质-配体复合物和3D分子结构 | 计算化学, 药物设计 | NA | 扩散模型, 几何深度学习, 多目标优化 | 扩散模型 | 3D分子结构数据, 蛋白质-配体复合物数据 | CrossDocked2020数据集 | 基于DecompDiff构建 | 扩散模型 | QED, SA, 对接分数, 有效分子生成率, 成功率 | NA |
| 1589 | 2025-10-06 |
Correction: Deep learning radiomics based on multimodal imaging for distinguishing benign and malignant breast tumours
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1635819
PMID:40625355
|
correction | 对已发表文章进行修正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1590 | 2025-10-06 |
TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs
2025-Jan, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103373
PMID:39454312
|
研究论文 | 提出一种基于拓扑引导的深度卷积网络TopoTxR，用于DCE-MRI图像中乳腺实质结构的学习和预测 | 首次将多尺度拓扑结构显式提取并融入深度学习模型，通过注意力机制增强对乳腺细微结构的量化能力 | 研究样本量相对有限，需要在更大规模数据集上进一步验证 | 改进DCE-MRI中乳腺实质结构的表征能力，并预测新辅助化疗的治疗反应 | 乳腺实质组织，特别是纤维腺体组织 | 计算机视觉 | 乳腺癌 | 动态对比增强磁共振成像(DCE-MRI) | CNN | 医学图像 | I-SPY 1数据集161例患者(47例pCR，114例非pCR)，Rutgers专有数据集120例患者(69例pCR，51例非pCR) | NA | 拓扑引导的深度卷积网络 | 准确率，AUC | NA |
| 1591 | 2025-10-06 |
Learning to Learn Transferable Generative Attack for Person Re-Identification
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3558434
PMID:40232916
|
研究论文 | 提出一种元学习优化的生成式对抗攻击方法MTGA，用于提升行人重识别模型对抗样本的跨模型、跨数据集和跨测试迁移能力 | 首次考虑跨测试迁移能力，提出元迁移生成攻击方法，通过扰动随机擦除模块和归一化混合策略增强对抗样本的泛化性 | 未明确说明计算资源需求和对不同行人重识别架构的普适性验证 | 提升对抗攻击在行人重识别任务中的迁移能力，评估模型鲁棒性 | 行人重识别模型 | 计算机视觉 | NA | 元学习，生成式对抗攻击 | 生成模型 | 图像 | NA | NA | MTGA | mAP下降率 | NA |
| 1592 | 2025-10-06 |
Few-shot network intrusion detection method based on multi-domain fusion and cross-attention
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0327161
PMID:40601763
|
研究论文 | 提出一种基于多域融合和交叉注意力的小样本网络入侵检测方法 | 结合多域特征融合与双向交叉注意力机制，采用双分支特征提取器捕获空间和频域特征，并引入基于改进Mamba架构的分层特征编码模块 | NA | 解决现实场景中攻击样本有限和域偏移显著导致检测性能下降的问题 | 网络流量数据 | 机器学习 | NA | 二维离散余弦变换(2D-DCT) | 深度学习 | 网络流量序列 | CICIDS2017和CICIDS2018两个基准数据集 | NA | 双分支特征提取器, 双向交叉注意力模块, 改进Mamba架构 | 准确率 | NA |
| 1593 | 2025-10-06 |
Feasibility of real-time artificial intelligence-assisted anatomical structure recognition during endoscopic submucosal dissection
2025, Endoscopy international open
IF:2.2Q2
DOI:10.1055/a-2615-8008
PMID:40611836
|
研究论文 | 评估实时人工智能辅助内镜黏膜下剥离术中解剖结构识别的可行性 | 首次开发用于ESD手术的实时AI解剖结构识别系统，提供术中定向支持 | 概念验证研究，样本量有限，需要进一步研究确认临床效益 | 提高内镜黏膜下剥离术的安全性和手术速度 | 猪模型中的内镜黏膜下剥离手术 | 计算机视觉 | NA | 内镜成像 | 深度学习 | 图像 | 30例ESD手术的1011张内镜静态图像，12例猪模型ESD手术 | NA | NA | Dice系数 | NA |
| 1594 | 2025-10-06 |
Update of machine learning for ultrasound diagnosis of metabolic dysfunction-associated steatotic liver disease: a bright future for deep learning
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.19645
PMID:40611943
|
综述 | 本文综述并分析了机器学习算法在代谢功能障碍相关脂肪性肝病超声诊断中的应用，特别关注深度学习的优势与潜力 | 重点关注深度学习在超声诊断中的图像识别和分类能力，强调AI在该领域的应用前景 | NA | 提高诊断准确性，扩大初级保健中的MASLD筛查，支持早期诊断、预防和治疗 | 代谢功能障碍相关脂肪性肝病(MASLD) | 医学影像分析 | 代谢功能障碍相关脂肪性肝病 | 超声诊断 | 深度学习 | 超声影像 | NA | NA | NA | NA | NA |
| 1595 | 2025-10-06 |
Identification of atrial fibrillation using heart rate variability: a meta-analysis
2025, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2025.1581683
PMID:40612371
|
荟萃分析 | 通过心率变异性识别心房颤动的荟萃分析研究 | 首次系统评估人工智能算法利用心率变异性模式识别心房颤动的诊断性能 | 仅纳入12项诊断研究，样本来源和算法类型存在异质性 | 评估基于心率变异性的人工智能算法在心房颤动识别中的诊断准确性 | 心房颤动患者的心率变异性数据 | 机器学习 | 心血管疾病 | 心率变异性分析 | 深度学习算法 | 心电图数据 | 来自12项诊断研究的汇总数据 | NA | NA | 灵敏度, 特异度, AUC | NA |
| 1596 | 2025-10-06 |
Biologically inspired hybrid model for Alzheimer's disease classification using structural MRI in the ADNI dataset
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1590599
PMID:40612382
|
研究论文 | 提出一种混合CNN-SNN架构，利用ADNI数据集中的结构MRI数据进行阿尔茨海默病阶段分类 | 首次将卷积神经网络与脉冲神经网络结合，通过SNN模拟神经退行性疾病的时间动态特性，即使使用静态sMRI输入 | 研究仅基于ADNI数据集，需要外部验证；模型性能在移除SNN模块时显著下降 | 开发生物启发的计算模型以改进阿尔茨海默病的早期诊断和分期 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常受试者 | 医学影像分析 | 阿尔茨海默病 | 结构MRI | CNN, SNN | 医学影像 | ADNI数据集中的三类受试者（AD、MCI、CN） | NA | 混合CNN-SNN架构，使用泄漏积分发放神经元 | 准确率, 精确率, 召回率, F1分数 | NA |
| 1597 | 2025-10-06 |
Comparing machine learning models with a focus on tone in grooming chat logs
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1591828
PMID:40612489
|
研究论文 | 本研究比较深度学习模型与传统机器学习模型在检测网络聊天室中儿童诱骗对话的效果，并分析诱骗者使用的语气对检测能力的影响 | 首次将大型语言模型LLaMA 3.2 1B应用于儿童诱骗检测，并系统分析不同语气（积极/消极）对检测性能的影响 | 研究仅基于PAN12聊天日志数据集，可能无法涵盖所有类型的诱骗对话模式 | 提高自动检测网络儿童诱骗对话的能力，保护儿童在线安全 | 网络聊天室中的儿童诱骗对话和诱骗者 | 自然语言处理 | NA | 情感分类，深度学习 | SVM, 大型语言模型 | 文本聊天记录 | PAN12聊天日志数据集中的诱骗对话 | NA | DistilBERT, LLaMA 3.2 1B | 精确率, 召回率, F1分数 | NA |
| 1598 | 2025-10-06 |
Transfer deep learning and explainable AI framework for brain tumor and Alzheimer's detection across multiple datasets
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1618550
PMID:40612575
|
研究论文 | 提出一种结合迁移学习和可解释AI的框架，用于跨多个数据集的脑肿瘤和阿尔茨海默病检测 | 将迁移学习与可解释AI技术相结合，采用混合CNN-VGG16模型，并通过SHAP提供模型决策过程的透明视图 | NA | 提高MRI图像分类的准确性，增强医疗领域AI应用的可信度 | 脑肿瘤和阿尔茨海默病的MRI图像 | 计算机视觉 | 脑肿瘤,阿尔茨海默病 | MRI | CNN,VGG16 | 图像 | 三个不同的MRI数据集（脑肿瘤分类、阿尔茨海默病检测和另一个脑肿瘤数据集） | NA | CNN-VGG16混合模型 | 准确率 | NA |
| 1599 | 2025-10-06 |
Corn variety identification based on improved EfficientNet lightweight neural network
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1603073
PMID:40612609
|
研究论文 | 提出改进的EfficientNet轻量级神经网络模型用于玉米果穗品种识别 | 减少EfficientNetB0模型的MBConv模块数量，引入CBAM注意力机制和空洞卷积增强特征提取能力 | 仅针对5个玉米品种进行验证，样本多样性有限 | 实现玉米果穗的智能筛选和品种知识产权保护 | 玉米果穗图像 | 计算机视觉 | NA | 深度学习 | CNN | RGB图像 | 6529张玉米果穗图像，涵盖5个品种 | NA | EfficientNetB0, MBConv, CBAM, SCD_EFTNet | Recall, Precision, mAP, 推理时间 | NA |
| 1600 | 2025-10-06 |
P4CN-YOLOv5s: a passion fruit pests detection method based on lightweight-improved YOLOv5s
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1612642
PMID:40612616
|
研究论文 | 提出基于轻量化改进YOLOv5s的百香果害虫检测方法P4CN-YOLOv5s | 结合PLDIoU损失函数、四个CBAM注意力模块和优化锚框，针对密集小目标检测场景进行专门优化 | 仅针对百香果害虫特定场景验证，未在其他作物害虫检测中测试泛化能力 | 提升自然果园环境中百香果害虫的检测精度和效率 | 百香果害虫图像 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | 6000张百香果害虫图像 | PyTorch | YOLOv5s, CBAM | 准确率, F1分数, 检测时间 | NA |